دوره ۱۱، شماره ۴ - ( ۱۲-۱۴۰۳ )
جلد ۱۱ شماره ۴ صفحات ۰-۰ |
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. ۱۴۰۳; ۱۱ (۴)
۱- دانشگاه محقق اردبیلی ، s.asghari@uma.ac.ir
۲- دانشگاه محقق اردبیلی
۲- دانشگاه محقق اردبیلی
چکیده: (۷۱۴ 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.
فهرست منابع
۱. اسفندیاری درآباد، فریبا؛ وهاب‌زاده، مهرداد؛ شیخلر، زهره و بهروز ظافت تکله. ۱۴۰۳. شناسایی عوامل مؤثر بر زمین‌لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP ، جغرافیا و مخاطرات محیطی، , () -. doi: ۱۰,۲۲۰۶۷/geoeh.۲۰۲۴.۸۷۴۰۹.۱۴۷
۲. اصغری سراسکانرود، صیاد و الناز پیروزی. ۱۴۰۱. ارزیابی مقایسه‌ای الگوریتم‌های تصمیم‌گیری چند معیاره WLC، OWA، VIKOR و MABAC در پهنه‌بندی خطر زمین‌لغزش مطالعه موردی: حوضه گیوی‌چای استان اردبیل، پژوهش‌های جغرافیای طبیعی، ۵۴(۱): ۶۵_۹۴.
۳. اصغری سراسکانرود، صیاد؛ امامی، راشد و الناز پیروزی. ۱۴۰۰. ارزیابی و پهنه‌بندی خطر زمین‌لغزش با استفاده از روش های OWA و ANN (مطالعه‌ی موردی: شهرستان پاوه)، مخاطرات محیط طبیعی، ۱۰(۲۸ ): ۱۳۱-۱۵۰.
۴. حاتمی‌فرد، رامین؛ موسوی، سیدحجت و مسعود علیمرادی. ۱۳۹۱. پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل AHP و تکنیک GIS در شهرستان خرم آباد، جغرافیا و برنامه‌ریزی محیطی (مجله پژوهشی علوم انسانی دانشگاه اصفهان)، دوره ۲۳، شماره ۴۷، صص ۴۳-۶۰.
۵. زارعی، مهدی؛ مرادی، حدیث؛ علوینیا، سید حسن و کاظم علی‌آبادی. ارزیابی و پهنه‌بندی خطر وقوع زمین‌لغزش در حوزه آبخیز بیونیژ، استان کرمانشاه، مطالعات جغرافیایی مناطق کوهستانی، ۴ (۱): ۱۶۹-۱۸۸
۶. زرگانی، زینب و هیوا علمیزاده. ۱۴۰۳. پهنه‌بندی مناطق مستعد رخداد زمین‌لغزش و بررسی تاثیر زمین‌شناسی منطقه در حوضه مسجدسلیمان با استفاده ازGIS ، هفدهمین همایش ملی پژوهش‌های مدیریت و علوم‌انسانی در ایران،تهرانhttps://civilica.com/doc/۲۰۱۷۲۲.
۷. صدیقی، حدیثه و احمدرضا اسمی. ۱۴۰۲. مدل‌سازی خطر وقوع زمین لغزش با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: استان چهار محال و بختیاری، پژوهش‌های دانش زمین. ۱۴(۴): ۴۲_۶۰
۸. علی پور، حمید و آرش ملکیان. ۱۳۹۴. پهنه‌بندی خطر زمین‌لغزش در حوزه آبخیز جهان اسفراین خراسان شمالی، جغرافیا و توسعه، ۱۳(۳۹)، ۱۶۵-۱۸۰.
۹. کریمی سنگچینی، ابراهیم؛ دسترنج ، علی؛ آرامی، سیدحسین؛ شادفر، صمد و ایرج ویسکرمی. ۱۴۰۳. کاربرد الگوریتم یادگیری ماشین بیشینه آنتروپی در پهنه‌بندی خطر زمین‌لغزش حوزه آبخیز کرگانه، استان لرستان، مجله علوم ومهندسی آبخیزداری ایران، ۱۸ (۶۴) :۵۰-۶۳
۱۰. مددی، عقیلو داور تقی‌زاده. ۱۴۰۳. پهنه‌بندی خطر وقوع زمین لغزش درگردنه صائین (محور ارتباطی شهر اردبیل- سراب، جغرافیا و روابط انسانی, (), -. doi: ۱۰,۲۲۰۳۴/gahr.۲۰۲۳.۴۲۲۶۸۴.۱۹۷۵
۱۱. منهاج، محمدباقر. ۱۳۸۸، مبانی شبکه‌های عصبی ، تهران:انتشارات دانشگاه صنعتی امیرکبیر، چاپ سوم، صص ۱۴۰-۹۸.
۱۲. وهاب زاده، مهرداد؛ اسفندیاری درآباد، فریبا و مسعود رحیمی. ۱۴۰۳. مقایسه عملکرد مدل‌های مختلف یادگیری ماشینی در پهنه‌بندی خطر ریزش بهمن در جاده خلخال به شاهرود، پژوهش‌های ژئومورفولوژی کمّی, (), -. doi: ۱۰,۲۲۰۳۴/gmpj.۲۰۲۴.۴۴۸۹۶۶.۱۴۹۳
۱۳. وهاب‌زاده، مهرداد. ۱۴۰۲. پهنه‌بندی مخاطرات دامنه‌ای در جاده خلخال به شاهرود با استفاده از سیستم شبکه عصبی مصنوعی، پایان نامه کارشناسی ارشد ژئومورفولوژی و برنامه‌ریزی محیطی، دانشگاه محقق اردبیلی.
۱۶. اسفندیاری درآباد، فریبا؛ وهاب‌زاده، مهرداد؛ شیخلر، زهره و بهروز ظافت تکله. ۱۴۰۳. شناسایی عوامل مؤثر بر زمین‌لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP ، جغرافیا و مخاطرات محیطی، , () -. doi: ۱۰,۲۲۰۶۷/geoeh.۲۰۲۴.۸۷۴۰۹.۱۴۷
۱۷. اصغری سراسکانرود، صیاد و الناز پیروزی. ۱۴۰۱. ارزیابی مقایسه‌ای الگوریتم‌های تصمیم‌گیری چند معیاره WLC، OWA، VIKOR و MABAC در پهنه‌بندی خطر زمین‌لغزش مطالعه موردی: حوضه گیوی‌چای استان اردبیل، پژوهش‌های جغرافیای طبیعی، ۵۴(۱): ۶۵_۹۴.
۱۸. اصغری سراسکانرود، صیاد؛ امامی، راشد و الناز پیروزی. ۱۴۰۰. ارزیابی و پهنه‌بندی خطر زمین‌لغزش با استفاده از روش های OWA و ANN (مطالعه‌ی موردی: شهرستان پاوه)، مخاطرات محیط طبیعی، ۱۰(۲۸ ): ۱۳۱-۱۵۰.
۱۹. حاتمی‌فرد، رامین؛ موسوی، سیدحجت و مسعود علیمرادی. ۱۳۹۱. پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل AHP و تکنیک GIS در شهرستان خرم آباد، جغرافیا و برنامه‌ریزی محیطی (مجله پژوهشی علوم انسانی دانشگاه اصفهان)، دوره ۲۳، شماره ۴۷، صص ۴۳-۶۰.
۲۰. زارعی، مهدی؛ مرادی، حدیث؛ علوینیا، سید حسن و کاظم علی‌آبادی. ارزیابی و پهنه‌بندی خطر وقوع زمین‌لغزش در حوزه آبخیز بیونیژ، استان کرمانشاه، مطالعات جغرافیایی مناطق کوهستانی، ۴ (۱): ۱۶۹-۱۸۸
۲۱. زرگانی، زینب و هیوا علمیزاده. ۱۴۰۳. پهنه‌بندی مناطق مستعد رخداد زمین‌لغزش و بررسی تاثیر زمین‌شناسی منطقه در حوضه مسجدسلیمان با استفاده ازGIS ، هفدهمین همایش ملی پژوهش‌های مدیریت و علوم‌انسانی در ایران،تهرانhttps://civilica.com/doc/۲۰۱۷۲۲.
۲۲. صدیقی، حدیثه و احمدرضا اسمی. ۱۴۰۲. مدل‌سازی خطر وقوع زمین لغزش با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: استان چهار محال و بختیاری، پژوهش‌های دانش زمین. ۱۴(۴): ۴۲_۶۰
۲۳. علی پور، حمید و آرش ملکیان. ۱۳۹۴. پهنه‌بندی خطر زمین‌لغزش در حوزه آبخیز جهان اسفراین خراسان شمالی، جغرافیا و توسعه، ۱۳(۳۹)، ۱۶۵-۱۸۰.
۲۴. کریمی سنگچینی، ابراهیم؛ دسترنج ، علی؛ آرامی، سیدحسین؛ شادفر، صمد و ایرج ویسکرمی. ۱۴۰۳. کاربرد الگوریتم یادگیری ماشین بیشینه آنتروپی در پهنه‌بندی خطر زمین‌لغزش حوزه آبخیز کرگانه، استان لرستان، مجله علوم ومهندسی آبخیزداری ایران، ۱۸ (۶۴) :۵۰-۶۳
۲۵. مددی، عقیلو داور تقی‌زاده. ۱۴۰۳. پهنه‌بندی خطر وقوع زمین لغزش درگردنه صائین (محور ارتباطی شهر اردبیل- سراب، جغرافیا و روابط انسانی, (), -. doi: ۱۰,۲۲۰۳۴/gahr.۲۰۲۳.۴۲۲۶۸۴.۱۹۷۵
۲۶. منهاج، محمدباقر. ۱۳۸۸، مبانی شبکه‌های عصبی ، تهران:انتشارات دانشگاه صنعتی امیرکبیر، چاپ سوم، صص ۱۴۰-۹۸.
۲۷. وهاب زاده، مهرداد؛ اسفندیاری درآباد، فریبا و مسعود رحیمی. ۱۴۰۳. مقایسه عملکرد مدل‌های مختلف یادگیری ماشینی در پهنه‌بندی خطر ریزش بهمن در جاده خلخال به شاهرود، پژوهش‌های ژئومورفولوژی کمّی, (), -. doi: ۱۰,۲۲۰۳۴/gmpj.۲۰۲۴.۴۴۸۹۶۶.۱۴۹۳
۲۸. وهاب‌زاده، مهرداد. ۱۴۰۲. پهنه‌بندی مخاطرات دامنه‌ای در جاده خلخال به شاهرود با استفاده از سیستم شبکه عصبی مصنوعی، پایان نامه کارشناسی ارشد ژئومورفولوژی و برنامه‌ریزی محیطی، دانشگاه محقق اردبیلی.
29. Bishop, K. M.1999. Determination of translational landslide slip surface depth using balanced cross sections, Environmental & Engineering Geoscience., (2): 147-156.
30. Gómez, Derly, Edwin F. García., Edier Aristizábal. "Spatial and temporal landslide distributions using global and open landslide databases." Natural Hazards 117.1 (2023): 25-55.
31. Huang, Faming, et al. "Modelling landslide susceptibility prediction: a review and construction of semi-supervised imbalanced theory." Earth-Science Reviews (2024): 104700.
32. Liu, X., Shao, S., Shao, S. (2024). Landslide susceptibility zonation using the analytical hierarchy process (AHP) in the Great Xi’an Region, China. Scientific reports, 14(1), 2941.
33. Casagli, Nicola, et al. "Landslide detection, monitoring and prediction with remote-sensing techniques." Nature Reviews Earth & Environment 4.1 (2023): 51-64.
34. Delshadpour, S. Improved MLP Neural Network as Chromosome Classifier. In Proceedings of the IEEE EMBS Asian-Pacific Conference on Biomedical Engineering, Osaka-Nara, Japan, 20–22 October 2003; pp. 324–325. [Google Scholar]
35. Demuth, H., Beale, M., 2000. “Neural Network Toolbox User’s Guide”. Copyright 1992-2002, BT the Math Works, Inc, Version 4, 840P.
36. Ermini, L., Catani, F., & Casagli, N. (2005). Artificial neural networks applied to landslide susceptibility assessment. geomorphology, 66(1-4), 327-343.
37. Guzzetti, F. , Reichenbach, P. , Ardizzone, F. , Cardinali, M. , & Galli, M. (2006). Estimating the quality of landslide susceptibility models. Geomorphology, 81(1-2), 166-184. https://www.sciencedirect.com/science/article/abs/pii/S0169555X06001371
38. Huat, B. B., & Jamaludin, S. (2005). Evaluation of slope assessment system in predicting landslides along roads underlain by granitic formation. American Journal of Environmental Sciences, 1(2), 90-96.
39. Jaccard, C. J., Abbruzzese, J. M., & Howald, E. P. (2020). An evaluation of the performance of rock fall protection measures and their role in hazard zoning. Natural Hazards, 104, 459-491. doi.org/10.1007/s11069-020-04177-4.
40. Li, D., Huang, F., Yan, L., Cao, Z., Chen, J., & Ye, Z. (2019). Landslide susceptibility prediction using particle-swarm-optimized multilayer perceptron: Comparisons with multilayer-perceptron-only, bp neural network, and information value models. Applied Sciences, 9(18), 3664.
41. LI, D., QU, W., ZHANG, Q., LI, J., & LING, Q. (2023). Landslide Displacement Prediction Model Integrating Multi-layer Perceptron and Optimized Support Vector Regression. Geomatics and Information Science of Wuhan University, 48(8), 1380-1388.
42. Meten, M., PrakashBhandary, N. and Yatabe, R., 2015. Effect of landslide factor combinations on the prediction accuracy of landslide susceptibility maps in the Blue Nile Gorge of Central Ethiopia, Geoenvironmental Disasters, v. 2(1), p. 1-17.
43. Xu, Q., Zhao, B., Dai, K., Dong, X., Li, W., Zhu, X., ... & Ge, D. (2023). Remote sensing for landslide investigations: A progress report from China. Engineering Geology, 321, 107156.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
