پهنه بندی مناطق مستعد زمین لغزش با استفاده از پرسپترون چند لایه از نوع پیش خور با الگوریتم پس انتشار (مطالعه موردی: حوضه رودخانه سنگورچای)

زمین لغزش نشان دهنده فرایندهای مورفودینامیک است که در زمین های شیب دار رخ داده و به واحد های مسکونی، صنعتی، باغات و زمین های زراعی آسیب می رساند. در این تحقیق برای پهنه بندی زمین لغزش در حوضه رودخانه سنگورچای از مدل پرسپترون چند لایه استفاده شد. به این منظور، داده های 124 زمین لغزش شناسایی شده و به سیستم ارائه شد. در کنار آن برای پردازش زمین لغزش ها در نرم افزار matlab، 7 لایه متشکل از لایه های شیب، جهت شیب، dem، لیتولوژی، شبکه هیدروگرافی، لایه ndvi و پراکنش زمین لغزش در نرم افزار arc gis ترسیم گردید. این لایه ها بر اساس بزرگترین مقدار موجود برای هر لایه نرمالیزه شده و در محدوده بین 1 و صفر قرار گرفتند. سپس 80 درصد داده ها(6824 پیکسل) برای تعلیم و 20 درصد داده ها(1706 پیکسل) برای تست انتخاب شده و در ساختار مدل پرسپترون چند لایه مورد پردازش قرار گرفتند. به علت وجود روابط غیرخطی در پدیده زمین لغزش از توابع انتقال سیگموئید استفاده گردید. برای این تحقیق تعداد نرون در لایه میانی از 5 تا 20 تغییر داده شد و با تعداد 18 نرون شبکه به کمترین خطا در مرحله آموزش و آزمایش رسید. ضریب یادگیری که میزان تغییر وزن ها را در کنترل دارد، ‌از 0.1 تا 0.3 مورد بررسی قرار گرفت و با مقدار 0.3 شبکه به بهترین یادگیری دست یافت. در نهایت با توجه به وزن خروجی، نقشه پهنه بندی زمین لغزش ترسیم گردید. نتایج نشان داد که ساختار زمین شناسی شکل گرفته از مارن خاکستری و توفهای آتشفشانی در کنار منابع رطوبتی بالا باعث شده که ارتفاعات کوههای گنجگاه و اسلام آباد در محدوده جنوب غربی حوضه از قابلیت بالایی در رخداد زمین لغزش برخوردار شوند.

landslide suscaptibility mapping to used of MLP(BP)

Landslide represents morphodynamic processes that occur in steep terrain and the residential, industrial, gardens and arable land damage. In this study, the zoning landslide in the basin Songurchay Multilayer Perceptron model was used. For this purpose, the data of 124 landslides were identified and presented to the system. In addition to processing landslide in the software MATLAB, 7 layers of layers of slope, aspect, DEM, lithology, hydrographic network, NDVI and the distribution of landslides in Arc GIS software was drawn. Layers based on the normalized value for each layer in the range between 1 and zero respectively. Then 80% of the data for training and 20% for test data selection and the structure of the multilayer perceptron model were analyzed. Due to the nonlinear relationship between the phenomenon of landslides sigmoid transfer function was used. For this study, the number of neurons in the middle layer was changed from 5 to 20 and 18 neuron network with minimal error in the training and testing was. The learning rate of weight change in control, from 0.1 to 0.3 was tested with the 0.3 network to achieve the best learning. Finally, with respect to the weight of the output, landslide zonation map was drawn. The results showed that the geological structure of the mountains made of high potential benefit in the event of landslides.