پهنه بندي وقوع بهمن با استفاده از مدل شبكه عصبي مصنوعي (MLP) (مطالعه موردي: كوهستان هاي شمالي استان البرز)

Avalanch Zoning Using Artificial Neural Network (MLP) Models (Case Study: Mountainous Area of North Alborz Province

بهمن يكي از انواع حركات توده اي است كه به حركت سريع توده اي از برف در جهت شيب دامنه اطلاق مي شود. بهمن ها در مسير حركت خود علاوه بر برف، سنگ و خاك و گياه را حمل مي كنند و منجر به آسيب رساندن به خطوط ارتباطي، ساختمان ها و خطوط انتقال نيرو در مسير حركت بهمن مي شوند. در اين پژوهش دامنه هايي كه داراي پتانسيل بهمن خيزي هستند، با استفاده از مدل شبكه عصبي مصنوعي (MLP) پهنه بندي گرديد. به منظور آموزش مدل داده هاي 39 دامنه اي كه بهمن در آن اتفاق افتاده بود را به شبكه معرفي كرده و عوامل موثر در وقوع بهمن شامل شيب، جهت شيب، ارتفاع، كاربري زمين، زمين شناسي، داده هاي هواشناسي شامل بارش و دما و شبكه آبراهه و خطوط ارتباطي به عنوان ورودي پس از نرماليزه كردن به شبكه معرفي شد و در نهايت پس از آزمون و خطا، جهت رسيدن به حداقل خطا و حداكثر دقت ساختاري با معماري يك لايه ورودي با 10 نرون، يك لايه پنهان با 15 نرون و يك لايه خروجي براي آموزش و يادگيري شبكه انتخاب شد. از داده 39 دامنه اي كه قبلا بهمن در آن اتفاق افتاده بود كه به عنوان نقاط سياه به شبكه معرفي شد 70 درصد براي آموزش و 30 درصد براي تست نتايج بكار گرفته شد و مدل با 90/4درصد دقت آموزش ديد. نهايتا پس از پهنه بندي دامنه هاي بهمن خيز با 88/6 درصد دقت در پهنه بندي، عامل جهت شيب، شيب و ارتفاع به ترتيب داراي بيشترين عامل در تاثير وقوع بهمن در منطقه شناخته شد.

Avalanche is one of a variety of mass movements that refers to the rapid movement of masses of snow in the direction of slope gradient. Avalanche drives in addition to snow, rock and soil and plant and damage the communication lines, buildings and power lines on the way to the avalanche. In this research, domains with avalanche potential were zoned using artificial neural network model (MLP). In order to study the model of the data of 39 fields that occurred in avalanche, the network was introduced and the factors affecting the avalanche include slope, gradient, altitude, land use, geology, weather data including precipitation and temperature, and the network of waterways and communication lines It was introduced as input after normalizing to the network, and finally, after the test and error, to achieve the minimum error and maximum structural accuracy with an input layer architecture with 10 neurons, a hidden layer with 15 neurons and an output layer for training an‎d network learning. Out of 39 data that was previously in the avalanche that was introduced as black spots to the network, 70% was used for training and 30% for the test, and the model was carefully trained with 90.4%. Finally, after zoning of avalanche slopes with 88.6 percent accuracy in zoning, the factor for slope, slope and elevation was the most important factor in avalanche occurrence in the region, respectively.