جلد 12، شماره 1 - ( جلد 12، شماره 1 بهار 1397 )                   جلد 12 شماره 1 صفحات 182-153 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
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
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

URL: http://jeg.khu.ac.ir/article-1-2783-fa.html


1- دانشگاه کردستان، دانشکدۀ منابع طبیعی، گروه ژئومورفولوژی
2- دانشگاه پیام نور، گروه جغرافیا و برنامه‌ریزی شهری
چکیده:   (4490 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 بهشناسایی 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.
متن کامل [PDF 1384 kb]   (3056 دریافت)    
نوع مطالعه: مقاله پژوهشی | موضوع مقاله: زمین شناسی مهندسی
دریافت: 1397/3/1 | پذیرش: 1397/3/1 | انتشار: 1397/3/1

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به نشریه زمین شناسی مهندسی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Engineering Geology

Designed & Developed by : Yektaweb