این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
علوم زمین، جلد ۲۷، شماره ۱۰۶، صفحات ۸۹-۹۸
عنوان فارسی ارزیابی خطر زمین‎لغزش در منطقه چهارگوش قزوین- رشت (شمال ایران)
چکیده فارسی مقاله حرکات دامنه‌ای و به‌طور خاص زمین‌لغزش‌ها از جمله مخاطرات طبیعی هستند که تا حد زیادی رخداد، کنترل یا پیشگیری از آنها در اختیار بشر است. پر واضح است که دخالت‌های انسان در طبیعت بدون در نظر گرفتن شرایط پایداری و تعادل طبیعی آن، سبب بروز واکنش‌های فیزیکی از سوی این محیط برای بازگشت به حالت تعادلی و پایدار می‌شود. خسارت‌های ناشی از رخداد زمین‌لغزش‌ها که در دهه‌های اخیر روند رو به رشدی داشته؛ بشر را وادار به یافتن راهکارهای مناسب برای کاهش و کنترل این پدیده کرده است. پهنه‌بندی مناطق حساس به لغزش از جمله پرکاربردترین روش‌ها برای دوری جستن از مناطق دارای خطر یا اعمال روش‌های کنترلی در مناطق پرخطر است. این پژوهش برای پهنه‌بندی حساسیت زمین‌لغزش در منطقه چهارگوش قزوین-رشت از شبکه عصبی مصنوعی استفاده می‌کند. منطقه مورد بررسی به لحاظ شرایط توپوگرافی، اقلیمی و زمین‌شناسی، یکی از مستعدترین مناطق برای رخداد زمین‌لغزش‌هاست؛ چنان که تاریخچه منطقه 338 زمین‌لغزش ثبت ‌شده را نشان می‌دهد. 15 متغیر که به‌طور متناوب در دیگر پژوهش‌ها به‌عنوان متغیرهای مؤثر در رخداد زمین‌لغزش‌ها مورد مطالعه قرار گرفته‌اند؛ برای بررسی این منطقه انتخاب شد. با تلفیق این متغیرها و نقشه زمین‌لغزش‌های موجود، مقادیر هر یک از این 15 متغیر برای نقاط لغزشی استخراج شد. در مرحله بعد تعدادی نقطه به‌صورت تصادفی (1000 نقطه) از منطقه انتخاب و مقادیر این 15 متغیر نیز برای آنها استخراج شد. هر کدام از دو مجموعه داده به دودسته آموزش (70%) و امتحان (%30) تقسیم شد. هر کدام از دو دسته آموزشی و امتحان با یکدیگر ترکیب و از خروجی آنها برای آموزش و امتحان شبکه استفاده شد. تعداد لایه‌های داخلی شبکه عصبی با روش سعی و خطا و محاسبه مقدار خطای جذر میانگین مربعات (RMSE=0.4041) (9 لایه) تعیین شد. شبکه عصبی ساخته ‌شده از نوع شبکه پیش‌خور با الگوریتم پس‌انتشار خطا و الگوریتم آموزشی آن از نوع الگوریتم آموزشی پس انتشار لونبرگ-مارکوارت است. پس از آموزش و امتحان شبکه و انجام تصحیحات لازم روی آن، از این شبکه عصبی ساخته ‌شده برای پیش‌بینی حساسیت زمین‌لغزش در منطقه مورد مطالعه استفاده شد. نتایج حاصل از پیش‌بینی در بازه میان 0 تا 1 قرار داده شد و با انتخاب یک حد آستانه بهترین نقشه پهنه‌بندی حساسیت زمین‌لغزش به دست آمد. ارزیابی پایانی نقشه پهنه‌بندی حساسیت زمین‌لغزش در منطقه چهارگوش قزوین- رشت، خطایی در حدود (RMSE=0.4164) نشان می‌دهد و شبکه عصبی ساخته ‌شده از 338 زمین‌لغزش رخ ‌داده در منطقه، 298 مورد را در پهنه پرخطر و کاملاً پرخطر شناسایی می‌کند که نشان از دقت 1/88 % آن دارد.
کلیدواژه‌های فارسی مقاله زمین‌لغزش، پهنه‌بندی، شبکه عصبی مصنوعی، چهارگوش قزوین- رشت،
عنوان انگلیسی Landslide risk assessment in Qazvin-Rasht quadrangle zone (North of Iran)
چکیده انگلیسی مقاله Mass movements, especially landslides, are one of the natural hazards that to a large extent occur, are controlled, or are prevented by human. It is obvious that human interferences in nature regardless of stability conditions and its natural balance leads to physical reactions from the environment to return the sustainability and balance. Damages caused by the landslides, which have been growing in recent decades, have made humans to find appropriate solutions to reduce and control this phenomenon. Zonation of areas susceptible to landslide is one of the most widely used methods to avoid hazardous areas or applying controlling methods in hazardous areas. This research uses artificial neural network for zonation of landslide susceptibility in the Qazvin-Rasht quadrangle area. The studied area is one of the most susceptible areas for landslide event in terms of topography, climate, and geology, as the history of the area shows 338  recorded landslides. Fifteen variables studied in other researches as effective variables in occurrence of landslides were selected to investigate this area. By combining these variables and the map of existing landslides, value of each of the 15 variables was extracted for sliding points. In the next stage, a number of points (1000 points) were randomly selected from the area and values of these variables were extracted for them. Each of the two data sets was divided into two training (70%) and test (30%) categories. We combined each of the two training and test categories, and used their output for training and testing the network. The number of internal layers of the neural network was determined to be 9 layers based on trial and error method and calculation of the root mean square error value (RMSE = 0.4041). The constructed neural network is of feedforward networks type with back-propagation algorithm and its training algorithm is of Levenberg-Marquardt back-propagation training algorithm type. After training and testing the network and conducting necessary corrections on it, the constructed neural network was used to predict the sensitivity of landslides in studied area. We placed results of this prediction in a range from 0 to 1 and obtain the best zonation map of the landslide susceptibility by choosing a threshold. Final evaluation of the zonation map of landslide susceptibility in the Qazvin-Rasht quadrangle shows an error of approximately RMSE = 0.4164 and the constructed neural network identifies 298 out of 338 occurred landslides in the high-risk zone, indicating the accuracy of 88.1%.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله امیرحسین پاشا |
کارشناسی ارشد، گروه سنجش ‌از دور و سیستم اطلاعات جغرافیایی، دانشکده محیط‌ زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

علی سربی |
استادیار، گروه زمین‌شناسی، دانشکده علوم پایه، دانشگاه آزاد اسلامی، واحد کرج، کرج، ایران

سعید بهزادی |
استادیار، گروه سنجش ‌از دور و سیستم اطلاعات جغرافیایی، دانشکده محیط ‌زیست و انرژی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران

نشانی اینترنتی http://www.gsjournal.ir/article_58229_de8d0cd1317e1117282b630de3be45e2.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/960/article-960-578424.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات