مهرداد وهاب زاده

زمین لغزش یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود. بنابراین ارزیابی و شناخت عوامل مؤثر بر وقوع رخداد زمین لغزش در مناطق کوهستانی امری ضروری است. هدف از این پژوهش شناسایی عوامل مؤثر بر زمین لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP می باشد. مدل MLP یکی از مدل های کارآمد شبکه عصبی است که توانایی حل مسائل پیچیده را دارد. برای شناسایی عوامل مهم در رخداد زمین لغزش با توجه به مطالعات میدانی 8 عامل شناسایی شده است که شامل: زمین شناسی، پوشش گیاهی، فاصله از جاده، کاربری راضی،  شیب، جهت شیب، ارتفاع، نقاط واقعی زمین لغزش استفاده شده است. بعد از پیش پردازش ها تمام لایه ها وارد نرم افزارSPSS MODELER شده و مدل سازی با 8 نورون ورودی 6 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داده که خروجی وزنی مدل MLP بیشترین ارزش وزنی را برای لایه زمین شناسی با مقدار 26/0 برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 13/0 اختصاص داده است. هم چنین در بخش اعتبار سنجی مدل مقدار AUC عدد 948/0 در بخش آموزش و 962/0 در بخش تست شبکه را نمایش می دهد که گویای این است که مدل هم در بخش آموزش و هم در بخش تست دارای اعتبار بالایی می باشد بنابر این نتیجه گیری می شود که عامل زمین شناسی نسبت به سایر عوامل در رخداد زمین لغزش در منطقه تأثیر زیادی دارد و درنهایت پیشنهاد می گردد در مطالعات آتی برای مطالعه و ارزیابی زمین لغزش و حرکات دامنه ای از مدل های یادگیری ماشینی و هوش مصنوعی استفاده شود

ریزش سنگ یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود؛ بنابراین ارزیابی نواحی مستعد رخداد ریزش سنگ در مناطق کوهستانی، امری ضروری است. هدف از این پژوهش، پهنه بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند لایه است. برای شناسایی عوامل مهم در رخداد ریزش سنگ با توجه به مطالعات میدانی 8 عامل شناسایی شده که شامل ارتفاع، پوشش گیاهی، جهت شیب، فاصله از گسل، فاصله از جاده، زمین شناسی، کاربری اراضی و شیب است. تمامی لایه ها بعد از فرایند پیش پردازش ، وارد نرم افزار SPSS Modeler شده و مدل سازی با 9 نورون ورودی، 8 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داد در الگوریتم پرسپترون چند لایه، بیشترین ارزش وزنی را برای لایه زمین شناسی 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 می دهد مدل در بخش آموزش و هم در بخش تست دارای اعتبار بالایی بوده و در رتبه عالی قرارگرفته است. درنهایت پیشنهاد می گردد در مطالعات آتی برای بررسی و ارزیابی ریزش سنگ و حرکات دامنه ای در این منطقه، از مدل های دیگر یادگیری ماشین استفاده شود.