نوع مقاله : مقاله پژوهشی

نویسندگان

• خلیل ولیزاده کامران ¹
• فاطمه عدیمی ²
• محمدحسین پورقربان بنام ²

¹ گروه سنجش از دورو GIS دانشگاه تبریز

² دانشگاه تبریز

چکیده

یکی از مخاطراتی که زیر ساخت های موجود در مناطق مختلف را تهدید می کند، پدیده زمین لغزش است. مطالعه حاضر سعی در شناسایی پهنه های مستعد این پدیده طبیعی در شهرستان خلخال دارد، که با استفاده از روش شبکه عصبی انجام گرفته است. برای این منظور ۹ عامل تاثیر گذار بر لغزش شناسایی و تهیه شدند، لایه لغزش های اتفاق افتاده، از عکس های هوایی و تصاویر ماهواره ای و بازدید های میدانی بدست آمده و با استفاده ازنقاط غیر لغزشی در سطح منطقه، داده های آموزش شبکه عصبی پرسپترون چند لایه را ایجاد کردند. این داده ها به منظور مدلسازی شبکه عصبی، پس از آماده سازی اولیه در محیط نرم افزار ARC GIS 10.5 به نرم افزار MATLAB 2016 منتقل شده و با استفاده از کد نویسی شبکه عصبی MLP آموزش دیدند تا در مورد داده هایی که با آنها برخورد نداشته اند، پیش بینی انجام دهند. ساختار شبکه عصبی طراحی شده از بین شبکه های بسیاری که ایجاد و آزمایش شدند، ۱-۱۲-۹ انتخاب شد، که ۹ ورودی به تعداد معیار های تاثیرگذار، ۱۲ نورون در لایه میانی و یک نورون و لایه برای خروجی شبکه بدست آمد. نتایج نمودار اعتبار سنجی مدل شبکه عصبی (ROC) نشان دهنده دقت بالای ۹۵ درصدی مدل ایجاد شده در پیش بینی پیکسل های لغزشی است. بر طبق نتایج حاصله ۵۷/۰، ۱۱/۰، ۰۷/۰ ، ۰۶/۰ و ۱۷/۰ درصد از منطقه مورد مطالعه به ترتیب در کلاس های بسیار زیاد، زیاد، متوسط، کم و خیلی کم قرار گرفتند.

کلیدواژه‌ها

• زمین لغزش
• شبکه عصبی مصنوعی
• نمودار منحنی ROC
• شهرستان خلخال

موضوعات

• سنجش از دور و سیستم اطلاعات جغرافیایی

عنوان مقاله [English]

Identification of landslide-prone areas using multi layer perceptron (MLP) artificial neural network. Case study: Khalkhal city

نویسندگان [English]

• Khalil Valizadeh_Kamran ¹
• Fatemeh Adimy ²
• MohammadHosain Pourghorban Benam ²

¹ Department of Remote Sensing and GIS. Faculty of Planning and Environmental Sciences. University of Tabriz

² University of Tabriz

چکیده [English]

One of the hazards that threatens the existing infrastructures in different regions is the phenomenon of landslides. The present study tries to identify the prone areas of this natural phenomenon in Khalkhal city, which was done using the neural network method. For this purpose, 9 factors affecting landslides were identified and prepared, the layer of landslides that happened, obtained from aerial photos and satellite images and field visits, and using non-sliding points in the region, perceptron neural network training data. They created several layers. In order to model the neural network, these data were transferred to the MATLAB 2016 software after initial preparation in the ARC GIS 10.5 software environment and were trained using MLP neural network coding to deal with the data that they have not encountered. , make predictions. The structure of the designed neural network was selected from among the many networks that were created and tested, 1-12-9, which obtained 9 inputs as the number of effective criteria, 12 neurons in the middle layer and one neuron and layer for the output of the network. The results of the validation chart of the neural network (ROC) model show a high accuracy of 95% of the created model in predicting sliding pixels. According to the results, 0.57%, 0.11%, 0.07%, 0.06% and 0.07% of the studied area were placed in very high, high, medium, low and very low classes, respectively. Due to the fact that the largest area of the region is in a very high risk class,

کلیدواژه‌ها [English]

• landslide
• artificial neural network
• ROC curve diagram
• Khalkhal city