شناسایی پهنه های مستعد خطر ریزش سنگ در جاده ارتباطی مشگین شهر- اهر با استفاده از شبکه عصبی مصنوعی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مخاطره ریزش سنگ می تواند در مسیر جاده های کوهستانی منجر به بروز خسارات جانی و مالی برای انسان ها شود. مسیر جاده ارتباطی مشگین شهر– اهر یکی از مسیر های ارتباطی می باشد که همواره با مخاطره ریزش سنگ روبه رو بوده است. ازاین رو شناسایی پهنه های مستعد خطر ریزش سنگ در این مسیر بسیار حائز اهمیت می باشد. در این تحقیق جهت شناسایی پهنه های مستعد خطر از شبکه عصبی مصنوعی مدل پرسپترون چندلایه (MLP) استفاده شد. برای این منظور 9 عامل تأثیرگذار در رخداد ریزش سنگ در محدوده موردمطالعه شناسایی و انتخاب شد. در ادامه با استفاده از بازدیدهای میدانی و نیز استفاده از تصاویر ماهواره ای لایه ریزش سنگ اتفاق افتاده در محدوده جاده تهیه گردید. سپس مدل سازی بر اساس این 9 عامل تأثیرگذار و لایه ریزش سنگ اتفاق افتاده در محیط نرم افزارSPSS Modeler صورت گرفت. نتایج تحقیق نشان داد که بیشترین امتیاز وزنی برای رخداد ریزش سنگ در منطقه موردمطالعه به ترتیب عوامل زمین شناسی 20/0، شیب و فاصله از گسل با 14/0 و ارتفاع با 12/0 بوده است. همچنین کمترین امتیاز وزنی نیز مربوط به عامل بارش با 05/0 و کاربری اراضی و جهت شیب با امتیاز وزنی 08/0 می باشد. همچنین بر طبق نتایج به دست آمده 13%، 14%، 28% و 45% درصد از منطقه موردمطالعه به ترتیب در کلاس های بسیار زیاد، زیاد، متوسط و کم قرار گرفته اند. نتایج تحقیق حاضر می تواند به کاهش مخاطرات دامنه ای و پایداری محیطی در محدوده موردمطالعه کمک کرده و گام مؤثری در توسعه پایدار منطقه بردارد.Identification of Rockfall Hazard Zones Along The Meshginshahr-Ahar Road Using Artificial Neural Networks
Rockfall hazards can cause significant human and financial losses along mountain roads. The Meshginshahr-Ahar road is one of the main transport routes constantly threatened by rockfalls. Therefore, the identification of rockfall zones along this route is crucial. In this study, a Multilayer Perceptron (MLP) artificial neural network was used to identify areas susceptible to rockfall. For this purpose, nine factors influencing rockfall occurrence in the study area were identified and selected. Subsequently, through field surveys and satellite images, a rockfall occurrence layer was prepared for the road corridor. The modeling process, based on these nine influencing factors and the rockfall occurrence layer, was conducted in the SPSS Modeler software. The results showed that the highest weighted factors contributing to rockfall occurrence in the study area were geology (0.20), slope and distance from faults (0.14), and elevation (0.12). On the other hand, the lowest weights were assigned to precipitation (0.05), land use, and slope aspect (0.08). The results also showed that 13%, 14%, 28%, and 45% of the study area fell into the very high, high, moderate, and low-risk classes respectively. The results of this research can help to reduce slope hazards and improve environmental stability in the study area, thereby making a significant contribution to the sustainable development of the region.
تبلیغات
