چکیده:
ﻫﺪف ﻧﻬﺎﯾﯽ از اﯾﻦ ﭘﮋوﻫﺶ اراﺋﻪ ﻧﻘﺸﻪ ﺧﻄﺮ زﻣﯿﻦ ﻟﻐﺰش ﺟﻬﺖ ارزﯾﺎﺑﯽ وﻗﻮع آن ﺑـﺎ اﺳـﺘﻔﺎده از روش ﺷـﺒﮑﻪ ﻋﺼـﺒﯽ ﻣﺼـﻨﻮﻋﯽ ﻣﯽ ﺑﺎﺷﺪ. ﺟﻬﺖ ارزﯾﺎﺑﯽ ﺷﺒﮑﻪ ﻋﺼﺒﯽ اﯾﺠﺎد ﺷﺪه، داده ﻫﺎی 32 زﻣﯿﻦ ﻟﻐﺰش اﺗﻔﺎق اﻓﺘﺎده ﺑﻪ ﺳﯿﺴﺘﻢ اراﺋﻪ ﮔﺮدﯾﺪ. اﯾﻦ ﭘﺎﯾﮕـﺎه داده ﺷـﺎﻣﻞ اﻃﻼﻋﺎت ﻣﺮﺑﻮط ﺑﻪ ﺷﯿﺐ، ﺟﻬﺖ ﺷﯿﺐ، ﻟﯿﺘﻮﻟﻮژی، ﻣﺪل ارﺗﻔﺎع رﻗﻮﻣﯽ) DEM (، ﻧﻘﺸﻪ ﻫﻢ ﺑـﺎران، ﻓﺎﺻـﻠﻪ از ﮔﺴـﻞ و ﮐـﺎرﺑﺮی اراﺿـﯽ ﻣﯽ ﺑﺎﺷﺪ. اﯾﻦ داده ﻫﺎ ﺟﻬﺖ ﺗﻐﺬﯾﻪ ﺑﻪ ﺷﺒﮑﻪ ﻋﺼﺒﯽ اﯾﺠﺎد ﺷﺪه، ﺑﺮ اﺳﺎس ﺑﺰرﮔﺘﺮﯾﻦ ﻣﻘﺪار ﻣﻮﺟﻮد ﻫﺮ داده در ﺑﺎﻧﮏ اﻃﻼﻋﺎﺗﯽ ﺑﯿﻦ ﺻﻔﺮ و ﯾﮏ ﻧﺮﻣﺎﻟﯿﺰه ﮔﺮدﯾﺪ. ﺳﭙﺲ داده ﻫﺎی ﻧﺮﻣﺎﻟﯿﺰه ﺷﺪه ﺑﻪ ﯾﮏ ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﺮﺳﭙﺘﺮون ﺳﻪ ﻻﯾﻪ ﺗﻐﺬﯾﻪ ﺷﻮﻧﺪه ﺑﻪ ﺟﻠﻮ) Feed forward (ﺑـﺎ اﻟﮕﻮرﯾﺘﻢ ﭘﺲ اﻧﺘﺸﺎر ﺧﻄﺎ) Back error propagation ﺗﻐﺬﯾﻪ ﮔﺮدﯾﺪ. داده ﻫﺎی ﻓـﻮق اﺑﺘـﺪا در ﺷـﺒﮑﻪ آﻣـﻮزش دﯾـﺪه و ﺳـﭙﺲ ﻣـﻮرد آزﻣﺎﯾﺶ ﻗﺮار ﮔﺮﻓﺘﻨﺪ. ﺳﺎﺧﺘﺎر ﻧﻬﺎﯾﯽ ﺷﺒﮑﻪ دارای 7 ﻧﺮون در ﻻﯾﻪ ورودی، 20 ﻧﺮون در ﻻﯾـﻪ ﻣﯿـﺎﻧﯽ و ﯾـﮏ ﻧـﺮون در ﻻﯾـﻪ ﺧﺮوﺟـﯽ ﻣﯽ ﺑﺎﺷﺪ. در اﯾﻦ ﺑﯿﻦ 80 درﺻﺪ اﻃﻼﻋﺎت ﺑﺮای آﻣﻮزش و 20 درﺻﺪ ﺑﺎﻗﯿﻤﺎﻧﺪه ﺑﺮای آزﻣﺎﯾﺶ در ﻧﻈﺮ ﮔﺮﻓﺘﻪ ﺷﺪ. دﻗﺖ ﺷﺒﮑﻪ در ﻣﺮﺣﻠﻪ آزﻣﺎﯾﺶ 91/25 درﺻﺪ ﺑﺮآورد ﮔﺮدﯾﺪ. ﺧﺮوﺟﯽ ﺑﻪ دﺳﺖ آﻣﺪه از ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﺑﺎ اﺧﺘﻼف 0/2 ﺑﻪ ﭘﻨﺞ ﭘﻬﻨﻪ ﺗﻘﺴﯿﻢ ﺑﻨﺪی ﺷﺪ. ﺑـﺮ اﺳـﺎس اﯾﻦ ﭘﻬﻨﻪ ﺑﻨﺪی 22/61، 39/45، 17/92، 11/52، 8/50 درﺻﺪ از ﻣﺴﺎﺣﺖ ﻣﻨﻄﻘﻪ ﺑﻪ ﺗﺮﺗﯿـﺐ در ﮐـﻼس ﻫـﺎی ﺧﻄـﺮ ﭘﺎﯾـﺪار، ﮐـﻢ ﺧﻄـﺮ، ﻣﺘﻮﺳﻂ، زﯾﺎد و ﺧﯿﻠﯽ زﯾﺎد ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ ﻧﺸﺎن داد ﮐﻪ ﺳﺎﺧﺘﺎر زﻣﯿﻦ ﺷﻨﺎﺳﯽ ﺗﺸﮑﯿﻞ ﯾﺎﻓﺘﻪ از ﻣﺎرن ﻫﺎی ﺧﺎﮐﺴـﺘﺮی ﺑـﺎ ﻣﯿﺎن ﻻﯾﻪ ﻫﺎی آﻫﮑﯽ) ﺳﺎزﻧﺪ دﻟﯿﭽﺎی (و ﻫﻤﭽﻨﯿﻦ ﻓﻌﺎﻟﯿﺖ ﻫﺎی ﺗﮑﺘﻮﻧﮑﯽ ﮔﺴﻞ ﻫﺎی ﻣﻨﻄﻘﻪ ﺑﺎﻋﺚ ﺷﺪه ﮐﻪ ﺣﻮﺿـﻪ آﺑﺨﯿـﺰ ﺑـﺎر از ﻗﺎﺑﻠﯿـﺖ ﺑﺎﻻﯾﯽ در رﺧﺪاد زﻣﯿﻦ ﻟﻐﺰش ﺑﺮﺧﻮردار ﺷﻮد.
With regard to the capabilities of the artificial neural networks, applying them in a variety of engineering and geologic fields has been developed remarkably. In this study, for landslide zoning across Bar Basin in Neyshabour, the multi-layer perceptron model of back propagation (BP) were used. In order to assess the neural network created, data of 32 landslides were entered into the system. This database include information about slopes, aspects, lithology, digital elevation model (DEM), map isohyets, distance from the fault, and landuse. To feed these data to the created neural network, they were normalized based on the highest rate of each data in the database between zero and one. Then, normalized data were fed to a three-layer feed forward perceptron neural network with back error propagation algorithm. The abovementioned data were primarily trained in the network and then were tested. The final structure of the network has seven neurons in the middle layer and one neuron in the external layer. Among them, 80 Percent of the data were used for training and the remaining 20 Percent for tests. Finally, considering the external weight, zoning map of landslide were drawn in five ranks from very high risk, high risk, medium risk, low and very low. The results show that the geologic structure developed due to the grey marns with lime layers (Delichai construction) and also the faults of the tectonic area caused the Bar basin to have a high capability in terms of landslide formation.
خلاصه ماشینی:
تهيه ي نقشه ي حساسيت به وقوع زمين لغزش با استفاده از مدل شبکه عصبي پرسپترون چند لايه از نوع پيش خور پس انتشار 1 سيد رضا حسين زاده دانشيار ژئومورفولوژي دانشگاه فردوسي مشهد، مشهد، ايران مسعود مينايي استاديار GIScience، دانشگاه فردوسي مشهد، مشهد، ايران حميد نژادسليماني دانشجوي دکتري ژئومورفولوژي، دانشگاه فردوسي مشهد، مشهد، ايران مهوش نداف سنگاني ، دانشجوي دکتري ژئومورفولوژي، دانشگاه فردوسي مشهد، مشهد، ايران چکيده هدف نهايي از اين پژوهش ارائه نقشه خطر زمين لغزش جهت ارزيابي وقوع آن بـا اسـتفاده از روش شـبکه عصـبي مصـنوعي ميباشد.
سوري و همکاران (١٣٩١) اقدام به پهنه بندي خطـر 10- Guzzetti 11- Multi layer perceptron 12- Probable neural network 13- Nefesliolu 14- Artificial neural network 15- Melchiorre 16- Caniani 17- Yilmaz 18- Pradhan زمين لغزش با استفاده از شبکه عصبي مصنوعي در حوضه آبخيز کشوري(نوژيان ) نمـود.
سپس براي انجام تحقيق با اسـتفاده از داده هـاي فـوق و بـر اسـاس الگوريتم شبکه عصبي پرسپترون چند لايه ٢٠ پهنه هاي حساس به زمين لغزش حوضه آبريز بار مشخص گرديد.
در ايـن پـژوهش بـراي پهنه بندي زمين لغزش هاي رخ داده در منطقه مورد مطالعه از مدل شبکه عصبي پرسپترون سه لايـه بـا الگـوريتم يـادگيري پس انتشار خطا استفاده گرديد.
21- Werner 22- Burger 23- Smith 24- Subasia (رجوع شود به تصویر صفحه) شکل ٢: ساختار کلي يک شبکه عصبي چند لايه با واحدهاي پردازش کننده (مأخذ: ٢٠٠٨٥٨‚Caniani et al) بحث و نتايج در اين بخش هر يک از پارامترهاي مورد استفاده در پهنه بندي زمين لغزش تشريح شده است و لايـه هـاي مربـوط بـه منظور ورود به شبکه عصبي مصنوعي ترسيم شد.