| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,846 |
| تعداد مقالات | 32,300 |
| تعداد مشاهده مقاله | 41,387,067 |
| تعداد دریافت فایل اصل مقاله | 18,562,163 |
مقایسه روش‌های شبکه عصبی مصنوعی و رگرسیون چند متغیره در پهنه‌بندی خطر زمین‌لغزش، مطالعه موردی: حوضه ونک، استان اصفهان | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 7، دوره 9، شماره 4، دی 1396، صفحه 451-464 اصل مقاله (1.47 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2017.101725.1031 | ||
| نویسندگان | ||
| کورش شیرانی* 1؛ فرزاد حیدری2؛ علیرضا عرب‌عامری3 | ||
| 1استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران | ||
| 2مربی، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران | ||
| 3دانشجوی 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 | ||
| پهنه‌بندی؛ زمین‌لغزش؛ شبکه عصبی مصنوعی؛ رگرسیون چندمتغیره؛ حوضه ونک | ||
| 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 Shirani1؛ Farzad Heydari2؛ Alireza Arabameri3 | ||
| 1Assistant Professor, Soil Conservation and Watershed Management Research Department, Isfahan Agricultural and Natural Resources, Research and Education Center, AREEO, Isfahan, Iran | ||
| 2Scientific Board, Soil Conservation and Watershed Management Research Department, Isfahan Agricultural and Natural Resources, Research and Education Center, AREEO, Isfahan, Iran | ||
| 3PhD 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 | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 616 تعداد دریافت فایل اصل مقاله: 786 |
||