پهنه‌بندي زمين‌لغزش‌هاي حوضه‌ي رودخانه‌ي گيوي‌چاي با استفاده از مدل پرسپترون چندلايه از نوع پيش‌خور پس‌انتشار (BP)

Zoning the Landslides of Givichay River Basin by Using Multi Layer Perceptron Model

زمين‌لغزش‌ نشان‌دهنده‌ي فرايندهاي مورفوديناميك است كه در زمين‌هاي شيب‌دار رخ داده و به واحد‌هاي مسكوني، صنعتي، باغات و زمين‌هاي زراعي آسيب مي‌رساند. در اين تحقيق براي پهنه‌بندي زمين‌لغزش‌ در حوضه‌ي رودخانه گيوي‌چاي از مدل شبكه عصبي پرسپترون چند لايه از نوع پيش خور پس‌انتشار (BP) استفاده شد. جهت ارزيابي شبكه‌ي‌ عصبي ايجاد شده، داده‌هاي 41 زمين‌لغزش‌ رخ داده به سيستم ارايه شد. در كنار آن براي پردازش زمين‌لغزش‌ها در نرم‌افزار MATLAB، 8 لايه متشكل از لايه‌هاي شيب، جهت شيب، DEM، ليتولوژي، فاصله از گسل، شبكه هيدروگرافي، كاربري اراضي و پراكنش زمين‌لغزش‌ با استفاده از مطالعات ميداني، نقشه‌هاي توپوگرافي، نقشه‌هاي زمين‌شناسي و تصاوير ماهواره‌اي در نرم‌افزار Arc GIS ترسيم شد. اين لايه‌ها جهت تغذيه به شبكه‌ي عصبي ايجاد شده و بر اساس بزرگترين مقدار موجود براي هر لايه نرماليزه شده و در محدوده بين 1 و صفر قرار گرفتند. سپس داده‌هاي نرماليزه شده به يك شبكه‌ي عصبي مصنوعي پرسپترون سه لايه پيش‌خور با الگوريتم پس‌انتشار خطا تغذيه گرديد. داده‌هاي فوق ابتدا در شبكه آموزش ديده شد و سپس مورد آزمايش قرار گرفت. ساختار نهايي شبكه داراي 8 نرون در لايه‌ي ورودي، 20 نرون در لايه‌ي پنهان و 1 نرون در لايه‌ي خروجي مي‌باشد. در اين بين 80 درصد اطلاعات براي آموزش و 20 درصد باقيمانده براي آزمايش در نظر گرفته شد. در نهايت با توجه به وزن خروجي، نقشه‌ي پهنه‌بندي زمين‌لغزش‌ در پنج رده با خطر خيلي زياد، زياد، متوسط، كم و خيلي كم ترسيم گرديد. نتايج حاصل نشان داد كه ساختار زمين‌شناسي شكل گرفته از آهك‌هاي كرتاسه و آندزيت‌هاي پرفيري و همچنين دسترسي به منابع رطوبتي بالا باعث شده كه ارتفاعات شرقي كوه‌هاي بوغروداغ و آلاداغ در محدوده‌ي كوه‌هاي تالش از قابليت بالايي در رخداد زمين‌لغزش‌ برخوردار شوند.

Landslides represent morphodynamic processes which occurs on the sloped lands, and may damage residential , industrial, gardens and croplands. In this investigation multi-layer perceptron model of back propagation (BP) was used in landslide zoning in Givichay river basin. To evaluate the created neural network, the dataset related to 41 landslide events were presented. Then for processing landslide data in MATLAB software, 8 Layers consisting slope, slope direction, DEM, lithology, distance from the fault, hydrographic network, land use and landslide distribution using field studies, topographic , geological maps and satellite images was prepared in ArcGIS software. These layers were scaled in the range between 1 and 0 based on the largest value for each normalized layer. Then the normalized data was fed to three-layer Perceptron (feed forward) with the back error propagation algorithm. These data was first trained and then tested in the network. The final structure of the network has 8 neurons in the input layer, 20 neurons in the hidden layer and 1 neuron in the output layer. 80 percent of data was considered for training and 20 percent for testing. Finally, with regard to the output weights, landslide zoning maps in five classes: very high, high, medium, low and very low risk were drawn. The obtained results showed that the formed geological structure by Certaceous lime and Andesit Porphyry and also access to high humid resources has made the eastern heights of Boogharodagh and Aladagh in the area of Talesh mountains to have a high potential in the occurrences of landslides.