رضا طلائی؛ صمد شادفر
چکیده
مقدمه
زمین‌لغزش‌ها، یکی از مخاطرات طبیعی در مناطق کوهستانی هستند که ایمنی ساکنان و محیط زیست را تهدید می‌کنند. در چند دهه گذشته، زمین‌لغزش‌ها در حوضه سقزچی در جنوب استان اردبیل، باعث وارد شدن خسارت‌هایی به منابع طبیعی و انسانی شده‌اند. زمین‌لغزش‌ها، در بیش از 9.2 درصد (2600 هکتار) از مساحت این حوضه وجود دارند. ...
بیشتر
مقدمه
زمین‌لغزش‌ها، یکی از مخاطرات طبیعی در مناطق کوهستانی هستند که ایمنی ساکنان و محیط زیست را تهدید می‌کنند. در چند دهه گذشته، زمین‌لغزش‌ها در حوضه سقزچی در جنوب استان اردبیل، باعث وارد شدن خسارت‌هایی به منابع طبیعی و انسانی شده‌اند. زمین‌لغزش‌ها، در بیش از 9.2 درصد (2600 هکتار) از مساحت این حوضه وجود دارند. در این حوضه نیز مانند سایر مناطق زمین‌لغزشی، برای برنامه‌ریزی و مدیریت اراضی نیاز به تحلیل کل منطقه است، تا بر اساس آن احتمال وقوع زمین‌لغزش در آینده برآورد شود. حل این موضوع با تحلیل توام ویژگی‌های ژئومورفولوژی، توپوگرافی، زمین‌شناسی، کاربری اراضی، هیدرولوژی و آب و هوایی حوضه در قالب لایه‌های اطلاعاتی در محیط سامانه‌های اطلاعات جغرافیایی در یک مقیاس منطقه‌ای، امکان‌پذیر است. ارزیابی حساسیت به زمین‌لغزش در حوضه سقزچای تا به حال با روش‌های نوین و با دقت بالا انجام نگرفته است. دقت و اعتبار هر مدل، با استفاده از روش منحنی ROC و بر مبنای سطح زیر آن (AUC) تعیین شد. نتایج به دست آمده از این پژوهش، می‌تواند در پیشبینی وقوع احتمالی زمین‌لغزش و کاهش خسارت در حوضه سقزچای مورد استفاده قرار گیرد.
مواد و روش‌ها
حوضه مورد پژوهش، با مساحت 27918 هکتار در جنوب استان اردبیل و در جنوب غرب شهرستان خلخال واقع شده است. در این حوضه، نقشه پراکنش 113 زمین‌لغزش تهیه شد که در آن بهترتیب 70 و30 درصد از زمین‌لغزش‌ها به داده‌های آموزشی و ارزیابی اختصاص داده شدند. ده عامل موثر، در وقوع زمین‌لغزش‌ها شامل درصد شیب، جهات شیب، فاصله از گسل‌ها، فاصله از رودخانه‌ها، فاصله از راه‌ها، فاصله از مناطق مسکونی، واحدهای سنگ‌شناسی، بیشینه شتاب افقی زمین، کاربری اراضی و مجموع بارندگی سالانه، در تحلیل مدل‌ها مورد استفاده قرار گرفتند. به‌منظور پیشبینی حساسیت به وقوع زمین‌لغزش، از دو روش غیرخطی شبکه عصبی به نام پرسپترون چند لایه با ساختار رو به جلو و رگرسیون لجستیک، استفاده شد. بر اساس هر دو مدل، احتمال وقوع زمین‌لغزش در هر پیکسل محاسبه شد. دقت پیشبینی دو مدل با استفاده از منحنی ROC، مورد ارزیابی قرار گرفت.
نتایج و بحث
در مدل شبکه‌های عصبی، عوامل تشدید کننده شامل میانگین بارندگی سالانه (0.136) و بیشینه شتاب افقی زمین (0.134)، بیشترین تاثیر را در پیشبینی احتمال وقوع زمین‌لغزش‌ها داشته‌اند. عوامل فاصله از گسل‌ها (0.110)، واحدهای سنگ‌شناسی (0.109)، فاصله از راه‌ها (0.109)، فاصله از رودخانه‌ها (0.101)، فاصله از مناطق مسکونی (0.096)، جهات جغرافیایی دامنه‌ها (0.069)، کاربری اراضی (0.068) و درصد شیب دامنه‌ها (0.067) بهترتیب در مدلسازی حساسیت به زمین‌لغزش به روش شبکه‌های عصبی مصنوعی اهمیت دارند. بنابراین، تمامی ده عامل در مدلسازی به روش شبکه‌های عصبی مصنوعی، به‌کار گرفته شدند. نتایج به دست آمده نشان داد که احتمال وقوع زمین‌لغزش در فاصله 0.00 تا 0.961، تغییر می‌نماید. در طبقهبندی حوضه به درجات حساسیت به زمین‌لغزش، به روش شکست طبیعی بر مبنای احتمال برآوردی روش شبکه‌های عصبی، 85.7 درصد از منطقه در پهنه‌های با حساسیت کم و بسیار کم، قرار می‌گیرد. در 6.6 درصد از منطقه، احتمال حساسیت به زمین‌لغزش متوسط و در 7.7 درصد از حوضه حساسیت بالا و بسیار بالا برای وقوع زمین‌لغزش وجود دارد. تحلیل حساسیت به زمین‌لغزش به روش رگرسیون لجستیک، با روش بدون متغیر مستقل شروع شد و با اضافه کردن متغیرها در قدم دهم، خاتمه یافت. نتایج نشان می‌دهد که تنها سه سطح از عامل جهات جغرافیایی، در مدل رگرسیون لجستیک بی‌‌‌اثر هستند. با تخمین ثابت و ضرایب مربوط به متغیرهای مستقل در تحلیل رگرسیون لجستیک، مقادیر احتمال بین صفر تا یک، برای تمام پیکسل‌های منطقه محاسبه شد. با درجه‌بندی حساسیت به زمین‌لغزش به روش شکست طبیعی در مدل رگرسیون لجستیک، بهترتیب 79.9، 10.1 و 10 درصد از مساحت منطقه در گروه با درجات حساسیت پایین و بسیار پایین، متوسط و بالا و بسیار بالا قرار می‌گیرد. دقت و اعتبار مدل‌های رگرسیون لجستیک و شبکه عصبی مصنوعی، بر اساس منحنی ROC و سطح زیر آن (AUC) بهترتیب برابر 0.848 و 0.929 است. نتایج هر دو مدل، خوب بوده است و دقت بالاتر از 84 درصد داشته‌اند. نتایج به دست آمده از دو روش فوق، در اکثر مطالعات در دنیا و ایران حکایت از توانمندی آن‌ها در برآورد دقیق حساسیت احتمالی به زمین‌لغزش‌ها دارد، اما روش شبکه‌های عصبی مصنوعی، با وجود پیچیدگی‌های خاص دارای دقت بیشتری است.
نتیجه‌گیری
زمین‌لغزش، یک محدودیت مهم برای توسعه در مناطق لغزش‌خیز جنوب استان اردبیل است. شرایط محیطی، در حوضه سقزچی برای وقوع زمین‌لغزش‌های جدید و یا فعالیت زمین‌لغزش‌های قدیمی مستعد است. احتمال وقوع زمین‌لغزش در منطقه با استفاده از عوامل موثر و به روش رگرسیون لجستیک و شبکه عصبی مصنوعی، شبیه‌سازی شد. نتایج حاصل از مدل شبکه عصبی مصنوعی، دقیق‌تر بوده و بهتر از مدل رگرسیون لجستیک است. در مدل شبکه‌های عصبی مصنوعی، عوامل تشدید کننده زمین‌لغزش‌ها شامل میانگین بارندگی سالانه و بیشینه شتاب افقی زمین، بیشترین تاثیر را بر چگونگی پیشبینی احتمال وقوع زمین‌لغزش‌ها دارند. روش شبکه عصبی مصنوعی، در تبیین رابطه وقوع زمین‌لغزش با عوامل موثر، برتری نشان داد. نقشه حساسیت خروجی از این مدل، به پنج طبقه حساسیت بسیار کم (71.4 درصد)، کم (14.3 درصد)، متوسط (6.6 درصد)، زیاد (4.3 درصد) و بسیار زیاد (3.4)، تقسیم شد. استفاده از مدل‌های شبکه عصبی مصنوعی، در ارزیابی حساسیت به زمین‌لغزش در حوضه و مناطق مشابه، به‌منظور کمک به تصمیم‌گیران، برنامه‌ریزان، مدیران کاربری اراضی و سازمان‌های دولتی در کاهش خطرات و آسیب‌ها، توصیه می‌شود.
مجید خزایی؛ محمد رضا میرزایی
چکیده
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروری‌ترین مسائل برای مدیریت منابع آب میباشد. پژوهش حاضر با هدف مقایسه بین مدل‌های مختلف شبکه عصبی مصنوعی (MLP وRBF) و سریهای زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای ...
بیشتر
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروری‌ترین مسائل برای مدیریت منابع آب میباشد. پژوهش حاضر با هدف مقایسه بین مدل‌های مختلف شبکه عصبی مصنوعی (MLP وRBF) و سریهای زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره 30ساله بین سال‌های 1356 تا 1386 پیریزی شد. در روش شبکه عصبی مصنوعی از توابع محرک سیگموئیدی و پارامترهای تعداد تکرار، ضریب یادگیری، تعداد نرون مخفی و خطای هدف که با استفاده از آزمون و خطا بهدست آمده، استفاده شد. همچنین، در روش آرما از بین مدل‌های مختلف روشی که دارای کمترین میزان خطا و معیار سنجش آکائیک (AIC) بود بهعنوان مدل بهینه انتخاب شد. نتایج مدلسازی سریهای زمانی با استفاده از مدل‌های آنالیز روند، هالت وینترز و باکس-جنکینز (آرما) حاکی از دقت بیشتر مدل‌های آرما (2 و 2) (R=0.77) و هالت وینترز (R=0.72) بوده است. در مقایسه بین مدل‌های شبکه عصبی مصنوعی، مدل MLP با میانگین ضریب هم‌بستگی 0.83 نسبت به مدل RBF با میانگین ضریب هم‌بستگی 0.81 دقت بیشتری در پیشبینی دبی نشان داده است. در مجموع دقت‌سنجی مدل‌ها براساس آماره‌های ریشه میانگین مربعات خطا و ضریب هم‌بستگی حاکی از دقت بیشتر شبکه عصبی مصنوعی (ANN) نسبت به مدل‌های سری زمانی (ARMA) میباشد. همچنین، ارزیابی دقت در مدل‌های مختلف حاکی از دقت بیشتر مدل یک (R=0.86 و RMSE=6.45) با ورودی‌های دبی یک ماه تا چهار ماه قبل بوده است. بهترین معماری در روش شبکه عصبی مصنوعی نوع MLP، مدل شماره 1 با آرایش 1-20-4 بهترتیب با چهار نرون در لایه ورودی، 20 نرون در لایه مخفی و یک نرون در لایه خروجی شناخته شد.
