بررسی کارایی مدل سیستم استنتاج عصبی-فازی تطبیقی در تهیه نقشه حساسیت زمین‌لغزش (مطالعه موردی: حوزه آبخیز سردارآباد استان لرستان)

نوع مقاله : پژوهشی

نویسندگان

1 دانشگاه یزد

2 دانشگاه شیراز

چکیده

زمین‌لغزش ازجمله بلایای طبیعی است که بیشتر در مناطق کوهستانی رخ می‌دهد و مورفولوژی را به‌طور ناگهانی تغییر داده و خسارت‌های عمده‌ای به ‌مناطق مسکونی، جاده‌ها زمین‌های کشاورزی و غیره وارد می‌سازد. هدف از تحقیق حاضر تهیه نقشه حساسیت زمین‌لغزش با استفاده از سیستم استنتاج عصبی-فازی تطبیقی در حوزه آبخیز سردارآباد واقع در استان لرستان است. به این منظور با استفاده از تصاویر ماهواره‌ای و بازدیدهای صحرایی، 109 پهنه لغزشی شناسایی و نقشه پراکنش زمین‌لغزش‌های منطقه مورد مطالعه تهیه گردید. لایه‌های اطلاعاتی ارتفاع، سنگ‌شناسی، درجه شیب، جهت شیب، شکل شیب، فاصله از رودخانه، فاصله از جاده، فاصله از گسل، بارندگی و کاربری اراضی به عنوان عوامل مؤثر 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 Matlab2015a منتقل گردید. در تحقیق حاضر از ساختار سیستم استنتاج فازی خوشه‌بندی (کلاسترینگ) برای پهنه‌بندی حساسیت زمین‌لغزش استفاده گردید. به‌منظور ارزیابی مدل‌ها از منحنی راک استفاده شد. نتایج ارزیابی نشان داد که دقت مدل‌ تهیه‌شده با استفاده از سیستم استنتاج عصبی- فازی تطبیقی در منطقه موردمطالعه 11/89 درصد (خیلی خوب) برآورد شده است. نقشه حساسیت لغزش نیز نشان داد که مساحت مناطق با حساسیت متوسط 29درصد، حساسیت زیاد 23درصد و حساسیت خیلی زیاد 12درصد است. در مجموع مساحت مناطق متوسط، زیاد و خیلی زیاد 64درصد بوده که نشان‌دهنده پتانسیل خطرپذیری بالای حوزه آبخیز سردارآباد در بروز لغزش‌ها است.

کلیدواژه‌ها


ابراهیمی، افسانه؛ شاد، روزبه؛ قائمی، مرجان؛ 1394. پیش‌بینی خطر زمین‌لغزش با استفاده از مدل سیستم استنتاج عصبی- فازی تطبیقی و GIS . نخستین همایش و نمایشگاه بین‌المللی ایمنی امنیت و مدیریت بحران در سوانح طبیعی.
اسفندیاری درآباد، فریبا؛ محمدی سلطان آباد، زهرا ؛ گل دوست، اکبر؛ 1393. اعتبارسنجی سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) در برآورد فرسایش و رسوب (مطالعه موردی: حوضه نوران). اولین کنفرانس ملی جغرافیا، گردشگری، منابع طبیعی و توسعه پایدار، تهران، موسسه ایرانیان، قطب علمی برنامه ریزی وتوسعه پایدار گردشگری دانشگاه تهران،
پور قاسمی، حمیدرضا؛ 1386. پهنه‌بندی خطر زمین‌لغزش با استفاده از منطق فازی. پایان‌نامه کارشناسی ارشد آبخیزداری، دانشگاه تربیت مدرس، 115 ص.
پور قاسمی، حمیدرضا؛ مرادی، حمید رضا؛ فاطمی عقدا، سیدمحمود؛ 1391. تهیه نقشه حساسیت زمین‌لغزش با استفاده از سیستم استنتاج عصبی-فازی تطبیقی در شمال شهر تهران. فصلنامه علمی-پژوهشی پژوهش‌های دانش زمین، تهران، دانشگاه شهید بهشتی.
جوکار سرهنگی، عیسی؛ امیر احمدی، ابوالقاسم؛ سلمایان، حسین؛ 1376. پهنه‌بندی خطر زمین‌لغزش در حوزه آبخیز صفارود با استفاده از سیستم اطلاعات جغرافیایی. جغرافیا و توسعه ناحیه‌ای، شماره 9، 92-79.
زارع، محمد؛ احمدی، حسن؛ غلامی، شعبانلی؛ 1390. پهنه‌بندی و ارزیابی خطر زمین‌لغزش با استفاده از مدل‌های عامل اطمینان، ارزش اطلاعات و تحلیل سلسله مراتبی (مطالعه موردی: حوزه آبخیز واز). مجله علوم و مهندسی آبخیزداری ایران، سال پنجم، شماره 17،17-22.
شادفر، صمد؛ یمانی، مجتبی؛ 1386. پهنه‌بندی خطر زمین‌لغزش در حوزه آبخیز جلیسان با استفاده از مدل LNRF. پژوهش‌های جغرافیایی، شماره 39، 11-23.
صفاری، امیر ؛ اخدر، آرش؛ 1391. مقایسه مدل نسبت فراوانی و توابع عضویت فازی در پهنه‌بندی خطر زمین‌لغزش (مطالعه موردی: جاده ارتباطی مریوان - سنندج(، مجله جغرافیا و مخاطرات محیطی فردوسی مشهد، شماره 5، 79-96.
علیجانی، بهلول؛ قهرودی، منیژه ؛ امیر احمدی، ابوالقاسم؛ 1386. پهنه‌بندی خطر وقوع زمین‌لغزش در دامنه‌های شمالی شاه جهان با استفاده از GIS. فصلنامه تحقیقات جغرافیایی، شماره 84، 116-131.
فیض‌الله‌پور، مهدی؛ 1396. پهنه بندی مناطق مستعد به زمین لغزش با استفاده از سیستم استنتاجی فازی عصبی(ANFIS)(مطالعه موردی: حوضه رودخانه سنگورچای). مجله مخاطرات محیط طبیعی دانشگاه سیستان و بلوچستان، دوره 7،شماره 17، 155-174.
کشوری، فرامرز؛ شمس نیا، سید امیر؛ 1393. ارزیابی عملکرد مدل‌های هوش مصنوعی ( شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی- عصبی تطبیقی (ANFIS)) در پیش بینی دبی ماهانه جریان رودخانه (مطالعه موردی : بند بهمن رودخانه قره آغاج). دومین همایش ملی بحران آب (تغییر اقلیم، آب و محیط زیست)، شهرکرد، دانشگاه شهرکرد.
مقدم نیا، علیرضا؛ زارع، محمد؛ تالی خشک، صادق؛ سلمانی، حسین؛ 1394. پهنه‌بندی حساسیت خطر زمین‌لغزش با استفاده از مدل نروفازی در حوزه آبخیز از. پژوهشنامه مدیریت حوزه آبخیز،. شماره 11 ، 101-110.
مقیمی، ابراهیم؛ علوی پناه، سید. کاظم؛ جعفری، تیمور؛ 1387. ارزیابی و پهنه‌بندی عوامل مؤثر در وقوع زمین‌لغزش دامنه‌های شمالی آلاداغ. پژوهش‌های جغرافیایی، شماره 64،53-75.
Aghdam, I.N., Varzandeh, M.H.M. & Pradhan, B., 2016. Landslide susceptibility mapping using an ensemble statistical index (Wi) and adaptive neuro-fuzzy inference system (ANFIS) model at Alborz Mountains (Iran. Environmental Earth Sciences, 75: 553.
Bui, D. T., Pradhan, B., Lofman, O., Revhaug, I., & Dick, O., 2012. Landslide susceptibility assessment in the HoaBinh province of Vietnam: A comparison of the Levenberg–Marquardt and Bayesian regularized neural networks. Geomorphology, 172(1), 12-29.
Chen, W., Panahi. M., & Pourghasemi., H.R., 2017. Performance evaluation of GIS-based new ensemble data mining techniques of adaptive neuro-fuzzy inference system (ANFIS) with genetic algorithm (GA), differential evolution (DE), and particle swarm optimization (PSO) for landslide spatial modelling. CATENA, 157, 310-324
Duman, TY., Can, T., Gokceoglu, C., Nefeslioglu, H.A., & Sonmez, H., 2006. Application of logistic regression for landslide susceptibility zoning of Cekmece Area. Istanbul Turkey, Environmental Geology, 51, 241-256.
Ercanoglu, M., & Candan, G. P., 2004. Use of fuzzy relation to produce landslide susceptibility map of a landslide prone area(West Black Sea Region, Turkey. Engineering Geology, 75, 229-250.
Feizizadeh, B., Shadman Roodposhti, M., Jankowski, P., & Blaschke,T., 2014. A GIS-based extended fuzzy multi-criteria evaluation for landslide susceptibility mapping. Journal Computers & Geosciences,73, 208–221.
Jang, J.S., 1993. ANFIS: adaptive-network-based fuzzy inference system, IEEE Trans System Manage Cybernet, 762-767.
Jouri, M.H., Zare, M., Askarizadeh, D., Fakhre Ghazi, M., Salarian, T., & Miarrostami, S., 2013. Landslide Susceptibility Mapping for Subalpine Grassland Using Frequency Ratio and Landslide Index Model (Case Study: Masoleh Watershed, Iran). Journal of Rangeland Science, 3(1),21-30.
Kartalopoulos, S.V., 1996. Understanding Neural Networks and Fuzzy Logic- Basic Concepts and Applications, Prentice Hall. New-Delhi Environmental Geology, 52, 615-623
Kayastha, P., 2012. Application of fuzzy logic lsndslide susceptibility mapping in Garuwa sub-basinEast Nepal. 6(4),420-432.
Komac, M.A., 2006. Landslide susceptibility model using the analytical hierarchy process method and multivariate statistics in perialpine Sloveni. Geomorphology, 17-28.
Lee, S., 2007. Application and verification of fuzzy algebraic operators landslide susceptibility mapping. Environmental Geology, 52, 615-623.
Leonardi, G. Palamara, R. Cirianni,F., 2016. Landslide Susceptibility Mapping Using a Fuzzy Approach. Procedia Engineering, 380–387.
Mathew, J., Jha,V., & Rawat, G. )2007( .Weights of evidence modeling for landslide hazard zonation mapping in part of Bhagirathi valley, Uttarakhand. Current Science, 92(5), 628-638.
Oh, H.J., &Pradhan, B. )2011(. Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area. Computers and Geosciences, 37(2), 1264-1276.
Polykretis, Ch., Chalkias, Ch., & Ferentinou, M., 2017. Adaptive neuro-fuzzy inference system (ANFIS) modeling for landslide susceptibility assessment in a Mediterranean hilly area. Bulletin of Engineering Geology and the Environment, 1–15.
Pourghasemi, H.R., Mohammady, M., & Pradhan, B., 2012. Landslide susceptibility mapping using index of entropy and conditional probability models in GIS: Safarood Basin Iran. Catena, 71–84.
Pradhan, B., 2010. Remote sensing and GIS-based landslide hazard analysis and cross validation using multivariate logistic regression model on three test areas in Malaysia. Advances in space research, 1244-1256.
Pradhan, B., 2013. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Computer and Geosciences, 51, 350-365.
Salarian, T., Zare, M., Jouri, M.H., Miarrostami, S., & Mahmoudi, M., 2014. Evaluation of shallow landslides hazard using artificial neural network of Multi-Layer Perceptron method in Subalpine Grassland (Case study: Glandrood watershed - Mazandaran). International Journal of Agriculture and Crop Sciences, 795-804.
Sezer, E.A., Pradhan, B., & Gokceoglum, C., 2011. Manifestation of an adaptive neuro-fuzzy model on landslide susceptibility mapping: Klang valley, Malaysia. Expert Systems with Applications, 38(1),8208-8219
Swets, J. A., 1988. Measuring the accuracy of diagnostic systems. Science. 240. 1285–93.
Talebi, A., Troch, P. A., & Uijlenhoet, R., 2008. A steady-state analytical hillslope stability model for complex hillslops. Hydrological Procecces, 21(10).68-81.
Williams, C.J.S.S., Lee. R., Fisher, A., & Dickerman, L. H., 1999. A comparison of statistical methods for prenatal screening for Down syndrome. Applied Stochastic Models and Data Analysis, 89–101.
Yalcin, A., 2008. GIS-based landslide susceptibility mapping using analytical hierarchy process and bivariate statistics in Ardesen (Turkey): comparisons of results and confirmations. Catena, 1–12.
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.
Zare, M., Pourghasemi, H.R., Vafakhah, M., & Pradhan, B., 2012. Landslide susceptibility mapping at Vaz Watershed (Iran) using an artificial neural network model: a comparison between multilayer perceptron (MLP) and radial basic function (RBF) algorithms. Arabian Journal of Geosciences, 2873–2888.
Zhu, C., &Wang, X., 2009. Landslide susceptibility mapping: A comparison of information and weights-of evidence methods in Three Gorges Area. International Conference on Environmental Science and Information Application Technology. 187(10). 342-346
CAPTCHA Image