پهنه‌بندی خطر ناپایداری‌های دامنه‌ای در جاده‌های کوهستانی با استفاده از شبکه عصبی مصنوعی(MLP)مطالعه موردی:( تنگه دره دیز)

الموضوعات :

شهرام روستائی ¹ (استاد گروه ژئومورفولوژی دانشگاه تبریز،تبریز،ایران)
فاطمه خدائی ² (دانشجوی دکتری ژئوموفولوژی دانشگاه تبریز،تبریز،ایران)

تاريخ الإرسال : 04 السبت , محرم, 1437 تاريخ التأكيد : 13 الأحد , جمادى الثانية, 1438 تاريخ الإصدار : 21 الثلاثاء , ربيع الأول, 1438

الکلمات المفتاحية: پهنه‌بندی خطر, ناپایداری‌های دامنه‌ای, جاده‌های کوهستانی, تنگه دره‌دیز, شبکه عصبی پرسپترونچند-لایه(MLP),

ملخص المقالة :

تنگه دره دیز یکی از مخاطره آمیزترین تنگه های استان آذربایجان شرقی، از لحاظ وقوع ناپایداری های دامنه ای است. با توجه به انطباق این تنگهبا تنها جاده ارتباطی شهرستان مرند – جلفا، یکی از بهترین راه های نگهداری وحفظ امنیت این مسیر، شناسایی مناطق و نقاط بحرانی و به عبارتی پهنه بندی خطر وقوع ناپایداری دامنه ای این تنگه است. در این راستا در ابتدا داده های مورد نیاز جمع آوری و سپس پردازش گردیدند و سپس لایه های اطلاعاتی لازم در محیطGIS، تهیه گردیده و سپسنقشه پهنه بندی خطر ناپایداری در نرم افزار IDRISIو در محیط شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) با ساختار 1-10-15تهیّه گردید و مناطق مستعد وقوع خطر ناپایداری های دامنه ای درمحدوده مورد مطالعه در پنج کلاس خطربسیار بالا، بالا، متوسط، پایین و بسیارپایین مشخص شد. بر طبق نتایج حاصل عواملی مانند شیب و فاصله از گسل مهمترین عوامل تاثیر گذار در وقوع ناپایداری های دامنه ای در تنگه دره دیز و در نهایت سبب ناامنی هر چه بیشتر جاده می باشند.

المصادر:

1. راکعی، ب؛ خامه چیان،م ؛ عبدالملکی، پ ؛ و گیاهچی،پ(1386) :کاربرد شبکه عصبی مصنوعی در پهنه بندی خطر زمین لغزش، مجله علوم دانشگاه تهران، جلد سی وسوم، سال اول، شماره سوم، صص57-64.


2. سوری، سلمان؛ لشکری پور، غلامرضا؛ و غفوری، محمد (1390): پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی ( مطالعه موردی حوضه کشوری نوژیان)،نشریه زمین­شناسی مهندسی دانشگاه خوارزمی تهران ، سال پنجم ، جلد پنجم ، شماره دوم، صص1269-1286.


3. فاطمی عقدا، سید محمود؛ ساریخانی، رامین؛ و تشنه لب ، محمد.(1382) : پهنه­بندی خطر زمین رانش در منطقه طالش با استفاده از سیستم­های هوشمند شبکه­های عصبی مصنوعی (پرسپترون ) ، نشریه زمین ­شناسی مهندسی دانشگاه خوارزمی تهران ، سال اول ، جلد اول، شماره دوم ، صص179-192.


4. مرادی،مهدی (1391):پهنه بندی وقوع بهمن با استفاده از شبکه عصبی مصنوعی، پایان­نامه کارشناسی ارشد، استاد راهنما: دکتر محمد رضا نیکجو،دانشگاه تبریز، دانشکده جغرافیا و برنامه ریزی. شهریور.


5. شریعت جعفری، محسن،(1375): زمین لغزش (مبانی و اصول پایداری شیبهای طبیعی)، تهران،انتشارات سازه. 


6. رجایی ، عبدالحمید،(1382):کاربرد ژئومرفولوژی در مدیریت محیط، نشر قومس.


7. زارع پور، سهیلا،(1384): پهنه بندی خطر زمین لغزش در منطقه رودبار منجیل با استفاده از شبکه عصبی مصنوعی در مقیاس 50000/1 ، دانشکده علوم دانشگاه تربیت معلم تهران.


8. ساریخانی، رامین (1388): پهنه بندی خطر زمین لغزش با استفاده از شبکه عصبی مصنوعی. مطالعه موردی  تالش استان گیلان ، گروه زمین شناسی، دانشکده علوم، دانشگاه تربیت معلم تهران.


9. صیادی، امید(1387) :جزوه  آشنایی مقدماتی با شبکه های عصبی مصنوعی، دانشگاه صنعتی شریف ، اسفند.


10. رحیمی، حسین(1390) مدل سازی زمانی-مکانی تغییرات پوشش زمین با تلفیق تحلیل زنجیره مارکوف، شبکه­های عصبی مصنوعی، سلولهای خودکار ، دانشکده جغرافیا و برنامه ریزی، بهمن دانشگاه تبریز.


11. عابدینی، موسی (1385): بررسی نقش عوامل موثر در پیدایش و تکوین جریانهای واریزه ای ارتفاعات شمالغرب آذربایجان ( جنوبغرب هادیشهر و دره دیز)، فصلنامه تحقیقات جغرافیایی،شماره 74 ، صص : 212- 193 .

1. Caniani D., Pascale S.Sdao F., Sole A., (2008) “Neutral network and landslide susceptibility: a case study of the urban area of Potenza “Natural hazard, 45 .pp.55-72.

 

1. Lee S., Ryu J.H., Lee M.J., Won J.s(2006): The Application of artificial neural network to land slide susceptibility mapping at Janghong “, Korea, Mathematical Geology, 38(2)pp. 199-220.


2. Pradhan B., Lee S. (2010),”Delineation of landslide hazard area on penang  island , Malaysia, by using frequency ratio , Logistic regression ,and Artificial neural network model “ Environmental Earth sciences 60(5)pp. 1037-1054.


3. Yilmaz I (2009) “Landslide susceptibility mapping using frequency ratio Logistic regression, artificial neural network and their comparison: A case study from kat landslide (Tokat- Turkey)”computers and Geosciences, 35.pp.1125-11.