عنوان مقاله :
ارزيابي خطر زمينلغزش در منطقه چهارگوش قزوين - رشت (شمال ايران)
عنوان به زبان ديگر :
Landslide risk assessment in Qazvin-Rasht quadrangle zone (North of Iran
پديد آورندگان :
پاشا، اميرحسين دانشگاه آزاد اسلامي واحد علوم و تحقيقات تهران - دانشكده محيط زيست و انرژي - گروه سنجش از دور و سيستم اطلاعات جغرافيايي , بهزادي، سعيد دانشگاه آزاد اسلامي واحد علوم و تحقيقات تهران - دانشكده محيط زيست و انرژي - گروه سنجش از دور و سيستم اطلاعات جغرافيايي , سربي، علي دانشگاه آزاد اسلامي واحد كرج - دانشكده علوم پايه - گروه زمين شناسي
كليدواژه :
زمينلغزش , پهنه‌بندي , شبكه عصبي مصنوعي , چهارگوش قزوين - رشت
چكيده فارسي :
حركات دامنه‌اي و به‌طور خاص زمين‌لغزش‌ها از جمله مخاطرات طبيعي هستند كه تا حد زيادي رخداد، كنترل يا پيشگيري از آنها در اختيار بشر است. پر واضح است كه دخالت‌هاي انسان در طبيعت بدون در نظر گرفتن شرايط پايداري و تعادل طبيعي آن، سبب بروز واكنش‌هاي فيزيكي از سوي اين محيط براي بازگشت به حالت تعادلي و پايدار مي‌شود. خسارت‌هاي ناشي از رخداد زمين‌لغزش‌ها كه در دهه‌هاي اخير روند رو به رشدي داشته؛ بشر را وادار به يافتن راهكارهاي مناسب براي كاهش و كنترل اين پديده كرده است. پهنه‌بندي مناطق حساس به لغزش از جمله پركاربردترين روش‌ها براي دوري جستن از مناطق داراي خطر يا اعمال روش‌هاي كنترلي در مناطق پرخطر است. اين پژوهش براي پهنه‌بندي حساسيت زمينلغزش در منطقه چهارگوش قزوين-رشت از شبكه عصبي مصنوعي استفاده مي‌كند. منطقه مورد بررسي به لحاظ شرايط توپوگرافي، اقليمي و زمين‌شناسي، يكي از مستعدترين مناطق براي رخداد زمين‌لغزش‌هاست؛ چنان كه تاريخچه منطقه 338 زمينلغزش ثبت شده را نشان مي‌دهد. 15 متغير كه به‌طور متناوب در ديگر پژوهش‌ها به‌عنوان متغيرهاي مؤثر در رخداد زمين‌لغزش‌ها مورد مطالعه قرار گرفته‌اند؛ براي بررسي اين منطقه انتخاب شد. با تلفيق اين متغيرها و نقشه زمين‌لغزش‌هاي موجود، مقادير هر يك از اين 15 متغير براي نقاط لغزشي استخراج شد. در مرحله بعد تعدادي نقطه به‌صورت تصادفي (1000 نقطه) از منطقه انتخاب و مقادير اين 15 متغير نيز براي آنها استخراج شد. هر كدام از دو مجموعه داده به دودسته آموزش (70%) و امتحان (%30) تقسيم شد. هر كدام از دو دسته آموزشي و امتحان با يكديگر تركيب و از خروجي آنها براي آموزش و امتحان شبكه استفاده شد. تعداد لايه‌هاي داخلي شبكه عصبي با روش سعي و خطا و محاسبه مقدار خطاي جذر ميانگين مربعات (RMSE = 0.4041) ( لايه 9 لايه) تعيين شد. شبكه عصبي ساخته شده از نوع شبكه پيش‌خور با الگوريتم پس‌انتشار خطا و الگوريتم آموزشي آن از نوع الگوريتم آموزشي پس انتشار لونبرگ - ماركوارت است. پس از آموزش و امتحان شبكه و انجام تصحيحات لازم روي آن، از اين شبكه عصبي ساخته شده براي پيش‌بيني حساسيت زمينلغزش در منطقه مورد مطالعه استفاده شد. نتايج حاصل از پيش‌بيني در بازه ميان 0 تا 1 قرار داده شد و با انتخاب يك حد آستانه بهترين نقشه پهنه‌بندي حساسيت زمينلغزش به دست آمد. ارزيابي پاياني نقشه پهنه‌بندي حساسيت زمينلغزش در منطقه چهارگوش قزوين- رشت، خطايي در حدود (RMSE=0.4164) نشان مي‌دهد و شبكه عصبي ساخته شده از 338 زمينلغزش رخ داده در منطقه، 298 مورد را در پهنه پرخطر و كاملاً پرخطر شناسايي مي‌كند كه نشان از دقت88/1 % آن دارد.
چكيده لاتين :
Mass movements, especially landslides, are one of the natural hazards that to a large extent occur, are controlled, or are prevented by human. It is obvious that human interferences in nature regardless of stability conditions and its natural balance leads to physical reactions from the environment to return the sustainability and balance. Damages caused by the landslides, which have been growing in recent decades, have made humans to find appropriate solutions to reduce and control this phenomenon. Zonation of areas susceptible to landslide is one of the most widely used methods to avoid hazardous areas or applying controlling methods in hazardous areas. This research uses artificial neural network for zonation of landslide susceptibility in the Qazvin-Rasht quadrangle area. The studied area is one of the most susceptible areas for landslide event in terms of topography, climate, and geology, as the history of the area shows 338 recorded landslides. Fifteen variables studied in other researches as effective variables in occurrence of landslides were selected to investigate this area. By combining these variables and the map of existing landslides, value of each of the 15 variables was extracted for sliding points. In the next stage, a number of points (1000 points) were randomly selected from the area and values of these variables were extracted for them. Each of the two data sets was divided into two training (70%) and test (30%) categories. We combined each of the two training and test categories, and used their output for training and testing the network. The number of internal layers of the neural network was determined to be 9 layers based on trial and error method and calculation of the root mean square error value (RMSE = 0.4041). The constructed neural network is of feedforward networks type with back-propagation algorithm and its training algorithm is of Levenberg-Marquardt back-propagation training algorithm type. After training and testing the network and conducting necessary corrections on it, the constructed neural network was used to predict the sensitivity of landslides in studied area. We placed results of this prediction in a range from 0 to 1 and obtain the best zonation map of the landslide susceptibility by choosing a threshold. Final evaluation of the zonation map of landslide susceptibility in the Qazvin-Rasht quadrangle shows an error of approximately RMSE = 0.4164 and the constructed neural network identifies 298 out of 338 occurred landslides in the high-risk zone, indicating the accuracy of 88.1%.
