دوره 11، شماره 4 - ( 12-1403 ) جلد 11 شماره 4 صفحات 0-0 | برگشت به فهرست نسخه ها

Asgari S, shadfar S. Landslide risk zoning using artificial neural network (ANN) in Mishkhas watershed of Ilam. Journal of Spatial Analysis Environmental Hazards 2025; 11 (4)
URL: http://jsaeh.khu.ac.ir/article-1-3453-fa.html

عسگری شمس اله، شادفر صمد. پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی در حوضه آبخیز میشخاص ایلام. تحلیل فضایی مخاطرات محیطی. 1403; 11 (4)

URL: http://jsaeh.khu.ac.ir/article-1-3453-fa.html

پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی در حوضه آبخیز میشخاص ایلام

شمس اله عسگری

¹، صمد شادفر²

1- استادیار بخش تحقیقات منابع طبیعی و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان ایلام، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران. ، Shamsasgari@yahoo.com
2- دانشیار پژوهشکده حفاظت خاک و آبخیزداری ، سازمان تحقیقات، آموزش و ترویج کشاورزی تهران، ایران.

چکیده: (176 مشاهده)

زﻣﻴﻦﻟﻐﺰشﻫﺎ، یکی از مخاطرات طبیعی هستند که جان و مال انسانها را تهدید می کنند. زمین لغزش ممکن است در یک منطقه ده‌ها، صدها و شاید هزارن هکتار از اراضی را در زمانی کوتاه تخریب نماید. این مخاطره سالهاست که در منطقه کوهستانی میشخاص استان ایلام، اراضی ‌باغ میوه، مزارع، عرصه‌های جنگلی و مراتع، راه‌های ارتباطی، سکونتگاه‌های روستایی را تخریب نموده است. پهنه‌بندی خطر زمین‌لغزش جهت کنترل این مخاطره در این حوضه ضرورت دارد. هدف اصلی این تحقیق پهنه‌بندی مناطق خطر زمین‌لغزش در این حوضه آبخیز می باشد. یکی از روش‌های نوین جهت بررسی خطر زمین‌لغزش، روش شبکه عصبی مصنوعی می‌باشد .این روش نسبت به روش‌های دیگر دارای مزیت‌هایی است، توزیع آماری داده‌ها مستقل است و به متغیرهای آماری مخصوصی نیاز ندارد. در این تحقیق، ابتدا اقدام به تهیه نقشه پراکنش زمین‌لغزش در حوضه انتخابی گردید. سپس ارتباط بین متغیرهای مستقل مانند شیب، سنگ شناسی، فاصله از گسل، کاربری اراضی، فاصله از شبکه راه‌ها، فاصله از آبراهه‌ها، جهت شیب با مناطق تحت‌تاثیر زمین لغزش مورد بررسی قرار گرفت. پس از تهیه نقشه‌های وزنی، این لایه‌ها در محیط نرم‌افزار ArcGIS به اطلاعات عددی تبدیل و پس از استاندارد کردن به نرم افزار MATLAB وارد شده و برنامه‌ای با ساختار پرسپترون با الگوریتم یادگیری پس انتشار خطا، نوشته شد. بعد از مشخص شدن ساختار شبکه عصبی مصنوعی و آموزش و آزمایش آن، نتایج مورد ارزیابی و خروجی شبکه در محیط سیستم‌های اطلاعات جغرافیایی، تبدیل به نقشه خطر زمین لغزش شد. نقشه خطر حاصله به پهنه‌های مختلف خطر، طبقه‌بندی و مقدار زمین‌لغزش در هر پهنه آن محاسبه گردید. نتایج حاصل از بررسی عوامل نشان داد که در حوضه میشخاص ایلام سازند آسماری، طبقه شیب 10تا20 درصد، طبقه فاصله از گسل بیشتر از 500 متر، جهت شمال شرق، فاصله از آبراهه‌های بیشتر از 100 متر، باغات میوه حساس‌ترین کاربری‌ها و فاصله ازجاده بیشتر از 200 متر، حساس‌ترین طبقات نسبت به وقوع زمین‌لغزش و دارای بیشترین نسبت فراوانی وقوع زمین‌لغزش در حوضه می باشند. از سوی دیگر، نتایج حاصل از پهنه‌بندی خطر زمین‌لغزش با استفاده از روش شبکه عصبی مصنوعی نشان داد در حوضه میشخاص ایلام حدود 80 درصد زمین لغزش‌ها در پهنه‌های خطر زیاد و خیلی زیاد قرار گرفته‌اند.

واژه‌های کلیدی: پهنه بندی، شبکه عصبی مصنوعی، پرسپترون، پس انتشار خطا، زمین لغزش

نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1403/3/31 | پذیرش: 1403/12/21 | انتشار: 1403/12/21

ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
	این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.