پهنه بندی پتانسیل خطر زمین لغزش با استفاده از مدل شبکه عصبی ( مورد مطالعه:حوضه آبریزالموت رود استان قزوین)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه جغرافیای طبیعی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز.

2 دانشجوی دکتری ژئومورفولوژی، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز.

10.22034/gmpj.2020.122223

چکیده

یکی از مهمترین فرآیندهای حرکات دامنه ای زمین‌لغزش می باشد. زمین‌لغزش جابجایی حجم زیادی از توده های خاک ، سنگ ویا ترکیبی از آنها به طرف پایین شیب ، در اثر نیروی ثقل می باشد و علاوه بر تلفات جانی بسیار ، موجب زیان های اقتصادی فراوانی خواهد شد. چون پیش بینی زمان و محل دقیق وقوع زمین‌لغزشها مشکل می باشد شناسایی نقاط حساس و پهنه بندی این مناطق بر اساس پتانسیل خطر ناشی از زمین‌لغزش اهمیت فراوانی دارد.تهیه نقشه پهنه بندی زمین‌لغزش به شناسایی مناطق آسیب پذیر در برنامه ریزی های محیطی کمک فراوانی می نماید. حوضه ی آبریز الموت رود ، در شمال شرقی استان قزوینواقع شده است و به علت کوهستانی بودن ،اختلاف ارتفاع بسیار زیاد ، لیتولوژی و سازند های مختلف زمین شناسی ، استعداد بسیار زیادی در ایجاد حرکات دامنه ای ، خصوصا زمین‌لغزش را دارا می باشد. هدف از این پژوهش شناسایی عوامل موثر و پهنه بندی پتانسیل این خطر در حوضه ی آبریزالموت رود استان قزوین با استفاده از شبکه عصبی مصنوعی( ANN)  می باشد. برای انجام این تحقیق ابتدا از طریق عکس های هوایی55000/1و 40000/1 و تصاویر ماهواره  سنتینل2 زمین‌لغزشها شناسایی و با بازدید های میدانی وتصاویر گوگل ارث مختصات وصحت آنها بررسی ونقشه پراکنش زمین‌لغزشها تهیه شد و با توجه به موقعیت زمین‌لغزشها ، 7 عامل موثر در وقوع آنها بررسی و به کمکGIS لایه های اطلاعاتی تهیه شد و در محیط متلب  ساختار مناسب برای پهنه بندی زمین‌لغزشهای حوضه با استفاده از مدل شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه نوشته شد. بر اساس نتایج حاصله از این مدل به ترتیب 84/26، 36/31، 32/21، 91/16و 49/3 درصد از مساحت منطقه در کلاس های خطر خیلی کم، کم، متوسط، زیاد و خیلی زیاد قرار دارند. همچنین ضریب کاپای 72/ محاسبه شد که مورد قبول می باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Landslide hazard potential zoning using the neural network method (Case study: Alamut watershed in Qazvin province)

نویسندگان [English]

  • masoumeh rajabi 1
  • mohammadhossein rezaeimoghadam 1
  • ahmad takzare 2
1 Professor and faculty member of Tabriz University
2 PhD students in Geomorphology, University of Tabriz
چکیده [English]

One of the types of wide-ranging processes that cause many casualties and financial losses in many parts of the world and Iran every year is landslides. Landslide is a mass movement of soil or rock due to gravity on slopes, which is one of the important geological hazards. Landslides are morphodynamic processes that have a complex structure and various factors and variables play a role in its creation, so it is very difficult to assess the risks of this phenomenon. This natural phenomenon causes the destruction or damage to residential areas, all kinds of vital structures and arteries such as roads, power lines, water, gas, pastures, forests, and agricultural lands and will have many destructive environmental and social effects. Landslide mechanisms and their main mechanisms, in addition to internal and external factors (climate), are also affected by human (entropic) activities. In today's world, many methods have been introduced for zoning the risk of landslides, which are generally divided into three categories: statistical methods (two-dimensional, multivariate, logistic regression, information value), experimental (Anbalagan, Mora-Warson, Stevenson) and a combination. (Artificial neural network and fuzzy logic) are divided. Most of these methods are experimental and are presented regionally for specific conditions. In Iran, there are many landslides every year that cause a lot of damage (Afjeh Nasrabadi et al., 2008). Alamut River catchment area with an area of 74.82 square kilometers, with coordinates of 15 23 23 ° 50 to 54 52 52 ° 50 eastern longitude and َ12 َ 17 ° 36 to 17 َ 33 ° 36 north latitude in northeastern Qazvin province in one The mountainous region is located. Due to the mountainous nature of the area and the great difference in altitude, various geological formations and a wide variety of lithology, have a great talent for creating wide-ranging movements, especially landslides. In this study, the potential for landslide risk in the Alamut River catchment area has been investigated using the perceptron artificial neural network method. Neural networks are computer algorithms that can extract our important relationships between a large number of linear and nonlinear parameters from a given bank. Pradhan Vali, 2010). Artificial neural network is one of the effective models in zoning the landslide. In this model, complex statistical analyzes have been avoided and based on nonlinear functions, each of the effective factors in landslides has been assigned weight. This model is based on the training of effective factors in landslides and by dividing the data in educational and experimental classes and using sigmoid functions, it proceeds to zoning the susceptible areas. Perceptron networks consist of an input layer, a number of hidden layers, and an output layer. In multilayer perceptron networks, the number of hidden layers can be any number, although in most applications a hidden layer is sufficient. To conduct this research, slides were first identified through the interpretation of aerial photographs and satellite images and field visits and a map of their distribution was prepared. In the next step, according to the location of landslides, seven effective factors of slope, slope direction, height, precipitation, land use, lithology and distance from fault were investigated and information layers were prepared by GIS and in MATLAB environment suitable structure for Landslide zoning was written using the artificial neural network method with a multilayer perceptron structure. In order to use the neural network method in MATLAB software, the following steps have been performed in order.
1. Provide data.
2. Normalize the data (0 to 1).
3. Squaring the area to 100 * 100 sides.
4. Teaching the neural network (using the previous slips and that the areas with a slope below 5 degrees and the areas inside the waterway do not have slips).
5. Convert data to Excel.
6. Enter the data into the network and get the output.
860 pixels of data were used to train and test the network throughout the region. Of these, 674 pixels were used for training and 184 pixels for network testing.The results of the artificial neural network outcomes in the experimental phase show that the network created was able to report 36 out of the 38 sliding pixels correctly, indicating of 91% sensitivity. Also, out of 150 non-slip pixels, the network was able to detect 143 experimental samples, which again achieved an accuracy of about 91%. Therefore, the total accuracy was calculated to be 91%. The number of repetitions was changed from 1000 to 15000, which was calculated with the number of repetitions of 10,000 as the minimum error value. According to the results of the neural network method, only 25.76% of the basin area is in the middle and upper class and 72.17% of the basin is in the low and very low class. Out of a total area of 435 square kilometers, landslides are 121 square kilometers, about 21.81 percent are in very low, low and medium classes and 314 kilometers, about 72.81 percent are in high and very high classes. Areas with high and very high risk classes are often located in the eastern and northern parts of the basin, and areas with very low and low risk classes are mostly located in the western and central areas.

کلیدواژه‌ها [English]

  • Landslide
  • Artificial Neural Network
  • Zoning
  • Alamut Rud
  • Qazvin
آرمین ، محسن. مصفایی، جمال. قربان نیا خیبری، وجیهه. خیری، افسانه( 1397) . پهنه بندی زمین‌لغزش و برنامه مدیریتی کنترل خطر آن در استان کهکلویه و بویر احمد با استفاده از مدل حائری- سمیعی. مجله پژوهش های ژئومورفولوزی کمی، سال هفتم، شماره 4، صص196-176
اصغری سراسکانرود، صیاد. بلواسی، ایمانعلی(1397). مقایسه شبکه عصبی مصنوعی با مدل منطق فازی در ارزیابی خطر زمین لغزش ( مطالعه موردی حوضه ابریز سیمره چنار). ، مجله پژوهش های ژئومورفولوژی کمی، دوره 7، شماره 2، شماره پیاپی 26، صص 182-158
 بابلی موخر، حمید. شیرانی ، کوروش . تقیان، علی رضا(1397). ارزیابی نقشه پهنه بندی حساسیت زمین لغزش با استفاده از روش تلفیقی فاکتور اطمینان و رگرسیون لجستیک با بکارگیری شاخص های ژئومورفومتریک. مجله پژوهش های ژئومورفولوژی کمی، دوره 7 ، شماره3، شماره پیاپی27، صص 116-91
دهقان منشادی، اسماعیل . فلاحی ، غلامرضا .(1394) : کاربرد منطق فازی و الگوریتم شبکه عصبی مصنوعی در تهیه نقشه حساسیت زمین‌لغزش در رودخانه چالوس  - نشریه مهندسی نقشه برداری و اطلاعات مکانی ، شماره 2
رجبی، معصومه. خلیل ولی زاده ،کامران. حسن، عابدی قشلاقی(1395) . ارزیابی و پهنه بندی خطر زمین‌لغزش با استفاده از فرآیند تحلیل شبکه و شبکه عصبی مصنوعی( مطالعه موردی : حوضه آذر چای).مجله پژوهش های ژئومورفولوژی کمی ، سال پنجم، شماره1، صص 74-60
ر جبی ،معصومه . فیض الله پور،مهدی . (1392) : پهنه بندی زمین‌لغزشهای حوضه رودخانه گیوی چای با استفاده از مدل پرسپترون چندلایه انوع پیش خور پس انتشار (Bp ) ؛ جغرافیا و توسعه، شماره پیاپی 36، صص 180- 161.
روستایی ، شهرام . احمد زاده، حسن.(1391) : پهنه بندی مناطق متاثر از خطر زمین‌لغزش در جاده تبریز – مرند با استفاده از سنجش از دور و GIS  - پژوهش های ژئومورفولوژی کمی ، شماره 1 تابستان 1391 صص 58-47
روستایی،شهرام. حجازی،اسدالله. رجبی،معصومه. جلالی،نادر. نجفی ایگدیر،احمد (1397) .کاربرد منطق فازی در پهنه بندی خطر زمین‌لغزش در حوضه ی آبخیز نازلوچای . مجله پژؤوهش های ژئومورفولوژی کمی، سال ششم، شماره 4، صص  119-103
سازمان جغرافیایی نیروهای مسلح – عکس های هوایی با مقیاس 1:55000
سازمان جغرافیایی نیروهای مسلح – نقشه های توپوگرافی  50000/1 شیت های  - معلم کلایه Ι 6062 – لاکتراشان Ι Ι Ι 6163 – هیر Ι Ι 6063   - گازرخان v Ι 6162 - شهرستانک Ι 6162
معزز،سمیه. روستایی، شهرام. رحیم پور، توحید (1398). پهنه بندی خطر وقوع زمین لغزش در حوضه آبریز نهندچای با استفاده از مدلANP و تکنیکGIS. مجله پژوهش های ژئومورفولوژی کمی، دوره8، شماره2، شماره پیاپی30، صص 37-23
مختاری اصل ، ابوالفضل. رنجبریان شادباد، مریم (1395). ارزیابی وپهنه بندی احتمال خطر زمین‌لغزش درحوضه ی آبریز بایجیلو با مدلAHP . مجله پژؤوهش های ژئومورفولوژی کمی، سال چهارم، شماره 4، صص133-119
مکرم، مرضیه. شایگان ، مهران (1397). ارزیابی خطر زمین‌لغزش و ارتباط آن با نوع لندفرم در محیط GIS. پژوهش های ژئومورفولوژی کمی، سال ششم ، شماره 4 ،صص 31-17
نادری، فتح الله (1391) : کاربرد منطق فازی در پهنه بندی خطر زمین‌لغزش در حوضه ی آبخیز چرداول ایلام – پژوهش های جغرافیایی ، شماره ی 1 (پیاپی94) بهار 1391 صص 85- 74
ناصری عدنان، حجازی اسداله، رضایی مقدم محمد حسین(1399). پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل شبکه عصبی مصنوعی در پایین دست سد سنندج. فصل‌نامه علمی- پژوهشی پژوهش‌های فرسایش محیطی. سال10، شماره1،صص19 -1
نوجوان، محمدرضا . شاه زیدی، سمیه سادات. داودی، محمود. امین رعایا، هاجر(1398). پهنه بندی خطرزمین‌لغزش با استفاده از تلفیق دومدل فرآیند تحلیل سلسله مراتبی و فازی(مطالعه موردی حوضه ی آبخیز کمه ، استان اصفهان). مجله پژوهش های ژئومورفولوژی کمی، دوره 7، شماره 4 ، شماره پیاپی 28، صص 159-142.
 Annells, R.N.etal.(1975)-Explantory text of the Qazvin and Rasht Quadrangles map1:250000 , geological survy of Iran
  Conforti M, Pascale S,  Robustelli  G,  Sdao F. 2014. Evaluation of prediction capability of the artificial  neural  networks  for  mapping  landslide  susceptibility  in  the  Turbolo  River catchment (Northen  Calabria , Italy).  Catena, 113:  236-250
  Garcia,M . j ,Rodriquez , Malpica , J. a , benito , B, Diaz , M ,. (2008) , susceptibility  assessment of  earthquake triggered  landslide in Elsalvador using logistic regression , Geomorphology 95, 171 -191
 Joaquin Andres Valencia & Ortiz Miguel Martinez- Grana,. 2018, A neural network model applied to landslide susceptibility analysis (Capitanejo, Colombia),. Geomatics,Natural Hazards risk. Volume 9,Issue 1 .1106-1128
  Li ZhuLianghao HuangLinyu FanJinsong HuangFaming Huang, Jiawu ChenZihe Zhang, and Yuhao Wang,(2020). Landslide Susceptibility Prediction Modeling Based on Remote Sensing and a Novel Deep Learning Algorithm of a Cascade-Parallel Recurrent Neural Network. Sensors (Basel).; 20(6): 1576
 Ramesht, M.H., Shahzeydi, S., 2011, Application of Geomorphology in Regional, National,
Economic and Tourism, 2rd Edition, University of Isfahan Press.
 Thiery,y ., Philippe,M.J.&Maquaire, O,. 2006 –Test of fuzzy logic Rules for land slide susceptibility  assessment conference  sageo Strasbourg 2006
  Vahidnia.M.H,. Alesheikh. A.A,. Alimohammadi . A,. Hosseiali. F,.2010. A GIS-based neurofuzzy  procedure for integrating  knowledge and data in land slide  susceptibility  mapping  computer & Geosciences   (article online first available). 04.004