این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
برنامه ریزی و آمایش فضا، جلد ۱۷، شماره ۴، صفحات ۲۱-۴۲
عنوان فارسی تهیه‌ی نقشه‌ی حساسیت زمین‌لغزش با استفاده از کشف قوانین طبقه‌بندی توسط الگوریتم بهینه‌سازی کلونی مورچه و GIS
چکیده فارسی مقاله تهیه نقشه حساسیت زمین‏لغزش یک ابزار ضروری برای مدیریت بحران می‏باشد. هدف مطالعه حاضر بررسی تهیه نقشه حساسیت زمین‏لغزش با استفاده از کشف قوانین طبقه‌بندی (CRD) توسط بهینه‌سازی کلونی مورچه (ACO) می‏باشد. این روش مدلسازی برای ارزیابی حساسیت زمین‏لغزش در شهرستان جوانرود از استان کرمانشاه به کار گرفته شد. برای این منظور، لایه‏های موضوعی شامل شیب، فاصله از گسل‏ها، فاصله از آبراهه، بارندگی، کاربری و بافت خاک استفاده شدند. این مطالعه روش یکی در یک زمان (OAT) را به عنوان روش تحلیل حساسیت برای بدست آوردن وابستگی خروجی‏های مدل به پارامترهای ورودی استفاده نمود. سپس، عملکرد الگوریتم ارائه شده با مقایسه با الگوریتم درخت تصمیم‏گیری C5 که یک روش کشف قوانین طبقه‏بندی شناخته شده می‏باشد، اعتبارسنجی شد. برای سنجش صحت نقشه حساسیت زمین‏لغزش حاصل، این نقشه با توزیع زمین‏لغزش‏های مشاهده شده ارزیابی شد. نقشه حاصل نشان داد که قدرت پیش‏بینی مدل بسیار بالا می‏باشد. به طور کلی، حدود 20% از منطقه مطالعه در طبقات حساس و بسیار حساس می‏افتد، و اغلب زمین‏لغزش‏های پیشین (81.25%) در این طبقات رخ می‏دهند. نتایج این مطالعه نشان‏داد که این مدل می‏تواند به طور کارآمدی در تهیه نقشه‏های حساسیت زمین‏لغزش به کار رود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Landslide Susceptibility Mapping using classification rule discovery by ant colony optimization and GIS
چکیده انگلیسی مقاله Abstract Landslide susceptibility mapping is a fundamental tool for disaster management. The purpose of the present study is to investigate the landslide susceptibility mapping using classification rule discovery (CRD) by ant colony optimization (ACO). This modeling approach was applied for Landslide susceptibility assessment in Javanroud county of Kermanshah province. For this purpose, thematic layers including slope, distance to faults, distance to stream, rainfall, land use, and soil texture were used. This study utilizes the one-at-a-time (OAT) approach as the sensitivity analysis method to determine the dependency of model outcomes on input parameters. Then, the performance of the proposed algorithm was validated by comparing it with C5 decision tree algorithm which is a well-known classification rule discovery method. To assess the accuracy of the resulting landslide susceptibility map, it was evaluated by the distribution of the observed landslides. The resulting map shows that the predictive power of the model is very high. Overall, about 20% of the study area falls in susceptible and very susceptible classes and most of the previous landslides (81.25%) occur in the same classes. The results of this study indicated that the model can be effectively used in preparation of landslide susceptibility maps. Keywords: ant colony optimization, classification rule discovery, landslide susceptibility, Javanroud, GIS.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد عرب امیری | arab amiri
دانشجوی دانشگاه خواجه نصیر الدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

محمد کریمی |
استاد دانشگاه خواجه نصیر الدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

عباس علیمحمدی سراب | alimohammadi sarab
استاد دانشگاه خواجه نصیر الدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

نشانی اینترنتی http://hsmsp.modares.ac.ir/article_10590_823fc926ef0b6b47f2b77c79e36ea60b.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات