|
" پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی(ANN) در حوضه آبخیز گل گل، استان ایلام "
عسگري، شمس اله
| شماره شناسایی
|
:
|
18883517
|
| شماره مدرک
|
:
|
۶۶۹۲۳
|
| نام عام مواد
|
:
|
[گزارش علمی- فنی]
|
| شناسه افزوده
|
:
|
عسگري، شمس اله
|
|
|
:
|
شادفر، صمد
|
|
|
:
|
جعفري، محمدرضا
|
| عنوان اصلي
|
:
|
پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی(ANN) در حوضه آبخیز گل گل، استان ایلام
|
| نام نخستين پديدآور
|
:
|
عسگري، شمس اله
|
| عنوان اصلي به زبان ديگر
|
:
|
Landslide risk zoning using artificial neural network (ANN) in Gol Gol watershed, Ilam province
|
| وضعیت انتشار
|
:
|
تهران: پژوهشكده حفاظت خاك و آبخيزداري، ۱۴۰۳
|
| فروست
|
:
|
شماره ثبت ۶۶۹۲۳ مورخ ۱۴۰۳/۱۲/۱۳۶۶۹۲۳
|
|
|
:
|
سامانه سمپات
|
| توصیفگر
|
:
|
پهنه‌بندی،
|
|
|
:
|
شبکه عصبی مصنوعی،
|
|
|
:
|
پرسپترون
|
|
|
:
|
پ پس انتشار خطا،
|
|
|
:
|
زمین‌لغزش
|
| خلاصه یا چکیده
|
:
|
یکی از روش‌های نوین بررسی خطر زمین‌لغزش، روش شبكه عصبي مصنوعي مي‌باشد .این روش نسبت به روش‌هاي ديگر داراي مزيت‌هايي است، که استقلال توزيع آماري داده‌ها و عدم نیاز به متغيرهاي آماري از آنجمله است. در اين تحقيق، ابتدا نقشه پراکنش زمین‌لغزش در حوضه انتخابی تهیه شد. سپس ارتباط بین متغیرهای مستقل مانند شيب، سنگ شناسي، فاصله از گسل، كاربري اراضي، فاصله از شبكه راه‌ها، فاصله از آبراهه‌ها و جهت شيب با مناطق تحت‌تاثير زمین لغزش مورد بررسی قرار گرفت. پس از تهیه نقشه‌هاي وزني، این لايه‌ها در محیط نرم‌افزار ArcGIS به اطلاعات عددي تبديل و پس از استاندارد کردن به نرم افزار MATLAB وارد شده و برنامه‌ای با ساختار پرسپترون با الگوریتم یادگیری پس انتشار خطا، نوشته شد. بعد از مشخص شدن ساختار شبکه عصبی مصنوعی و آموزش و آزمایش آن، نتایج مورد ارزیابی و خروجی شبکه در محیط سیستم‌های اطلاعات جغرافیایی، تبدیل به نقشه خطر زمین لغزش شد. نقشه خطر حاصله به پهنه‌های مختلف خطر، طبقه‌بندی و مقدار زمین‌لغزش در هر پهنه آن محاسبه گردید. نتایج حاصل از بررسی عوامل نشان داد که در حوضه گل گل ایلام، حساس‌ترین طبقات نسبت به وقوع زمین‌لغزش عبارت بودند از: شیب 10تا20 درصد، فاصله بیشتر از 500 متر از گسل، جهت شمال شرق، فاصله بیشتر از 100 متر از آبراهه‌ها، فاصله بیشتر از 200 متر ازجاده و کاربری باغات که دارای بیشترین نسبت فراوانی وقوع زمین‌لغزش در حوضه می باشند. از سوی دیگر، نتایج حاصل از پهنه‌بندی خطر زمین‌لغزش با استفاده از روش شبکه عصبی مصنوعی نشان داد در حوضه گل گل ایلام حدود 80 درصد زمین لغزش‌ها در پهنه‌های خطر زیاد و خیلی زیاد قرار گرفته‌اند.
|
|
|
:
|
One of the new methods to investigate the risk of landslides is the artificial neural network method. This method has advantages over other methods, the statistical distribution of the data is independent and does not require special statistical variables. In this research, first, a landslide distribution map was prepared in the selected basin. Then, the relationship between independent variables such as slope, lithology, distance from fault, land use, distance from road network, distance from waterways, direction of slope with areas affected by landslides was investigated. After preparing the weighted maps, these layers were converted into numerical information in the ArcGIS software environment, and after standardization, they were entered into the MATLAB software, and a program with a perceptron structure was written with the learning algorithm after the error propagation. After determining the structure of the artificial neural network and its training and testing, the evaluated results and the output of the network in the geographic information systems environment became a landslide risk map. The resulting risk map was calculated into different risk zones, classification and amount of landslide in each zone. The results of the analysis of the factors showed that in the Gol Gol Ilam basin of the Asmari formation, the slope is 10-20%, the distance from the fault is more than 500 meters, the northeast direction, the distance from waterways is more than 100 meters, fruit orchards are the most sensitive uses and the distance from the road is more. From 200 meters, the most sensitive classes to the occurrence of landslides and have the highest ratio of frequency of occurrence of landslides in the basin. On the other hand, the results of landslide risk zoning using the artificial neural network method showed that in Gol Gol Ilam basin, about 80% of landslides are in high and very high risk zones.
|
| |