fa پهنه‌بندی خطر وقوع زمین‌لغزش در جاده ماسال به گیلوان با استفاده از الگوریتم شبکه عصبی عمومى General پژوهشي Research <span style="font-size:11pt"><span style="line-height:115%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span sans-serif="" style="font-family:Calibri,"><b><span lang="FA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">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 </span></span></span></b><b><span lang="AR-SA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">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 </span></span></span></b><b><span lang="FA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">می‌باشد. و صحت‌سنجی نهایی از خروجی با استفاده از نمودار </span></span></span></b><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%"><span new="" roman="" style="font-family:" times="">ROC</span></span></span><b> </b><b><span lang="FA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">نشان داد که</span></span></span></b><b> </b><b><span lang="FA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">مقدار </span></span></span></b><span dir="LTR" style="font-size:9.0pt"><span style="line-height:115%"><span new="" roman="" style="font-family:" times="">AUC</span></span></span><b> </b><b><span lang="FA" style="font-size:10.0pt"><span style="line-height:115%"><span b="" nazanin="" style="font-family:">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.</span></span></span></b></span></span></span></span></span><br> &nbsp; <span style="font-size:11pt"><span style="line-height:normal"><span sans-serif="" style="font-family:Calibri,"><span style="font-size:12.0pt"><span new="" roman="" style="font-family:" times="">Landslides, as one of the most dangerous natural hazards in mountainous regions, continuously threaten human infrastructure, especially roads and transportation routes. Their occurrence often results in significant loss of life and property, making it crucial to study and assess landslide hazards for effective zoning. The purpose of this research is to zone the landslide hazard along the Masal to Gilvan road using a neural network algorithm. The neural network algorithm is recognized as one of the most effective machine learning models, capable of solving complex problems in prediction and classification despite its simplicity. For this zoning analysis, nine influencing factors were considered: (1) geology, (2) vegetation cover, (3) slope, (4) land use, (5) distance from the road, (6) slope aspect, (7) elevation, (8) distance from fault lines, and (9) distance from rivers. The data were prepared, preprocessed, and then entered into MATLAB 2018. A neural network model was designed and implemented with 9 input neurons, 8 hidden neurons, and 1 output neuron. The results indicated that the four most influential factors, ranked by weight, were: slope (0.24), vegetation cover (0.17), distance from fault lines (0.14), and geology (0.11). Final validation using the ROC curve showed that the AUC values were 0.854 for the training phase and 0.971 for the testing phase, both of which reflect highly favorable results. The error rate was found to be very low.</span></span></span></span></span><br> &nbsp; ‌پهنه‌بندی, زمین‌لغزش, شبکه عصبی, یادگیری ماشین Zoning, Landslide, Neural Network, Algorithm 45 60 http://jsaeh.khu.ac.ir/browse.php?a_code=A-10-387-9&slc_lang=fa&sid=1 sayyad Asghari Sarasekanrood صیاد اصغری سراسکانرود s.asghari@uma.ac.ir 100319475328460012453 100319475328460012453 Yes University of Mohaghegh Ardabili دانشگاه محقق اردبیلی zahra sharifi زهرا شریفی zahra_sharifi1364@yahoo.com 100319475328460012454 100319475328460012454 No University of Mohaghegh Ardabili دانشگاه محقق اردبیلی zahra shahbazi زهرا شهبازی zahra.shahbazi771@gmail.com 100319475328460012455 100319475328460012455 No University of Mohaghegh Ardabili دانشگاه محقق اردبیلی