پهنه بندي مناطق مستعد زمين لغزش با استفاده از پرسپترون چند لايه از نوع پيش خور با الگوريتم پس انتشار (مطالعه موردي: حوضه رودخانه سنگورچاي)

(landslide suscaptibility mapping to used of MLP(BP

زمين لغزش نشان دهنده فرايندهاي مورفوديناميك است كه در زمين هاي شيب دار رخ داده و به واحد هاي مسكوني، صنعتي، باغات و زمين هاي زراعي آسيب مي رساند. در اين تحقيق براي پهنه بندي زمين لغزش در حوضه رودخانه سنگورچاي از مدل پرسپترون چند لايه استفاده شد. به اين منظور، داده هاي 124 زمين لغزش شناسايي شده و به سيستم ارائه شد. در كنار آن براي پردازش زمين لغزش ها در نرم افزار MATLAB، 7 لايه متشكل از لايه هاي شيب، جهت شيب، DEM، ليتولوژي، شبكه هيدروگرافي، لايه NDVI و پراكنش زمين لغزش در نرم افزار Arc GIS ترسيم گرديد. اين لايه ها بر اساس بزرگترين مقدار موجود براي هر لايه نرماليزه شده و در محدوده بين 1 و صفر قرار گرفتند. سپس 80 درصد داده ها(6824 پيكسل) براي تعليم و 20 درصد داده ها(1706 پيكسل) براي تست انتخاب شده و در ساختار مدل پرسپترون چند لايه مورد پردازش قرار گرفتند. به علت وجود روابط غيرخطي در پديده زمين لغزش از توابع انتقال سيگموئيد استفاده گرديد. براي اين تحقيق تعداد نرون در لايه مياني از 5 تا 20 تغيير داده شد و با تعداد 18 نرون شبكه به كمترين خطا در مرحله آموزش و آزمايش رسيد. ضريب يادگيري كه ميزان تغيير وزن ها را در كنترل دارد، ‌از 0/1 تا 0/3 مورد بررسي قرار گرفت و با مقدار 0/3 شبكه به بهترين يادگيري دست يافت. در نهايت با توجه به وزن خروجي، نقشه پهنه بندي زمين لغزش ترسيم گرديد. نتايج نشان داد كه ساختار زمين شناسي شكل گرفته از مارن خاكستري و توفهاي آتشفشاني در كنار منابع رطوبتي بالا باعث شده كه ارتفاعات كوه هاي گنجگاه و اسلام آباد در محدوده جنوب غربي حوضه از قابليت بالايي در رخداد زمين لغزش برخوردار شوند.

Landslide represents morphodynamic processes that occur in steep terrain and the residential, industrial, gardens and arable land damage. In this study, the zoning landslide in the basin Songurchay Multilayer Perceptron model was used. For this purpose, the data of 124 landslides were identified and presented to the system. In addition to processing landslide in the software MATLAB, 7 layers of layers of slope, aspect, DEM, lithology, hydrographic network, NDVI and the distribution of landslides in Arc GIS software was drawn. Layers based on the normalized value for each layer in the range between 1 and zero respectively. Then 80% of the data for training and 20% for test data selection and the structure of the multilayer perceptron model were analyzed. Due to the nonlinear relationship between the phenomenon of landslides sigmoid transfer function was used. For this study, the number of neurons in the middle layer was changed from 5 to 20 and 18 neuron network with minimal error in the training and testing was. The learning rate of weight change in control, from 0.1 to 0.3 was tested with the 0.3 network to achieve the best learning. Finally, with respect to the weight of the output, landslide zonation map was drawn. The results showed that the geological structure of the mountains made of high potential benefit in the event of landslides.