چکیده:
هدف تحقیق حاضر بررسی و مقایسه دو مدل شبکه عصبی مصنوعی و مدل تاپسیس در پهنهبندی خطر زمین لغزش در منطقه پاییندست سد سنندج است. این کار با استفاده از نرم افزار ARCGIS، زبان برنامه نویسی پایتون و مدلهای شبکه عصبی مصنوعی و تاپسیس صورت گرفت. بدین منظور از 9 لایه ورودی در پهنه بندی خطر زمین لغزش استفاده شد. نقاط لغزشی و غیر لغزشی منطقه با استفاده از تصاویر ماهواره ای، مشخص گردید. از وزن یابی درونی در تعیین وزن لایه ها استفاده شد. در مدل شبکه عصبی داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار شبکه دارای 9 نرون در لایه ورودی، 30 نرون در لایه میانی و 1 نرون در لایه خروجی است. در مدل تاپسیس پس از بی مقیاس سازی ماتریس تصمیم از روش آنتروپی شانون برای وزن دهی به معیارها و به منظور تعیین فاصله نسبی از ایده آل مثبت و منفی از فاصله اقلیدسی استفاده شد. پس از آماده سازی مدلها، منطقه مورد مطالعه با 970 کیلومتر مربع با 9 متغیر ورودی که تبدیل به داده های رستری به پیکسل های 30*30 شدند تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. بعد از اعمال 5 روش محاسبه میزان خطا جهت صحت سنجی مدلها مشخص گردید مدل شبکه عصبی پرسپترون دارای خطای کمتر و انطباق بیشتری است و با جغرافیای منطقه سازگاری بهتری دارد.
The purpose of this study was to investigate and compare the two models of artificial neural network and TOPSIS model in the risk of landslide in the downstream of Sanandaj dam. This was done using ARCGIS software, Python programming language, and artificial neural network models and TOPSIS. For this purpose, 9 input layers were used in landslide risk zoning. Landslide and non-slip points in the area were determined using satellite imagery. Internal weighting was used to determine the weight of the layers. In the neural network model, the data were trained using a multilayer perceptron network with the Adam learning algorithm. The network structure has 9 neurons in the input layer, 30 neurons in the middle layer and 1 neuron in the output layer. In the Topsis model, after declassifying the decision matrix, Shannon's entropy method was used to weigh the criteria and to determine the relative distance from the Euclidean distance. After preparing the models, the study area was analyzed with 970 Km2 with 9 input variables that were converted to raster data into 30x30 pixels. The results of the analysis were mapped with five floors of landslide risk for each model. After applying 5 methods of calculating the error rate to validate the models, it was found that the perceptron neural network model has less error and more adaptation and is better compatible with the geography of the region.
خلاصه ماشینی:
هیدروژئومورفولوژی ، شماره ی ٢۴، سال ششم ، پاییز ١٣٩٩، صص ٨٢-۶۵ Hydrogeomorphology, Vol. 6, No. 24, Fall 2020, pp (65-82) پهنهبندی خطر زمین لغزش با استفاده از مدلهای شبکه عصبی مصنوعی و تاپسیس در پایین دست سد سنندج 3 اسد الله حجازی *١ ، محمدحسین رضایی مقدم ٢ ، عدنان ناصری ١ـ دانشیار گروه ژئومورفولوژی دانشکده برنامه ریزی و علوم محیطی دانشگاه تبریز، تبریز، ایران ٢ـ استاد گروه ژئومورفولوژی دانشکده برنامه ریزی و علوم محیطی دانشگاه تبریز، تبریز، ایران ٣ـ دانشجوی دکتری ژئومورفولوژی دانشکده برنامه ریزی و علوم محیطی دانشگاه تبریز، تبریز، ایران وصول مقاله : ١٣٩٩/٠١/٢٥ تأیید نهایی مقاله : ١٣٩٩/٠٦/١٠ چکیده نقشه های حساسیت وقوع زمین لغزش یکی از مهم ترین ابزارهای لازم برای برنامه ریزان و تصمیم گیران محیطی به ویژه در مناطق کوهستانی است .
در حال حاضر ناپایداری دامنه ای به عنوان یک شکل مهم تخریب ، در منطقه قابل بررسی است و هدف تحقیق حاضر نیز ارزیابی خطر وقوع زمین لغزش با استفاده از دو مدل شبکه ی عصبی مصنوعی و تاپسیس میباشد.
/ شکل (١): موقعیت جغرافیایی منطقه مورد مطالعه Figure (1): Location map of the study area - روش تحقیق : پژوهش حاضر شامل ٥ مرحله ی بررسی پیشینه تحقیق و جمع آوری داده ها، تهیه لایه های اطلاعاتی، اجرای مدل های شبکه ی عصبی مصنوعی و تاپسیس ، تهیه ی نقشه ی پهنه بندی خطر زمین لغزش در منـطقه ی مورد مطالعه با مدل های مذکور و آزمون صحت سنجی مدل ها مـی باشد.