دوره 8، شماره 2 - ( 6-1400 )
جلد 8 شماره 2 صفحات 70-55 |
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:
hejazi A, naseri A. Zoning the possibility of landslides downstream of Sanandaj Dam. Journal of Spatial Analysis Environmental Hazards 2021; 8 (2) :55-70
URL: http://jsaeh.khu.ac.ir/article-1-3175-fa.html
URL: http://jsaeh.khu.ac.ir/article-1-3175-fa.html
حجازی اسداله، رضایی مقدم محمدحسین، ناصری عدنان. پهنه بندی احتمال وقوع زمین لغزش در پایین دست سد سنندج. تحلیل فضایی مخاطرات محیطی. 1400; 8 (2) :55-70
1- دانشگاه تبریز ، s.hejazi@tabrizu.ac.ir
2- دانشگاه تبریز
2- دانشگاه تبریز
چکیده: (5577 مشاهده)
هدف از این پژوهش انتخاب بهترین مدل و شناسایی پهنه های خطر زمین لغزش در حوضه های پایین دست سد سنندج است. منطقه مورد مطالعه به مساحت 7/970 کیلومتر مربع در پایین دست سد سنندج قرار دارد و بر روی زون ساختاری سنندج - سیرجان واقع شده است. در این مطالعه از 9 عامل موثر بر زمین لغزش، شامل شیب، جهت شیب، فاصله از گسل، فاصله از جاده، فاصله از آبراهه، لیتولوژی، کاربری اراضی و بارش استفاده شد. با استفاده از تصاویر ماهواره ای Landsat 8 ETM ، تعداد ۲۳۷ نقطه لغزشی مشخص گردید. سپس نقشه پراکنش زمین لغزشهای منطقه تهیه شد. همچنین 89 نقطه غیرلغزشی، به منظور استفاده در مراحل آموزش و آزمایش شبکه عصبی پرسپترون در داخل شیبهای کمتر از 5 درجه مشخص شدند.
در مدل شبکه عصبی مصنوعی لایه ی میانی به صورت پیش فرض نرم افزار انتخاب شد. از 70 درصد زمین لغزشهای رخداده، جهت آموزش شبکه عصبی و از 30 درصد مابقی به عنوان داده های زمین مرجع جهت آزمایش و کالیبره کردن مدل استفاده شد. داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار نهایی شبکه دارای 9 نرون در لایه ورودی، 30 نرون در لایه میانی و 1 نرون در لایه خروجی است. در مدل AHP پس از محاسبه ی وزن نهایی زیرمعیارها، وزن های محاسبه شده را به جدول توصیفی لایه های اطلاعاتی عوامل موثر اضافه نموده و در نهایت نقشه ی پهنه بندی خطر زمین لغزش در منطقه بدست آمد.
پس از آماده سازی مدلها، منطقه ی مورد مطالعه با 9 متغیر ورودی تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. از 5 روش محاسبه میزان خطا جهت صحت سنجی مدلها استفاده شد. بر اساس مدل شبکه عصبی، حدود 31 درصد و مدل AHP ۳۵ درصد از منطقه در محدوده مناطق مطلوب جهت فعالیتهای انسانی قرار دارد. همچنین بر اساس مدل شبکه عصبی حدود 39 درصد و مدل AHP ۳۳ درصد از منطقه در محدوده مناطق نامطلوب و بسیار نامطلوب قرار گرفته اند. مناطق مخاطره آمیز عمدتا در غرب و جنوب غرب حوزه واقع شده اند. مقایسه نتایج صحت سنجی نشان می دهد که مدل شبکه عصبی پرسپترون دارای دقت بهتری نسبت به مدل تحلیل سلسله مراتبی است. بر اساس روش AHP پارامترهای شیب، لیتولوژی و کاربری اراضی بیشترین نقش را در وقوع زمین لغزش منطقه دارند.
در مدل شبکه عصبی مصنوعی لایه ی میانی به صورت پیش فرض نرم افزار انتخاب شد. از 70 درصد زمین لغزشهای رخداده، جهت آموزش شبکه عصبی و از 30 درصد مابقی به عنوان داده های زمین مرجع جهت آزمایش و کالیبره کردن مدل استفاده شد. داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار نهایی شبکه دارای 9 نرون در لایه ورودی، 30 نرون در لایه میانی و 1 نرون در لایه خروجی است. در مدل AHP پس از محاسبه ی وزن نهایی زیرمعیارها، وزن های محاسبه شده را به جدول توصیفی لایه های اطلاعاتی عوامل موثر اضافه نموده و در نهایت نقشه ی پهنه بندی خطر زمین لغزش در منطقه بدست آمد.
پس از آماده سازی مدلها، منطقه ی مورد مطالعه با 9 متغیر ورودی تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. از 5 روش محاسبه میزان خطا جهت صحت سنجی مدلها استفاده شد. بر اساس مدل شبکه عصبی، حدود 31 درصد و مدل AHP ۳۵ درصد از منطقه در محدوده مناطق مطلوب جهت فعالیتهای انسانی قرار دارد. همچنین بر اساس مدل شبکه عصبی حدود 39 درصد و مدل AHP ۳۳ درصد از منطقه در محدوده مناطق نامطلوب و بسیار نامطلوب قرار گرفته اند. مناطق مخاطره آمیز عمدتا در غرب و جنوب غرب حوزه واقع شده اند. مقایسه نتایج صحت سنجی نشان می دهد که مدل شبکه عصبی پرسپترون دارای دقت بهتری نسبت به مدل تحلیل سلسله مراتبی است. بر اساس روش AHP پارامترهای شیب، لیتولوژی و کاربری اراضی بیشترین نقش را در وقوع زمین لغزش منطقه دارند.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
