Volume 11, Issue 4 (2-2025)
Journal of Spatial Analysis Environmental Hazards 2025, 11(4): 0-0 |
Back to browse issues page
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-en.html
URL: http://jsaeh.khu.ac.ir/article-1-3463-en.html
1- University of Mohaghegh Ardabili , s.asghari@uma.ac.ir
2- University of Mohaghegh Ardabili
2- University of Mohaghegh Ardabili
Abstract: (744 Views)
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.
Type of Study: Research |
Subject:
General
Received: 2024/10/13 | Accepted: 2025/03/5 | Published: 2025/03/11
Received: 2024/10/13 | Accepted: 2025/03/5 | Published: 2025/03/11
References
1. Bishop, K. M.1999. Determination of translational landslide slip surface depth using balanced cross sections, Environmental & Engineering Geoscience., (2): 147-156.
2. 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.
3. Huang, Faming, et al. "Modelling landslide susceptibility prediction: a review and construction of semi-supervised imbalanced theory." Earth-Science Reviews (2024): 104700.
4. 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.
5. Casagli, Nicola, et al. "Landslide detection, monitoring and prediction with remote-sensing techniques." Nature Reviews Earth & Environment 4.1 (2023): 51-64.
6. 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]
7. Demuth, H., Beale, M., 2000. “Neural Network Toolbox User’s Guide”. Copyright 1992-2002, BT the Math Works, Inc, Version 4, 840P.
8. Ermini, L., Catani, F., & Casagli, N. (2005). Artificial neural networks applied to landslide susceptibility assessment. geomorphology, 66(1-4), 327-343.
9. 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
10. 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.
11. 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.
12. 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.
13. 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.
14. 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.
15. 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.
16. اسفندیاری درآباد، فریبا؛ وهاب‌زاده، مهرداد؛ شیخلر، زهره و بهروز ظافت تکله. 1403. شناسایی عوامل مؤثر بر زمین‌لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP ، جغرافیا و مخاطرات محیطی، , () -. doi: 10.22067/geoeh.2024.87409.147
17. اصغری سراسکانرود، صیاد و الناز پیروزی. 1401. ارزیابی مقایسه‌ای الگوریتم‌های تصمیم‌گیری چند معیاره WLC، OWA، VIKOR و MABAC در پهنه‌بندی خطر زمین‌لغزش مطالعه موردی: حوضه گیوی‌چای استان اردبیل، پژوهش‌های جغرافیای طبیعی، 54(1): 65_94.
18. اصغری سراسکانرود، صیاد؛ امامی، راشد و الناز پیروزی. 1400. ارزیابی و پهنه‌بندی خطر زمین‌لغزش با استفاده از روش های OWA و ANN (مطالعه‌ی موردی: شهرستان پاوه)، مخاطرات محیط طبیعی، 10(28 ): 131-150.
19. حاتمی‌فرد، رامین؛ موسوی، سیدحجت و مسعود علیمرادی. 1391. 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 23، شماره 47، صص 43-60.
20. 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
21. زرگانی، زینب و هیوا علمیزاده. 1403. 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/201722.
22. صدیقی، حدیثه و احمدرضا اسمی. 1402. مدل‌سازی خطر وقوع زمین لغزش با استفاده از مدل رگرسیون لجستیک (مطالعه موردی: استان چهار محال و بختیاری، پژوهش‌های دانش زمین. 14(4): 42_60
23. علی پور، حمید و آرش ملکیان. 1394. پهنه‌بندی خطر زمین‌لغزش در حوزه آبخیز جهان اسفراین خراسان شمالی، جغرافیا و توسعه، 13(39)، 165-180.
24. کریمی سنگچینی، ابراهیم؛ دسترنج ، علی؛ آرامی، سیدحسین؛ شادفر، صمد و ایرج ویسکرمی. 1403. کاربرد الگوریتم یادگیری ماشین بیشینه آنتروپی در پهنه‌بندی خطر زمین‌لغزش حوزه آبخیز کرگانه، استان لرستان، مجله علوم ومهندسی آبخیزداری ایران، ۱۸ (۶۴) :۵۰-۶۳
25. مددی، عقیلو داور تقی‌زاده. 1403. پهنه‌بندی خطر وقوع زمین لغزش درگردنه صائین (محور ارتباطی شهر اردبیل- سراب، جغرافیا و روابط انسانی, (), -. doi: 10.22034/gahr.2023.422684.1975
26. منهاج، محمدباقر. 1388، مبانی شبکه‌های عصبی ، تهران:انتشارات دانشگاه صنعتی امیرکبیر، چاپ سوم، صص 140-98.
27. وهاب زاده، مهرداد؛ اسفندیاری درآباد، فریبا و مسعود رحیمی. 1403. مقایسه عملکرد مدل‌های مختلف یادگیری ماشینی در پهنه‌بندی خطر ریزش بهمن در جاده خلخال به شاهرود، پژوهش‌های ژئومورفولوژی کمّی, (), -. doi: 10.22034/gmpj.2024.448966.1493
28. وهاب‌زاده، مهرداد. 1402. 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.
Send email to the article author
| Rights and permissions | |
 | This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License. |
