جلد 12، شماره 1 - ( جلد 12، شماره 1 بهار 1397 )
جلد 12 شماره 1 صفحات 182-153 |
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:
nayyeri H, Karami M. Combination AHP and Neural Network Model to landslide Hazard Zonation (Case Study city of Bijar) . Journal of Engineering Geology 2018; 12 (1) :153-182
URL: http://jeg.khu.ac.ir/article-1-2783-fa.html
URL: http://jeg.khu.ac.ir/article-1-2783-fa.html
نیری هادی، کرمی محمدرضا. تلفیق مدل فرایند تحلیل سلسله مراتبی و شبکه‌های عصبی به‌منظور پهنهبندی خطر وقوع زمین‌لغزش (مطالعۀ موردی شهرستان بیجار). نشریه زمین شناسی مهندسی. 1397; 12 (1) :153-182
1- دانشگاه کردستان، دانشکدۀ منابع طبیعی، گروه ژئومورفولوژی
2- دانشگاه پیام نور، گروه جغرافیا و برنامه‌ریزی شهری
2- دانشگاه پیام نور، گروه جغرافیا و برنامه‌ریزی شهری
چکیده: (5526 مشاهده)
شناسایی محدوده‌های مستعد زمین‌لغزش در عمران شهری و منطقهای دارای اهمیت ویژه‌ای است. در این مقاله به پهنهبندی میزان حساسیت به زمین‌لغزش با استفاده از شبکه عصبی مصنوعی و تحلیل سلسله مراتبی اقدام شده است. این پهنهبندی و تحلیل با استفاده از شبکه‌های عصبی مصنوعی که قادر به شناسایی روابط پیچیده بین حرکات تودهای و هدف یعنی عوامل پهنۀ حساسیت، به‌منظور شناسایی مناطق ناپایدار صورت گرفته است. روش تحلیل سلسله مراتبی برای بهبود نمونه آموزش، در سیستم اطلاعات جغرافیایی انجام‌شده است. پیش‌پردازش با استفاده از روش تحلیل سلسله مراتبی دادهها برای انتخاب پیکسل‌های مناطق بدون لغزش و کمک به بهبود قابلیت پیشبینی روش شبکۀ عصبی که یک مدل جعبه سیاه است انجام شده است. این روش در شهرستان بیجار در شمال شرق استان کردستان که پتانسیل زیادی برای حرکات دامنه‌ای دارد، باهدف پهنهبندی زمین‌لغزش به‌عنوان یکی از حرکات دامنه‌ای اعمال شد. بدین‌منظور ابتدا بررسی‌های کتابخانه‌ای برای شناسایی معیارهای تأثیرگذار در این فرایند انجام گرفت بر اساس پژوهش‌ها، متغیرهای لیتولوژی، فاصله از گسل، جهت شیب، کاربری اراضی، فاصله از رودخانه، فاصله از خطوط ارتباطی، شیب، ارتفاع و شبکه زهکش مهم‌ترین فاکتورهای مؤثر بر زمین‌لغزش محسوب میشوند که در این تحقیق ارزیابی شدند. برای ارزیابی این متغیرها در شبکۀ عصبی پرسپترون با ساختار نه لایه ورودی، دولایه پنهان و نه گره در هر دولایه با میزان یادگیری01/ با دو تابع سیگموئید و خطی به‌عنوان ساختار بهینه با آزمون و خطا پذیرفته شد برسی این متغیرها با استفاده از شبکه عصبی نشان‌دهندۀ آن است که بیش از 60 درصد از منطقه بررسی شده جزء مناطق با قابلیت زمین‌لغزش زیاد است. به‌منظور صحتسنجی این مدل‌ها از دادههای مشاهدهای موجود استفاده‌شده که حاکی از موفقیت و کارایی هر دو تابع با اولویت اندک تابع سیگموئید است.
نوع مطالعه: مقاله پژوهشی |
موضوع مقاله:
زمین شناسی مهندسی
دریافت: 1397/3/1 | پذیرش: 1397/3/1 | انتشار: 1397/3/1
دریافت: 1397/3/1 | پذیرش: 1397/3/1 | انتشار: 1397/3/1
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
