دوره 11، شماره 4 - ( 12-1403 )
جلد 11 شماره 4 صفحات 0-0 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Asghari Sarasekanrood S, sharifi Z, shahbazi Z. Zoning Landslide Hazard in the Masal to Gilvan Road Using a Neural Network Algorithm. Journal of Spatial Analysis Environmental Hazards 2025; 11 (4)
URL: http://jsaeh.khu.ac.ir/article-1-3463-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3463-fa.html
اصغری سراسکانرود صیاد، شریفی زهرا، شهبازی زهرا. پهنه‌بندی خطر وقوع زمین‌لغزش در جاده ماسال به گیلوان با استفاده از الگوریتم شبکه عصبی. تحلیل فضایی مخاطرات محیطی. 1403; 11 (4)
1- دانشگاه محقق اردبیلی ، s.asghari@uma.ac.ir
2- دانشگاه محقق اردبیلی
2- دانشگاه محقق اردبیلی
چکیده: (216 مشاهده)
زمین‌لغزش به‌عنوان یکی از خطرناک‌‌ترین مخاطرات طبیعی در نواحی کوهستانی همواره تأسیسات انسانی به‌ویژه جاده‌ها و محورهای ارتباطی را تهدید می‌کند و رخداد آن خسارات جانی و مالی بسیاری را همراه دارد لذا مطالعه و شناخت این مخاطره در جهت پهنه‌بندی خطر وقوع آن امری ضروری است. هدف از این پژوهش پهنه‌بندی خطر وقوع زمین‌لغزش در جاده ماسال به گیلوان با استفاده از الگوریتم شبکه عصبی می‌باشد. الگوریتم شبکه عصبی جزوه یکی از بهترین مدل‌های یادگیری ماشینی شناخته می‌شود که در عین سادگی توانایی حل مسائل پیچیده در امر پیش‌بینی و طبقه‌بندی را دارد. لذا در این جهت برای پهنه‌بندی خطر وقوع زمین‌لغزش 9 عامل تأثیرگذار به ترتیب: 1- زمین‌شناسی 2-پوشش گیاهی 3- شیب 4- کاربری اراضی 5- فاصله از جاده 6-جهت شیب 7- ارتفاع 8- فاصله از گسل 9- فاصله از رودخانه استفاده‌شده است. بنابراین داده‌ها بعد از تهیه و پیش‌پردازی وارد نرم‌افزار متلب 2018 شده و مدل‌سازی الگوریتم شبکه عصبی با 9 نورون ورودی 8 نورون میانه و 1 نورون خروجی طراحی و اجراشده و نتایج نشان داد که چهار عامل که بیش‌ترین ارزش وزنی را داشته به ترتیب مربوط به لایه‌های شیب با مقدار 24/0 درصد، پوشش گیاهی با مقدار 17/0 درصد، عامل فاصله از گسل با مقدار 14/0 درصد، زمین‌شناسی با مقدار 11/0 می‌باشد. و صحت‌سنجی نهایی از خروجی با استفاده از نمودار ROC نشان داد که مقدار AUC عدد 854/0 در بخش آموزش و 971/0 در بخش تست شبکه هر دو در حالت بسیار مطلوب قرار دارند و میزان خطا بسیار پایین است.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
