پهنه‌بندی زمین‌لغزش‌های حوضه‌ی رودخانه‌ی گیوی‌چای با استفاده از مدل پرسپترون چندلایه از نوع پیش‌خور پس‌انتشار (BP)

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

زمین‌لغزش‌ نشان‌دهنده‌ی فرایندهای مورفودینامیک است که در زمین‌های شیب‌دار رخ داده و به واحد‌های مسکونی، صنعتی، باغات و زمین‌های زراعی آسیب می‌رساند. در این تحقیق برای پهنه‌بندی زمین‌لغزش‌ در حوضه‌ی رودخانه گیوی‌چای از مدل شبکه عصبی پرسپترون چند لایه از نوع پیش خور پس‌انتشار(BP)استفاده شد. جهت ارزیابی شبکه‌ی‌ عصبی ایجاد شده، داده‌های 41 زمین‌لغزش‌ رخ داده به سیستم ارائه شد. در کنار آن برای پردازش زمین‌لغزش‌ها در نرم‌افزار MATLAB،8 لایه متشکل از لایه‌های شیب، جهت شیب، DEM، لیتولوژی، فاصله از گسل، شبکه هیدروگرافی، کاربری اراضی و پراکنش زمین‌لغزش‌ با استفاده از مطالعات میدانی، نقشه‌های توپوگرافی، نقشه‌های زمین‌شناسی و تصاویر ماهواره‌ای در نرم‌افزار Arc GISترسیم شد.
این لایه‌ها جهت تغذیه به شبکه‌ی عصبی ایجاد شده و بر اساس بزرگترین مقدار موجود برای هر لایه نرمالیزه شده و در محدوده بین 1 و صفر قرار گرفتند. سپس داده‌های نرمالیزه شده به یک شبکه‌ی عصبی مصنوعی پرسپترون سه لایه پیش‌خور  با الگوریتم پس‌انتشار خطا تغذیه گردید. داده‌های فوق ابتدا در شبکه آموزش دیده شد و سپس مورد آزمایش قرار گرفت. ساختار نهایی شبکه دارای 8 نرون در لایه‌ی ورودی، 20 نرون در لایه‌ی پنهان و 1 نرون در لایه‌ی خروجی می‌باشد. در این بین 80 درصد اطلاعات برای آموزش و 20 درصد باقیمانده برای آزمایش در نظر گرفته شد.
در نهایت با توجه به وزن خروجی، نقشه‌ی پهنه‌بندی زمین‌لغزش‌ در پنج رده با خطر  خیلی زیاد، زیاد، متوسط، کم و خیلی کم ترسیم گردید. نتایج حاصل نشان داد که ساختار زمین‌شناسی شکل گرفته از آهک‌های کرتاسه و آندزیت‌های پرفیری و همچنین دسترسی به منابع رطوبتی بالا باعث شده که ارتفاعات شرقی کوه‌های بوغروداغ و آلاداغ در محدوده‌ی کوه‌های تالش از قابلیت بالایی در رخداد زمین‌لغزش‌ برخوردار شوند.

کلیدواژه‌ها


عنوان مقاله [English]

Zoning the Landslides of Givichay River Basin by Using Multi Layer Perceptron Model

نویسندگان [English]

  • Masoomeh Rajabi
  • Mehdi Feyzolahpour
چکیده [English]

Landslides represent morphodynamic processes which occurs on the sloped lands, and may damage residential , industrial, gardens and  croplands. In this investigation multi-layer perceptron model of back propagation (BP) was used in landslide zoning in Givichay river basin. To evaluate the created neural network, the  dataset related to 41  landslide events were presented.  Then for processing landslide data in MATLAB software, 8 Layers consisting slope, slope direction, DEM, lithology, distance from the fault, hydrographic network, land use and landslide distribution using field studies, topographic , geological maps and satellite images was prepared in ArcGIS software. These layers were scaled in the range between 1 and 0 based on the largest value for each normalized layer. Then the normalized data was fed to three-layer Perceptron (feed forward) with the back error propagation algorithm. These data was first trained and then tested in the network. The final structure of the network has 8 neurons in the input layer, 20 neurons in the hidden layer and 1 neuron in the output layer. 80 percent of data was considered for training and 20 percent for testing. Finally, with regard to the output weights, landslide zoning maps in five classes: very high, high, medium, low and very low risk were drawn. The obtained results showed that the formed geological structure by Certaceous  lime and Andesit Porphyry and also access to high humid resources has made the eastern heights of Boogharodagh and Aladagh in the area of Talesh mountains to have a high potential in the occurrences of landslides

کلیدواژه‌ها [English]

  • landslide
  • Artificial neural network
  • Multi-layer Perceptron
  • zoning
  • Givichay river basin