این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های ژئومورفولوژی کمی، جلد ۹، شماره ۳، صفحات ۱۸-۳۳
عنوان فارسی ارزیابی حساسیت زمین‌لغزش با استفاده از روش‌های شبکه عصبی مصنوعی و الگوریتم ماشین بردار پشتیبان (مطالعه موردی: جاده‌ی حیران- استان اردبیل)
چکیده فارسی مقاله زمین­لغزش­ها همواره موجب خسارات جانی و مالی، از دست رفتن منابع طبیعی و زیرساخت‌های زیربنایی از قبیل جاده­ها، پل‌ها و خطوط ارتباطی می­شوند. جاده ارتباطی حیران در حال حاضر تحت تأثیر فرایند لغزش و گسیختگی دامنه‌ای دستخوش تغییر می‌باشد. در این پژوهش حساسیت زمین‌لغزش محور ارتباطی حیران با استفاده مدل‌های شبکه عصبی مصنوعی و توابع خطی، چندجمله‌ای، شعاعی و حلقوی الگوریتم ماشین بردار پشتیبان موردبررسی قرار گرفت. معیارهای مؤثر در شناسایی حساسیت زمین‌لغزش در سطح منطقه موردمطالعه شامل لایه‌های استخراج‌شده از سطوح ارتفاعی، زمین‌شناسی، کاربری اراضی، فاصله از گسل، شیب، جهت شیب و فاصله از جاده می‌باشد. لایه‌های اطلاعاتی بعد از آماده‌سازی در محیط نرم‌افزار SPSS Modeler اجرا شد و نقش و ارزش هرکدام از پارامترها بر اساس روش‌های مختلف به دست آمد. بر اساس نتایج ارزیابی مدل به ترتیب عامل زمین‌شناسی، ارتفاع، جهت شیب و کاربری اراضی، بیشترین ارزش را در ناپایداری دامنه‌ها در این محدوده داشته‌اند. همچنین نتایج نشان داد، کاربری‌های که در طبقه حساسیت زیاد قرارگرفته‌اند عمدتاً مربوط به اراضی مرتع، زمین کشاورزی و جاده‌های ارتباطی ( بالاتر از 1400 متر) می‌باشند که در قسمت‌های غربی گردنه حیران واقع‌شده‌اند. سازندهای تحت تأثیر لغزش در محدوده موردمطالعه عمدتاً تناوب توف، ماسه‌سنگ توفی به همراه گدازه‌های برشی و گدازه‌های پیروکسن آندزیت می‌باشد. در قالب مقایسه بین مدل‌ها جهت ارزیابی مطابقت آن با واقعیت منطقه به نظر می‌رسد مدل ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی کارایی بهتری جهت ارزیابی حساسیت زمین‌لغزش در محور ارتباطی گردنه حیران دارد. شایان‌ذکر است، لزوم توجه به نقشه‌های حساسیت زمین‌لغزش طی عملیات جاده‌سازی و تعریض آن می‌تواند سبب کاهش ریسک مخاطره‌ی زمین‌لغزش در محدوده مسیر جاده حیران-آستارا گردد.
کلیدواژه‌های فارسی مقاله حساسیت زمین‌لغزش، شبکه عصبی مصنوعی، الگوریتم ماشین بردار پشتیبان، محور ارتباطی حیران،
عنوان انگلیسی Assessment of landslide sensitivity by neural network method and Vector machine algorithm (Case study: Heyran Road -Ardebil province)
چکیده انگلیسی مقاله Extended AbstractIntroductionThe occurrence of landslides is the result of the interaction of complex and diverse environmental factors. These factors are divided into the trigger and the primary cause. Landslide occurrence triggers include weathering, earthquakes, rainfall and snow melting. Human activity like construction of roads and buildings on steep slopes and dispersal of water from supply systems and sewers could also trigger the occurrence of the phenomena (Cubito et al., 2005). In this Investigation will be using data layers Region, Identifying of the most important factors landslide prone areas in Heyran road and in this Investigation effectiveness of methods used to be examined.IntroductionThe occurrence of landslides is the result of the interaction of complex and diverse environmental factors. These factors are divided into the trigger and the primary cause. Landslide occurrence triggers include weathering, earthquakes, rainfall and snow melting. Human activity like construction of roads and buildings on steep slopes and dispersal of water from supply systems and sewers could also trigger the occurrence of the phenomena (Cubito et al., 2005). In this Investigation will be using data layers Region, Identifying of the most important factors landslide prone areas in Heyran road and in this Investigation effectiveness of methods used to be examined.Materials & MethodsIn this study landslide sensitivity preparation mapping, position had landslide occurred in the study area bye GPS it got recorded and using geology Astara map Layer was extracted fault. Besides these layers used were layers of elevation, slope and aspect of the DEM with a resolution of 30 m. To do this research using the data above according to SVM algorithm landslide susceptibility maps sensitive communication axis was determined Heyran. SVM algorithm is based on statistical learning theory. According to this theory can be bound for to data error rate unclassified machine learning, to be considered as a generalized error rate. In this study, a better estimate of landslide susceptibility neural network method was used. After preparation of the layer of elevation, slope, aspect, geology, faults, land use and other factors data inputted in software SPSS Modeler. Software output for each one of the factors was just small amounts in continue investigation process landslide susceptibility map used software GIS was prepared.Results & DiscussionIn the zoning of landslide sensitivity, the most important part of the work is the preparation of a layer of dispersion of landslides in the region. The accuracy and precision of zoning is main due to this part of the work. In order to assess the accuracy and correctness of the zoning of field works, the study of landslides is an integral part and field works were carried out to identify landslides in the region. GPS is most important tool at this stage. A total of 42 cases of major landslides were recorded during Heyran. In this research, the Heiran road was investigated using neural network methods and vector machine algorithm. The layers used is elevation, slope, aspect, geological formations, faults, land use. Most affected by slope instability, mainly related to land use pasture, farmland and roads linking within the elevation is 1,400 meters high. In the overall evaluation of the performance of the models, sigmoid kernel model have better performance due to the layers used and the conditions of the axis of communication. So the results of these two models can be the basis of zoning.ConclusionSlope instability as one of the most important geomorphological hazards in some areas has made significant and has created serious problems for residents. This research has been carried out to identify areas of potential Landslide in the Heyran-Astara. This communication road is very important for landslide occurrence. In addition to road hazards, there are multiple slides along the road. It was necessary to study and compare accurate zoning methods for proper evaluation in this range. In this study, neural network models and four models vector machine algorithm has been evaluated and compared. According to the results of the sigmoid kernel and sigmoid kernel models, more than 80 percent of the 42 landslides are recorded in a large and very high class. In the overall assessment of the performance of the models, the sigmoid kernel and Neural network models are more consistent with the layers used and the conditions of the Heyran-Astara communication road and the registered position of the slides. So the results of these two models can be the basis of zoning.Keywords: Landslide susceptibility, artificial neural network, support-vector machines, Heyran Road.Keywords: Landslide susceptibility, artificial neural network, support-vector machines, Heyran Road.
کلیدواژه‌های انگلیسی مقاله حساسیت زمین‌لغزش, شبکه عصبی مصنوعی, الگوریتم ماشین بردار پشتیبان, محور ارتباطی حیران
نویسندگان مقاله فریبا اسفندیاری درآباد |
استاد ژئومورفولوژی، گروه جغرافیای طبیعی، دانشگاه محقق اردبیلی.

مسعود رحیمی |
دانش‌آموخته دکتری ژئومورفولوژی دانشگاه تبریز.

اصغر نویدفر |
دانشجوی دکتری ژئومورفولوژی دانشگاه تهران.

ارسلان مهرورز |
دانشجوی دکتری ژئومورفولوژی دانشگاه محقق اردبیلی.

نشانی اینترنتی https://www.geomorphologyjournal.ir/article_122210_90c42423c0e02ea5857799c0680520fc.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