نوع مقاله : مقاله پژوهشی

نویسندگان

• علیرضا عرب‌عامری ¹
• خلیل رضایی ²
• محمدحسین رامشت ³
• کورش شیرانی ⁴

¹ دانشجوی دکتری ژئومورفولوژی، دانشکده علوم انسانی، دانشگاه تربیت مدرس

² استادیار، دانشکده علوم زمین، دانشگاه خوارزمی

³ استاد، دانشکده علوم انسانی، دانشگاه اصفهان

⁴ 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

چکیده

تهیه نقشه حساسیت زمین به لغزش و ارزیابی خطر آن از مهمترین مراحل در تهیه نقشه ریسک زمین لغزش می‌باشد. در این پژوهش به تهیه نقشه حساسیت وقوع زمین لغزش در پادنای علیای سمیرم که یک منطقه حساس به زمین لغزش است، با استفاده از روش شبکه عصبی پرداخته شده است. بدین منظور، در اولین گام ۲۳ عامل موثر در لغزش در منطقه شناسایی شده، همچنین، به کمک تفسیر عکس­‌های هوایی و پیمایش‌های میدانی موقعیت لغزش‌­ها مشخص شد. در گام بعد با کمک نظرات کارشناسی (AHP) به غربالگری پارامترها پرداخته، در نهایت ۱۴ پارامتر برای اجرای مدل انتخاب شد. از ۱۰۳ لغزش شناسایی شده در منطقه ۷۰ درصد (۷۲ زمین لغزش) به‌صورت تصادفی به‌منظور آموزش شبکه و ۳۰ درصد (۳۱ زمین لغزش) به‌منظور اعتبارسنجی مورد استفاده قرار گرفت. از شبکه عصبی پرسپترون چند لایه (multilayer perceptron) با الگوریتم یادگیری پس انتشار خطا استفاده شد و تابع سیگموئید (sigmoid function) به‌عنوان تابع فعال‌سازی انتخاب شد. به‌منظور انتخاب بهترین آرایش شبکه از شاخص­های میانگین مربعات خطا (MSE)، جذر میانگین مجذور خطا (RMSE)، بیشینه خطای مطلق (MAE) و ضریب همبستگی (R2) استفاده کرده، بهترین ساختار شبکه برای پهنه­‌بندی حساسیت به زمین لغزش ۱-۴-۱۴ انتخاب شد. قبل از ورود لایه­های اطلاعاتی به شبکه با استفاده از روش نسبت فراوانی (FR) وزن هر یک از طبقات لایه­های اطلاعاتی محاسبه شده، بر اساس آن لایه­ها وزن‌دهی شدند. منحنی ROC و مساحت زیر منحنی (AUC) برای نقشه پهنه‌­بندی ترسیم و از AUC برای صحت­سنجی استفاده شد. نتایج اعتبارسنجی نشان داد که مساحت زیر منحنی برای مدل 0.938 (93.8 درصد) است که در گروه دقت پیش­بینی عالی قرار می­‌گیرد. طبق نتایج 29.61 کیلومتر مربع (93.25 درصد) از مساحت لغزش­ها در رده‌های خطر زیاد و خیلی زیاد قرار گرفته است.

کلیدواژه‌ها

• پادنای علیای سمیرم
• پرسپترون چند لایه
• حساسیت زمین به لغزش
• رسوب
• روش نسبت فراوانی
• روش AHP

عنوان مقاله [English]

The application of artificial neural network on landslide susceptibility mapping developed by frequency ratio and AHP in Oliya's Padena in Semirom

نویسندگان [English]

• Alireza Arabameri ¹
• Kalil Rezaei ²
• Mohammadhossein Ramshet ³
• Kourosh Shirani ⁴

¹ PhD, Faculty of Humanities, Tarbiat Modares University, Iran

² Assistant professor of sedimentology, Kharazmi University, Tehran, Iran

³ Professor, Faculty of Humanities, Isfahan University, Iran

⁴ Assistant Professor, Soil Conservation and Watershed Management Research Department, Isfahan Agricultural and Natural Resources, Research and Education Center, AREEO, Isfahan, Iran

چکیده [English]

Landslide susceptibility and its risk assessment is the main part of landslide risk mapping. In this study, landslide susceptibility of Oliya's Padena in Semirom is mapped using artificial neural network. A total of 23 factors in relation to landslide in the region were initially characterized. The spatial location of landslide events was then determined by field study as well as aerial photo analysis. AHP analysis tends to 14 out of 23 parameters as the important factors for further steps. A total of 72 (70%) and 31 (30%) out of 103 detected landslide events in the study area were selected as training and validation data for neural network analysis, respectively. A multilayer perceptron back propagation algorithm with sigmoid as activation function was developed. The best topology was determined by using conventional criteria including mean square error, root mean square error, maximum absolute error and correlation coefficient. Results show that a 14-4-1 array is the optimum topology for landslide susceptibility zoning in the region. The weight of each input layer was estimated by frequency ratio. In order to map landslide, ROC graph and area under curve indices were used and the accuracy of output map was computed. Results from validation shows that area under curve for the obtained model is about 0.938 (93.8%) that is considered as high resolution prediction group. According to this study, a total of 29.61 square kilometers (93.25%) of the landslide areas is categorized in very high and high susceptible groups.

کلیدواژه‌ها [English]

• AHP Method
• Frequency ratio method
• Landslide susceptibility
• Multilayer perceptron
• Oliya's Padena in Semirom
• Sediment