تهیه نقشه حساسیت زمین‌لغزش با استفاده از سیستم استنتاج عصبی-فازی تطبیقی در شمال شهر تهران

نوع مقاله : مروری

نویسندگان

1 دکتری علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس- نور

2 دانشیار، گروه مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم دریایی، دانشگاه تربیت مدرس، نور

3 دانشیار گروه زمین­شناسی، دانشگاه خوارزمی

چکیده

هدف از تحقیق حاضر تهیه نقشه حساسیت زمین­لغزش با استفاده از سیستم استنتاج عصبی-فازی تطبیقی در شمال شهر تهران است. به این منظور با استفاده از تصاویر ماهواره­ای GeoEye سال­های 2012-2011، SPOT-5 سال 2010 و بازدیدهای صحرایی، 528 نقطه لغزشی شناسایی و نقشه پراکنش زمین­لغزش­های منطقه مورد مطالعه تهیه گردید. لایه­های اطلاعاتی درجه شیب، لیتولوژی، جهت شیب، کاربری اراضی، فاصله از آبراهه، طبقه ارتفاعی، فاصله از گسل، شکل شیب، فاصله از جاده، شاخص توان آبراهه (SPI) و شاخص پوشش گیاهی تفاضلی نرمال شده (NDVI) به عنوان عوامل موثر بر وقوع زمین­لغزش شناسایی و نقشه­های مذکور در محیط نرم­افزار ArcGIS تهیه و رقومی گردیدند. به منظور وزن­دهی کلاس­های هر یک از عوامل از روش نسبت فراوانی استفاده گردید. سپس وزن­های به­دست آمده نرمال­سازی شده و به محیط نرم­افزار MATLAB منتقل گردید. در تحقیق حاضر از الگوریتم یادگیری هیبرید و ساختار سیستم استنتاج فازی نوع سوم (خوشه­بندی C-میانگین) برای پهنه­بندی حساسیت زمین­لغزش استفاده گردید. ارزیابی مدل مذکور با استفاده از منحنی تشخیص عملکرد نسبی (ROC) و 30 درصد نقاط لغزشی (158 لغزش) صورت گرفت. نتایج ارزیابی نشان داد که دقت مدل­ تهیه شده با استفاده از ANFIS در منطقه مورد مطالعه 48/77 درصد (خوب) برآورد گردید.

کلیدواژه‌ها

مراجع

  1. -پورقاسمی، ح. ر.، مرادی، ح. ر.، و محمدی، م.، 1389. پهنه‌بندی حساسیت زمین‌لغزش با استفاده از مدل احتمالاتی وزن واقعه، مهندسی فناوری اطلاعات مکانی، سال اول، شماره 3، ص 79-69.
  2. -پورقاسمی، ح. ر.، مرادی، ح. ر.، فاطمی‌عقدا، س. م.، مهدویفر، م. ر.، و محمدی، م.، 1388. ارزیابی خطر زمین‌لغزش با استفاده از روش تصمیم‌گیری چندمعیاره فازی، مجله علوم و مهندسی آبخیزداری ایران، سال سوم، شماره 8، ص 63 – 51.
  3. -پورقاسمی، ح. ر.، مرادی، ح. ر.، محمدی، م.، و مهدویفر، م. ر.، 1387. تهیه نقشه حساسیت به خطر زمین‌لغزش و ارزیابی آن با استفاده از اپراتورهای فازی، مجله علوم و فنون کشاورزی و منابع طبیعی اصفهان. سال دوازدهم، شماره 46 ، ص 375-390.
  4. -دفتر مهندسی و ارزیابی طرح‌ها گروه مطالعه امور زمین‌لغزش‌ها.، 1386. فهرست زمین‌لغزش‌های کشور شهریورماه 1386، سازمان جنگل‌ها، مراتع و آبخیزداری کشور، معاونت آبخیزداری، 60 ص.
  5. -Alvarez Grima, M., and Babuska, R., 1999. Fuzzy model for the prediction of unconfined compressive strength of rock samples: International Journal of Rock Mechanics and Mining Science, v. 36, p. 339-349.
  6. -Bednarik, M., Magulova, B., Matys, M., and Marschalko, M., 2010. Landslide susceptibility assessment of the Kralovany–Liptovsky Mikulaš railway case study: Physics and Chemistry of the Earth, v. 35, p. 162–171.
  7. -Hengl, T., Gruber, S., and Shrestha, D.P., 2003. Digital terrain analysis in ILWIS. International Institute for Geo-Information Science and Earth Observation Enschede, The Netherlands, 62 p.
  8. -Komac, M. A., 2006. Landslide susceptibility model using the Analytical Hierarchy Process method and multivariate statistics in perialpine Sloveni: Geomorphology, v. 74, p. 17-28.
  9. -Nefeslioglu, H.A., Duman, T.Y., and Durmaz, S., 2008. Landslide susceptibility mapping for a part of tectonic Kelkit Valley (Easten Black Sea Region of Turkey): Geomorphology, v. 94, p. 401-418.
  10. -Oh, H.J., and Pradhan, B., 2011. Application of a neuro-fuzzy model to landslide susceptibility mapping for shallow landslides in a tropical hilly area: Computer and Geoscience, v. 37(9), p.1264–1276.
  11. -Polat, K., and Gunes, S., 2006. A hybrid medical decision making system based on principles component analysis, k-NN based weighted pre-processing and adaptive neuro fuzzy inference system: Digital Signal Processing, v. 16(6), p. 913–921.
  12. -Pourghasemi, H.R., Mohammady, M., and Pradhan, B., 2012a. Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin, Iran: Catena, v. 97, p. 71–84.
  13. -Pourghasemi, H.R, Pradhan, B., and Gokceoglu, C., 2012b. Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz watershed, Iran: Natural Hazard, v. 63(2), p. 965-996.
  14. -Pourghasemi, H.R., Goli Jirandeh, A., Pradhan, B., Xu, C., and Gokceoglu, C., 2013. Landslide susceptibility mapping using support vector machine and GIS: Journal of Earth System Science, v. 122 (2), p. 349-369.
  15. -Pradhan, B., and Lee, S., 2010. Landslide susceptibility assessment and factor effect analysis: back propagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modeling: Environmental Modeling and Software, v. 25 (6), p. 747–759.
  16. -Sdao, F., Lioi, D. S., Pascale, S., Caniani, D., and Mancini, I. M., 2013. Landslide susceptibility assessment by using a neuro-fuzzy model: a case study in the Rupestrian heritage rich area of Matera: Natural Hazards and Earth System Science, v. 13, p. 395–407.
  17. -Sezer, E.A., Pradhan, B., and Gokceoglu, C., 2011. Manifestation of an adaptive neuro-fuzzy model on landslide susceptibility mapping: Klang valley, Malaysia: Expert System Applied, v. 38(7), p. 8208–8219
  18. -Song, K.Y., Oh, J., Choi, J., Park, I., Lee, C., and Lee, S., 2012. Prediction of landslides using ASTER imagery and data mining models: Advance Space Research, v. 49, p. 978–993
  19. -Swets, J.A., 1988. Measuring the accuracy of diagnostic systems: Science, v. 240, p. 1285-1293.
  20. -Tien Bui, D., Pradhan, B., Lofman, O., Revhaug, I., and Dick, O.B., 2012. Landslide susceptibility mapping at Hoa Binh province (Vietnam) using an adaptive neuro fuzzy inference system and GIS: Computer and Geoscience, v. 45, p. 199-211.
  21. -Toll, D.G., 1996. Artificial Intelligence Applications in Geotechnical Engineering: Electronic Journal of Geotechnical Engineering, 27 p.
  22. -Vahidnia, M.H., Alesheikh, A.A., Alimohammadi, A., and Hosseinali, F., 2010. A GIS based neuro fuzzy procedure for integrating knowledge and data in landslide susceptibility mapping: Computer and Geoscience, v. 36(9), p. 1101–1114
  23. -Wang, Y.M., and Elhag, T.M., 2008. An adaptive neuro-fuzzy inference system for bridge risk assessment: Expert Systems with Applications, v. 34, p. 3099–3106.
  24. -Xu, C., Dai, F., Xu, X., and Lee, Y.H., 2012. GIS-based support vector machine modeling of earthquake-triggered landslide susceptibility in the Jianjiang River watershed, China: Geomorphology, v. 145, p. 70–80
  25. -Yesilnacar, E.K., 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey: Ph.D Thesis. Department of Geomatics the University of Melbourne, 423 p.
  26. -Ying, L.C., and Pan, M.C., 2008. Using adaptive network based fuzzy inference system to forecast regional electricity loads: Energy Conversion and Management, v. 49, p. 205–211.
  27. -Zare, M., Pourghasemi, H.R., Vafakhah, M., and Pradhan, B., 2012. Landslide susceptibility mapping at Vaz watershed (Iran) using an artificial neural network model: a comparison between multi-layer perceptron (MLP) and radial basic function (RBF) algorithms: Arabian Journal of Geoscience, doi: 10.1007/s12517-012-0610-x.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار