نویسندگان

• حمیدرضا مرادی ¹
• علیرضا سپهوند ²
• پرویز عبدالمالکی ³

¹ دانشیار دانشکده منابع طبیعی، دانشگاه تربیت مدرس، ایران

² کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، ایران

³ استادیار دانشکده علوم پایه دانشگاه تربیت مدرس، ایران

چکیده

بیش از 30 درصد از مساحت کشور ایران را مناطق کوهستانی تشکیل می‌دهد، لذا هر ساله حرکات توده ایموجب خسارت به انواع سازه‌های مهندسی، مناطق مسکونی و جنگل‌ها در پی آن ایجاد رسوب و سیلاب‌های گل‌آلودگی رودخانه‌ها می‌شود. لذا برای جلوگیری از این خسارت‌ها و تعیین حساسیت دامنه‌ها، به پهنه‌بندی خطر زمین‌لغزش در مناطق مختلف می‌پردازند. هدف از انجام این پژوهش، تعیین ساختار بهینه شبکه عصبی مصنوعی با تعداد عوامل ورودی مختلف برای پهنه‌بندی خطر وقوع زمین‌لغزش در بخشی از حوزه آبخیز هراز می‌باشد. برای انجام این پژوهش ابتدا تعداد تکرار بهینه برای جلوگیری از آموزش بیش از حد شبکه با روش سعی و خطا تعیین شد. سپس تعداد نرون در لایه پنهان 14 نرون تعیین شد. در نهایت تعداد نرون در لایه ورودی از 1 تا 9 تغییر داده شد. با توجه به نتایج به‌دست آمده مشخص شد که هر چه تعداد نرون در لایه ورودی افزایش یابد کارایی شبکه برای پهنه‌بندی حساسیت زمین‌لغزش بهتر می‌شود. در این پژوهش ساختار 9 نرون در لایه ورودی، 14 نرون در لایه پنهان و 1 نرون در لایه خروجی با نسبت یادگیری 2/0 به‌عنوان ساختار بهینه انتخاب شد که ریشه میانگین مربعات خطا و ضریب تبیین به‌ترتیب برابر 051/0 و 9623/0 بود. نقشه پهنه‌بندی تهیه شده با این ساختار دارای دقت 307/92 درصد بود. نتایج دیگر پژوهش نشان داد که از کل مساحت منطقه مورد مطالعه، 14/35، 73/26، 59/14، 88/9 و 63/13 درصد، به‌ترتیب در طبقه پایدار، کم خطر، خطر متوسط، خطر زیاد و خطر خیلی زیاد قرار گرفته است

کلیدواژه‌ها

• پهنه‌بندی خطر وقوع زمین‌لغزش
• حوزه آبخیز هراز
• زمین‌لغزش
• شبکه عصبی مصنوعی

عنوان مقاله [English]

Assessment of the Effect of Input Factors Number in Accuracy of Artificial Neural Network for Landslide Hazard Zonation (Case study: Haraz Watershed)

نویسندگان [English]

• Hamidreza Moradi ¹
• Alireza Sepahvand ²
• Parviz Abdolmaleki ³

چکیده [English]

More than 30% of Iran's land is formed from mountainous areas. So each year, landslides cause damages to structures, residential areas and forests, creating sedimentation, muddy floods and finally deposit the sediments in reservoir dams. Therefore, for preventing of this damages and expressing the sensitivity rate of hillslopes, landslide hazard zonation is considered in prone areas. The purpose of this study is to determine the optimal structure of artificial neural network with different numbers of input factors for the landslide hazard zonation in the Haraz Watershed. First, the number of optimal epochs was determined to prevent network overlearning with trial and error method. Then, 14 neurons were determined in the hidden layer. Finally, the number of neurons was changed from 1 to 9 in the input layer. According to the obtained results, with increasing the number of neurons in the input layer, efficiency of Artificial Neural Network improved for landslide susceptibility mapping. In this research, nine neurons in the input layer, 14 neurons in the hidden layer and one neuron in the output layer were selected as the optimal structure. Root Mean Square Error and Descriptive Coefficient (R2) were equal to 0.051 and 0.962, respectively and the accuracy of landslide hazard zonation map was equal to 92.3%. Meanwhile, the results showed that about 35.14, 26.73, 14.59, 9.88, and 13.63 percent of all studied areas are located in stable, low, moderate, high and extremely hazardous areas, respectively.

کلیدواژه‌ها [English]

• Artificial Neural Network
• Haraz watershed
• landslide
• Landslide Susceptibility Zonation