مقایسه روش‌های شبکه عصبی مصنوعی و رگرسیون چند متغیره در پهنه‌بندی خطر زمین‌لغزش، مطالعه موردی: حوضه ونک، استان اصفهان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران

2 مربی، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران

3 دانشجوی دکتری ژئومورفولوژی، دانشکده علوم انسانی، دانشگاه تربیت مدرس

چکیده

زمین‌­لغزش­‌ها از مهمترین خطرات طبیعی هستند که نه تنها زندگی انسان را به خطر می­‌اندازند، بلکه باعث ایجاد بار اقتصادی برای جامعه می­‌شوند. با توجه به اهمیت تشخیص مناسب­‌ترین روش برآورد صحیح خطر زمین‌­لغزش، در این پژوهش میزان کارایی دو روش شبکه عصبی مصنوعی و رگرسیون چندمتغیره مقایسه شد. بدین منظور ابتدا با استفاده از عکس­‌های هوایی، تصاویر ماهواره­‌ای، نقشه­‌های زمین‌شناسی و بررسی‌های میدانی نقشه پراکنش زمین‌­لغزش­‌ها تهیه شد. همچنین، با استفاده از بررسی­‌های میدانی و مرور مطالعات انجام شده اقدام به بررسی و تعیین نه پارامتر موثر در رخداد زمین­‌لغزش شامل لیتولوژی، کاربری اراضی، شیب، جهت شیب، ارتفاع، بارش، فاصله از گسل، فاصله از جاده و تراکم شبکه زه­کشی شد. پس از تهیه لایه­‌های اطلاعاتی با استفاده از GIS و وزن­‌دهی به عوامل موثر، با استفاده از نقشه پراکنش زمین‌­لغزش، اقدام به تهیه نقشه‌­های پهنه­‌بندی خطر زمین‌­لغزش با استفاده از روش­‌های شبکه عصبی مصنوعی  و رگرسیون چند متغیره شده و نتایج مورد ارزیابی قرار گرفت. با توجه به اینکه برای ارزیابی مدل نمی­‌توان از همان لغزش­‌هایی استفاده نمود که در پهنه­‌بندی استفاده شده­‌اند، لذا، از بین نقاط لغزشی، 70 درصد (140 عدد) برای اجرای مدل و 30 درصد (60 عدد) برای ارزیابی مدل­‌ها مورد استفاده قرار گرفت. مقادیر شاخص‌­های مجموع کیفیت (QS) و دقت (P) به­‌ترتیب برای روش شبکه عصبی (0.15 و 0.08) و برای روش رگرسیون چند متغیره (0.14 و 0.05) بوده که  این نتایج  بیانگر تناسب بیشتر نتایج مدل شبکه عصبی در پهنه­‌بندی منطقه مورد مطالعه می­‌باشد. بدین ترتیب با انتخاب بهترین روش پهنه‌­بندی، می‌توان به نقشه پهنه­‌بندی خطر قابل اعتماد و نتایج مطلوب­‌تری دست یافت.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of artificial neural network and multivariate regression methods in landslide hazard zonation, case study: Vanak Basin, Isfahan province

نویسندگان [English]

  • Kourosh Shirani 1
  • Farzad Heydari 2
  • Alireza Arabameri 3
1 Assistant Professor, Soil Conservation and Watershed Management Research Department, Isfahan Agricultural and Natural Resources, Research and Education Center, AREEO, Isfahan, Iran
2 Scientific Board, Soil Conservation and Watershed Management Research Department, Isfahan Agricultural and Natural Resources, Research and Education Center, AREEO, Isfahan, Iran
3 PhD Student, Faculty of Geographic Science and Planning, Tarbiat Modarres University, Tehran, Iran
چکیده [English]

Landslides are major natural hazards which not only cause damages to human life but also provide economic losses on infrastructures. In order to determination of the most important method of estimation  recognizing appropriate method to estimate landslide, in this research, the efficiency of two methods of landslide hazard zonation including methods of Artificial Neural Network and Multivariate regression were compared. Therefore, in this research, first, landslide inventory map was obtained using aerial photos interpretation, satellite images processing, geology maps review and field surveying. Also, the 9 important effective factors are in occurrence of landslide including lithology, land use, slope angle, slope aspect, elevation, precipitation, distance to fault, distance to road, density of drainage were determined using inspect of field and literature review. After producing of layers and weighting to effective factors using inventory map, landslide hazard zonation was made by Artificial Neural Network and Multivariate regression models. From 200 landslides identified, 140 (≈70%) locations were used for the landslide susceptibility maps, while the remaining 60 (≈30%) cases were used for the model validation. The quality sum (Qs) and precision (P) indices for Artificial Neural Network model are 0.15, 0.08 and for Multivariate regression model are 0.14, 0.05 respectively. This results show that artificial Neural Network is the better model in landslide hazard zonation in this area, therefore an accurate landslide hazard zonation map can be prepared by selecting and applying the proper method.

کلیدواژه‌ها [English]

  • zonation
  • Landslide
  • Artificial Neural Network method
  • Multivariate regression
  • Vanak Basin