مدل‌سازی و پهنه‌بندی حساسیت زمین‌لغزش در مسیرهای مواصلاتی با بهره‌گیری از شبکه عصبی مصنوعی (ANN)؛ مطالعه موردی: جاده مریوان–سقز

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

یگانه کارچانی ¹

رامین آتش بهار ²

قاسم کیخسروی ³

هوشیار ذبیحی قلدره ⁴

¹ گروه سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

² گروه سنجش از دور، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

³ گروه جغرافیای طبیعی، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

⁴ گروه سنجش از دور و GIS ، دانشکده برنامه ریزی و علوم محیطی، دانشگاه تبریز، تبریز، ایران

10.22067/geoeh.2026.99287.1675

چکیده

زمین‌لغزش خسارات قابل توجهی به راه‌های مواصلاتی وارد می‌کند. محور مریوان-سقز در استان کردستان از نقاط بحرانی از نظر وقوع زمین‌لغزش محسوب می‌شود. هدف از این تحقیق مدل‌سازی و پهنه‌بندی حساسیت زمین‌لغزش در این مسیر ارتباطی با بهره‌گیری از شبکه عصبی مصنوعی و تعیین مهم‌ترین عوامل کنترل‌کننده ناپایداری دامنه‌ها می باشد. داده‌ها پس از پیش‌پردازش به سه مجموعه آموزش (۷۰ درصد)، اعتبارسنجی (۱۵ درصد) و آزمون (۱۵ درصد) تقسیم شدند. معماری مدل شبکه عصبی مصنوعی از نوع پرسپترون چندلایه با یک لایه پنهان حاوی ۱۰ نرون و الگوریتم یادگیری لونبرگ-مارکوارت طراحی و پس از ۱۵۰۰ بار تکرار آموزش داده شد. نتایج حاصل از مدل‌سازی در مرحله آزمون نشان داد که مدل طراحی‌شده از دقت کلی ۹۲.۵ درصد، ضریب کاپای ۰.۸۵ و سطح زیر منحنی ROC برابر ۰.۹۹۰۵ برخوردار است که بیانگر توانایی عالی مدل در تفکیک مناطق لغزشی از غیرلغزشی می‌باشد. تحلیل اهمیت ویژگی‌ها با استفاده از روش وزنی شبکه عصبی نشان داد که به ترتیب پارامتر میانگین بارندگی سالانه، فاصله از گسل،ارتفاع ، تراکم گسل و شیب بیشترین نقش را در کنترل الگوی مکانی زمین‌لغزش در منطقه مورد مطالعه دارند. پهنه‌های خطر زیاد و بسیار زیاد در برابر زمین لغزش، عمدتاً در بخش‌های جنوبی محور مریوان-سقز متمرکز شده‌اند.

کلیدواژه‌ها

زمین لغزش

شبکه عصبی مصنوعی

جاده مریوان-سقز

مدلسازی مکانی

سیستم اطلاعات جغرافیایی

موضوعات

• مخاطرات جاده ‌ای

---

©2026 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

Caniani, D., Pascale, S., Sdao, F., & Sole, A. (2008). Neural networks and landslide susceptibility: A case study of the urban area of Potenza. Natural Hazards, 45(1), 55–72. https://doi.org/10.1007/s11069-007-9169-3

Chalise, D., Kumar, L., & Kristiansen, P. (2019). Land degradation by soil erosion in Nepal: A review. Soil Systems, 3(1), 12. https://doi.org/10.3390/soilsystems3010012

Esfandyari Darabad, F., Rahimi, M., Navidfar, A., & Mehrvarz, A. (2020). Assessment of landslide susceptibility using artificial neural network and support vector machine algorithms (Case study: Heyran road, Ardabil province). Paper presented in Quantitative Geomorphological Research, 9(3), 18-33. [In Persian] https://www.geomorphologyjournal.ir/article_122210.html

Geertsema, M., Highland, L., & Vaugeouis, L. (2009). Environmental impact of landslides. In K. Sassa & P. Canuti (Eds.), Landslides – Disaster Risk Reduction (pp. 589–607). Berlin, Heidelberg: Springer. https://doi.org/10.1007/978-3-540-69970-5_31

Gomez, H., & Kavzoglu, T. (2005). Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela. Engineering Geology, 78(1-2), 11-27. https://doi.org/10.1016/j.enggeo.2004.10.004

Habumugisha, J. M., Chen, N., Rahman, M., Islam, M. M., Ahmad, H., Elbeltagi, A., … & Dewan, A. (2022). Landslide susceptibility mapping with deep learning algorithms. Sustainability, 14(3), 1734. https://doi.org/10.3390/su14031734

Hallaji, M., Zangane Asadi, M. A., & Amir Ahmadi, A. (2020). An assessment of the landslide susceptibility prediction models in the Bar Watershed-Neyshabur. Watershed Management Researchers, 33(127), 20–30. [In Persian] https://wmrj.areeo.ac.ir/article_120880_793dee959e84d783d7c255aaa8bebd74.pdf

Hanifinia, A., Nazanrnejad, H., & Najafi Kornejady, A. (2021). Prioritization of Effective Factors on Landlide Occurrence and Mapping of its Sensitivity in CherikAbad Waterched, Urmia Using Shannon Entropy Model, Watershed Management Research, 33(4),30-46. [In Persian] https://www.magiran.com/p2224026

Huang, F., Chen, J., Du, Z., Yao, C., Huang, J., Jiang, Q., … & Li, S. (2020). Landslide susceptibility prediction considering regional soil erosion based on machine-learning models. ISPRS International Journal of Geo-Information, 9(6), 377. https://doi.org/10.3390/ijgi9060377

Jarjani, A., Akbari, H., Hosseini, S. A., & Abdi, O. (2019). Investigation of Landslide Ranger Zoning using Analytical Hierarchy Process in GIS Environment (Case Study: Azadshahr Kohmian Forestry Design). Journal of Watershed Management Research, 9(18), 197–207. [In Persian] https://doi.org/10.29252/jwmr.9.18.197

Jokar Sarhangi, E. (2007). Investigating the effective factors on landslide occurrence using the Analytic Hierarchy Process (AHP) and Geographic Information System (GIS): A case study of the Safarood watershed. Sarzamin (Land), 4(1). [In Persian] https://sanad.iau.ir/Journal/sarzamin/Article/823906

Kouhpeima, A., & Feiznia, S. (2019). Investigation of factors affecting landslide and their susceptibility zoning in Latyan catchment. Journal of Range and Watershed Managment, 71(4), 1073-1083. [In Persian] https://doi.org/10.22059/jrwm.2019.235737.1141

Lee, S., & Pradhan, B. (2006). Probabilistic landslide hazards and risk mapping on Penang Island, Malaysia. Journal of Earth System Science, 115(6), 661–672. https://doi.org/10.1007/s12040-006-0004-0

Liu, S., Wang, L., Zhang, W., He, Y., & Samui, P. (2023). A comprehensive review of machine learning-based methods in landslide susceptibility mapping. Geological Journal, 58(6), 2283–2301. https://doi.org/10.1002/gj.4666

Melchiorre, C., Matteucci, M., Azzoni, A., & Zanchi, A. (2008). Artificial neural networks and cluster analysis in landslide susceptibility zonation. Geomorphology, 94(3–4), 379–400. https://doi.org/10.1016/j.geomorph.2006.10.035

Negahban, S., Peysoozi, T., Ganjaeian, H., & Norozi, M. (2021). Identify areas prone to landslide and vertical displacement using Radar images (Case study: Lavasan urban area and urban margin). Journal of Geography and Environmental Hazards, 10(3), 1–18. [In Persian] https://doi.org/10.22067/geoeh.2021.71728.1094

Niazi, Y., Ekhtesasi, M. R., Talebi, A., Arkhi, S., & Mokhtari, M. H. (2010). Assessment of the bivariate statistical model efficiency in prediction of landslide hazard (Case study: Ilam Dam Basin). Iranian Journal of Watershed Management Science and Engineering, 4(10), 9. [In Persian] https://www.magiran.com/p853158

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, 45(10), 1244-1256. https://doi.org/10.1016/j.asr.2010.01.006

Pradhan, B., & Lee, S. (2010). Delineation of landslide hazard areas on Penang Island, Malaysia, by using frequency ratio, logistic regression, and artificial neural network models. Environmental Earth Sciences, 60(5), 1037–1054. https://doi.org/10.1007/s12665-009-0245-8

Rajabi, M., Rezaei Moghaddam, M. H., & Tak Zare, A. (2020). Landslide hazard potential zoning using the neural network method (Case study: Alamut watershed in Qazvin Province). Quantitative Geomorphological Research, 9(3), 171–185. [In Persian] https://doi.org/10.22034/gmpj.2020.122223

Rakei, B., Khamechian, M., Abdolmaleki, P., & Giahchi, P. (2007). Application of artificial neural network system for landslide hazard zonation (Case study: Sefidargaleh area in Semnan Province). Journal of Science, University of Tehran, 33(1), 57–64. [In Persian]

Rezaei Moghaddam, M. H., Nikjou, M. R., Khalilvalizadeh, K., Belvasi, I., & Belvasi, M. (2017). Application of artificial neural network in the evaluation and landslide hazard zonation. Journal of Geography and Planning, 21(59), 89–111. [In Persian] https://geoplanning.tabrizu.ac.ir/article_6126.html

Zakerinejad, R., & Kahrani, A. (2023). Assessment and comparison of CART and TreeNet models to landslide susceptibility mapping using SPM software and geographic information system (GIS) (Case study: Kameh watershed, southern Isfahan Province). Journal of Natural Environmental Hazards, 12(37), 17–38. [In Persian] https://doi.org/10.22111/jneh.2023.42304.1904