پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه
ریزش سنگ یکی از پدیده‌هایی است که رخداد آن سبب ایجاد خسارات زیادی به‌ویژه در مناطق کوهستانی می‌شود؛ بنابراین ارزیابی نواحی مستعد رخداد ریزش سنگ در مناطق کوهستانی، امری ضروری است. هدف از این پژوهش، پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه است. برای ش...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2024-12-01
|
| Series: | جغرافیا و مخاطرات محیطی |
| Subjects: | |
| Online Access: | https://geoeh.um.ac.ir/article_45308_b22a4052a1f471546566ec5c8c73560c.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832592549154390016 |
|---|---|
| author | فریبا اسفندیاری درآباد مسعود رحیمی مهرداد وهاب زاده |
| author_facet | فریبا اسفندیاری درآباد مسعود رحیمی مهرداد وهاب زاده |
| author_sort | فریبا اسفندیاری درآباد |
| collection | DOAJ |
| description | ریزش سنگ یکی از پدیده‌هایی است که رخداد آن سبب ایجاد خسارات زیادی به‌ویژه در مناطق کوهستانی می‌شود؛ بنابراین ارزیابی نواحی مستعد رخداد ریزش سنگ در مناطق کوهستانی، امری ضروری است. هدف از این پژوهش، پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه است. برای شناسایی عوامل مهم در رخداد ریزش سنگ با توجه به مطالعات میدانی 8 عامل شناسایی‌شده که شامل ارتفاع، پوشش گیاهی، جهت شیب، فاصله از گسل، فاصله از جاده، زمینشناسی، کاربری اراضی و شیب است. تمامی لایه‌ها بعد از فرایند پیش‌پردازش، وارد نرم‌افزار SPSS Modeler شده و مدل‌سازی با 9 نورون ورودی، 8 نورون میانه و 1 خروجی طراحی‌شده است. نتایج این پژوهش نشان داد در الگوریتم پرسپترون چند‌‌لایه، بیشترین ارزش وزنی را برای لایه زمینشناسی با مقدار 20/0 و برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 12/0 اختصاص داده است. به لحاظ پراکنش طبقات خطرپذیری، 98 درصد از طبقات خطرپذیری زیاد تا خیلی زیاد در بخش جنوبی منطقه گسترش دارد و بخش شمالی منطقه به لحاظ داشتن خطرپذیری در طبقه کم تا متوسط قرار گرفته است. همچنین در بخش اعتبار سنجی مدل، نتایج نشان داد که مقدار AUC در بخش آموزش عدد 9810/0 و در بخش تست شبکه عدد 9876/0 بوده است که این نیز نشان میدهد مدل در بخش آموزش و هم در بخش تست دارای اعتبار بالایی بوده و در رتبه عالی قرارگرفته است. درنهایت پیشنهاد میگردد در مطالعات آتی برای بررسی و ارزیابی ریزش سنگ و حرکات دامنه‌ای در این منطقه، از مدلهای دیگر یادگیری ماشین استفاده شود. |
| format | Article |
| id | doaj-art-0f751e591cda403f98f5609e21ec3ca0 |
| institution | Kabale University |
| issn | 2322-1682 2383-3076 |
| language | English |
| publishDate | 2024-12-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | جغرافیا و مخاطرات محیطی |
| spelling | doaj-art-0f751e591cda403f98f5609e21ec3ca02025-01-21T06:39:48ZengFerdowsi University of Mashhadجغرافیا و مخاطرات محیطی2322-16822383-30762024-12-0113412610.22067/geoeh.2024.87847.148245308پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایهفریبا اسفندیاری درآباد0مسعود رحیمی1مهرداد وهاب زاده2استاد ژئومورفولوژی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایراناستادیار ژئومورفولوژی، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایرانکارشناسی ارشد ژئومورفولوژی و آمایش محیط، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایرانریزش سنگ یکی از پدیده‌هایی است که رخداد آن سبب ایجاد خسارات زیادی به‌ویژه در مناطق کوهستانی می‌شود؛ بنابراین ارزیابی نواحی مستعد رخداد ریزش سنگ در مناطق کوهستانی، امری ضروری است. هدف از این پژوهش، پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه است. برای شناسایی عوامل مهم در رخداد ریزش سنگ با توجه به مطالعات میدانی 8 عامل شناسایی‌شده که شامل ارتفاع، پوشش گیاهی، جهت شیب، فاصله از گسل، فاصله از جاده، زمینشناسی، کاربری اراضی و شیب است. تمامی لایه‌ها بعد از فرایند پیش‌پردازش، وارد نرم‌افزار SPSS Modeler شده و مدل‌سازی با 9 نورون ورودی، 8 نورون میانه و 1 خروجی طراحی‌شده است. نتایج این پژوهش نشان داد در الگوریتم پرسپترون چند‌‌لایه، بیشترین ارزش وزنی را برای لایه زمینشناسی با مقدار 20/0 و برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 12/0 اختصاص داده است. به لحاظ پراکنش طبقات خطرپذیری، 98 درصد از طبقات خطرپذیری زیاد تا خیلی زیاد در بخش جنوبی منطقه گسترش دارد و بخش شمالی منطقه به لحاظ داشتن خطرپذیری در طبقه کم تا متوسط قرار گرفته است. همچنین در بخش اعتبار سنجی مدل، نتایج نشان داد که مقدار AUC در بخش آموزش عدد 9810/0 و در بخش تست شبکه عدد 9876/0 بوده است که این نیز نشان میدهد مدل در بخش آموزش و هم در بخش تست دارای اعتبار بالایی بوده و در رتبه عالی قرارگرفته است. درنهایت پیشنهاد میگردد در مطالعات آتی برای بررسی و ارزیابی ریزش سنگ و حرکات دامنه‌ای در این منطقه، از مدلهای دیگر یادگیری ماشین استفاده شود.https://geoeh.um.ac.ir/article_45308_b22a4052a1f471546566ec5c8c73560c.pdfپهنه بندی خطر ریزشالگوریتم پرسپرون چند لایهمخاطرات جاده اییتجزیه و تحلیل پایداری دامنهجاده خلخال |
| spellingShingle | فریبا اسفندیاری درآباد مسعود رحیمی مهرداد وهاب زاده پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه جغرافیا و مخاطرات محیطی پهنه بندی خطر ریزش الگوریتم پرسپرون چند لایه مخاطرات جاده ایی تجزیه و تحلیل پایداری دامنه جاده خلخال |
| title | پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه |
| title_full | پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه |
| title_fullStr | پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه |
| title_full_unstemmed | پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه |
| title_short | پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه |
| title_sort | پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه |
| topic | پهنه بندی خطر ریزش الگوریتم پرسپرون چند لایه مخاطرات جاده ایی تجزیه و تحلیل پایداری دامنه جاده خلخال |
| url | https://geoeh.um.ac.ir/article_45308_b22a4052a1f471546566ec5c8c73560c.pdf |
| work_keys_str_mv | AT frybạạsfndyạrydrậbạd phnhbndymkẖạṭrhryzsẖsngdrjạdhkẖlkẖạlbhsẖạhrwdbạạstfạdhạzạlgwrytmprsptrwncẖndlạyh AT msʿwdrḥymy phnhbndymkẖạṭrhryzsẖsngdrjạdhkẖlkẖạlbhsẖạhrwdbạạstfạdhạzạlgwrytmprsptrwncẖndlạyh AT mhrdạdwhạbzạdh phnhbndymkẖạṭrhryzsẖsngdrjạdhkẖlkẖạlbhsẖạhrwdbạạstfạdhạzạlgwrytmprsptrwncẖndlạyh |