ارزیابی عملکرد روش‌های آماری رگرسیون لجستیک و شبکه عصبی چندلایه پرسپترون در پیش‌بینی وقوع حرکات توده‌ای( حوضه آبریز کمانج‌چای علیا)

ﺍﻳﻦ ﭘﮋﻭﻫﺶ ﺑﺎ ﻫﺪﻑ ﺷﻨﺎﺳﺎﻳﻲ ﻋﻮﺍﻣﻞ ﻣﺆﺛﺮ ﺩﺭ ﺍﻳﺠﺎﺩ ﭘﺪﻳﺪﻩ ناپایداری دامنه ای، ﺗﻌﻴﻴﻦ ﻣﻨﺎﻃﻖ ﺩﺍﺭﺍﻱ ﭘﺘﺎﻧﺴﻴﻞ ناپایداری های دامنه ای و ﺗﻬﻴه ی ﻧﻘﺸه ی ﭘﻬﻨﻪ ﺑﻨﺪی ﺧﻄﺮ وﻗﻮع ﺩﺭ ﺣﻮﺿﻪ کمانج چای ﻋﻠﻴﺎ که از حوضه های مهم شمال شهرستان تبریز می باشد، ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ مدل های ﺭﮔﺮﺳﻴﻮﻥ ﻟﺠﺴﺘﻴﮏ و شبکه ی عصبی مصنوعی ﺍﻧﺠﺎﻡ ﺷﺪﻩ است. این حوضه ﺑﻪ دﻟﻴﻞ ﺷﺮاﻳﻂ ﺗﻮﭘﻮﮔﺮاﻓﻲ، ﺗﻜﺘﻮﻧﻴﻚ، زﻣﻴﻦﺷﻨﺎﺳﻲ، ﭼﻴﻨﻪ ﺷﻨﺎﺳﻲ و اﻗﻠﻴﻢ ﻣﺴﺘﻌﺪ انواع ناپایداری های دامنه ای اﺳﺖ و ﻫﻤﻮاره اﻳﻦ ﭘﺪﻳﺪه اﺗﻔﺎق ﻣﻲ اﻓﺘﺪ. با توجه به هدف پژوهش ﻣﺘﻐﻴﺮﻫﺎیی چون: ارﺗﻔﺎع، ﺷﻴﺐ، ﺟﻬﺖ ﺷﻴﺐ، ﺟﻨﺲ ﺳﺎزﻧﺪ، ﻓﺎﺻﻠﻪ از ﮔﺴﻞ، ﻓﺎﺻﻠﻪ از رودﺧﺎﻧﻪ، ﻛﺎرﺑﺮی اراﺿﻲ، ﻓﺎﺻﻠﻪ از ﺟﺎده، ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ و ﭘﺮاﻛﻨﺶ ناپایداری دامنه ای ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﻴﺮ واﺑﺴﺘﻪ ﺑﺎ اﺳﺘﻔﺎده از ﻣﺪل های رﮔﺮﺳﻴﻮن ﻟﺠﺴﺘﻴﻚ و شبکه ی عصبی مصنوعی ﺗﺤﻠﻴﻞ ﺷﺪ . ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد مهم ترین ﻋﻮاﻣﻞ ﺗﺄﺛﻴﺮﮔﺬار در وﻗﻮع ناپایداری های دامنه ای در ﺣﻮﺿﻪ ﺑﻪ ﺗﺮﺗﻴﺐ ﻋﺒﺎرت اند از: عامل ارتفاع، ﻓﺎﺻﻠﻪ از رودﺧﺎﻧﻪ، لیتولوژی، فاصله از گسل، ﺷﻴﺐ و جهت شیب. بیش از 50 درصد ناپایداری های دامنه ای منطقه ی مورد مطالعه در ارتفاع 18501520 در شیب3217 درجه ، در فاصله ی حداکثر 200 متری از آبراهه و حداکثر 500 متری از گسل رخ داده اند. با توجه به نتایج مدل ها درصد پهنه هایی با خطر بسیار بالا در مدل شبکه ی عصبی و رگرسیون لجستیک به ترتیب برابر با 5.6 و 8.3 درصد می باشد که عمدتا محدوده های نزدیک به شبکه های زهکشی را شامل می گردد که از لحاظ لیتولوژی نیز این مناطق در محدوده هایی با میزان مقاومت پایین قرار گرفته اند که روش آماری لجستیک نیز نشان دهنده تاثیر بسیار زیاد فاصله از گسل و لیتولوژی بر وقوع پدیده زمین لغزش در منطقه مورد مطالعه می باشد ارزﻳﺎﺑﻲ ﻣﺪل ها با شاخص roc ﻧﺸﺎن داد ﻛﻪ ﻣﻴﺰان دﻗﺖ ﻣﺪل رگرسیون لجستیک برابر با 0.894 و مدل شبکه ی عصبی 0.826می باشد. در واقع هر دو مدل مقدار بالایی را نشان می دهد و حاکی از آن است که حرکات توده ای و ناپایداری های دامنه ای مشاهده شده، رابطه قوی با مقادیر احتمال حاصل از مدل های رگرسیون لجستیک و مدل شبکه ی عصبی مصنوعی دارد. ﻧﺘﺎﻳﺞ اﻳﻦ ﻣﻄﺎﻟﻌﻪ ﻣﻲﺗﻮاﻧﺪ در ﻣﺪﻳﺮﻳﺖ ﺧﻄﺮ ناپایداری های دامنه ای و ﻛﻨﺘﺮل ﻋﻮاﻣﻞ ﺗﺸﺪﻳﺪﻛﻨﻨﺪه ﻣﻔﻴﺪ ﺑﺎﺷﺪ.

Performance evaluation neural network and logistic regression methods in predict the occurrence of mass movements in the upper of (Komanaj Chay basin)

This study aimed to identify factors leading to slope instability, Maps preparation, determine potential areas mass movements and risk zoning in the Upper Basin Komanaj Chay. That is one of the important basins in the northern city of Tabriz, by Using logistic regression models and artificial neural network done. This basin due to topography, tectonics, geology, stratigraphy, and the climate is prone to a variety of slope instability, this phenomenon always occurs. According to the study variables such as altitude, slope, aspect, type of formation, distance to fault, distance from the river, land use, distance from the road, as the independent variable And distribution of unstable slopes as the dependent variable using logistic regression models and artificial neural network was analyzed .The results showed that the most important factors in the occurrence of slope instability in the basin are as follows: Elevation, distance from the river, lithology, faults, slope and aspect More than 50 percent of instability range in height from 1850 to 1520 in the study area dip 3217 degrees, at a distance of 200 meters from the canal and 500 meters from the fault occurred. According to the results of a very high percentage of areas the risk of neural network and logistic regression models respectively 5.6 and 8.3 percent is the mainly areas close to the drainage network which includes the lithology of these areas are located in areas with lower resistance. Statistical methods logistics showed a lot of reflects of faults and lithology in this areas is based Landslide. Evaluation ROC indicator showed that the model was assessed using logistic regression model is 0.894 and neural network models is 0.826. In fact, both models show a high value and suggest that mass movement and slope instabilities observed a strong relationship with probability values derived from logistic regression models and artificial neural network model. The results of this study can be useful risk management slope instabilities and control is deteriorating factors.