[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 19، شماره 66 - ( 6-1398 ) ::
جلد 19 شماره 66 صفحات 77-97 برگشت به فهرست نسخه ها
ارزیابی عملکرد روش‌های آماری رگرسیون لجستیک و شبکه عصبی چندلایه پرسپترون در پیش‌بینی وقوع حرکات توده‌ای( حوضه آبریز کمانج‌چای علیا))
نسرین سمندر1، اسدالله حجازی2
1- دانشجوی دکتری دانشگاه تبریز، گروه ژئومورفولوژی. (نویسنده مسئول).
2- گروه ژئومورفولوژی دانشگاه تبریز.
چکیده:   (74 مشاهده)

ﺍﻳﻦ ﭘﮋﻭﻫﺶ ﺑﺎ ﻫﺪﻑ ﺷﻨﺎﺳﺎﻳﻲ ﻋﻮﺍﻣﻞ ﻣﺆﺛﺮ ﺩﺭ ﺍﻳﺠﺎﺩ ﭘﺪﻳﺪﻩ ناپایداری دامنه­ای، ﺗﻌﻴﻴﻦ ﻣﻨﺎﻃﻖ ﺩﺍﺭﺍﻱ ﭘﺘﺎﻧﺴﻴﻞ ناپایداری­های دامنه­ای و ﺗﻬﻴه­ی ﻧﻘﺸه­ی ﭘﻬﻨﻪ­ﺑﻨﺪی ﺧﻄﺮ وﻗﻮع ﺩﺭ ﺣﻮﺿـﻪ کمانج­چای ﻋﻠﻴـﺎ که از حوضه­های مهم شمال شهرستان تبریز می­باشد، ﺑـﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ مدل­های ﺭﮔﺮﺳﻴﻮﻥ ﻟﺠﺴﺘﻴﮏ و شبکه­ی عصبی مصنوعی ﺍﻧﺠﺎﻡ ﺷﺪﻩ است. این حوضه ﺑﻪ دﻟﻴﻞ ﺷﺮاﻳﻂ ﺗﻮﭘﻮﮔﺮاﻓﻲ، ﺗﻜﺘﻮﻧﻴﻚ، زﻣﻴﻦﺷﻨﺎﺳﻲ، ﭼﻴﻨﻪ ﺷﻨﺎﺳﻲ و اﻗﻠﻴﻢ ﻣﺴﺘﻌﺪ انواع ناپایداری­های دامنه­ای اﺳـﺖ و ﻫﻤـﻮاره اﻳـﻦ ﭘﺪﻳﺪه اﺗﻔﺎق ﻣﻲ­اﻓﺘﺪ. با توجه به هدف پژوهش ﻣﺘﻐﻴﺮﻫﺎیی چون: ارﺗﻔﺎع، ﺷـﻴﺐ، ﺟﻬﺖ ﺷﻴﺐ، ﺟﻨﺲ ﺳﺎزﻧﺪ، ﻓﺎﺻﻠﻪ از ﮔﺴﻞ، ﻓﺎﺻﻠﻪ از رودﺧﺎﻧـﻪ، ﻛـﺎرﺑﺮی اراﺿـﻲ، ﻓﺎﺻﻠﻪ از ﺟﺎده، ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﻴﺮ ﻣﺴﺘﻘﻞ و ﭘﺮاﻛﻨﺶ ناپایداری دامنه­ای ﺑـﻪ ﻋﻨـﻮان ﻣﺘﻐﻴـﺮ واﺑـﺴﺘﻪ ﺑـﺎ اﺳﺘﻔﺎده از ﻣﺪل­های رﮔﺮﺳﻴﻮن ﻟﺠﺴﺘﻴﻚ و شبکه­ی عصبی مصنوعی ﺗﺤﻠﻴﻞ ﺷﺪ . ﻧﺘﺎﻳﺞ ﻧﺸﺎن داد مهم­ترین ﻋﻮاﻣﻞ ﺗﺄﺛﻴﺮﮔﺬار در وﻗﻮع ناپایداری­های دامنه­ای در ﺣﻮﺿﻪ ﺑﻪ ﺗﺮﺗﻴـﺐ ﻋﺒﺎرت­اند از: عامل ارتفاع، ﻓﺎﺻﻠﻪ از رودﺧﺎﻧﻪ، لیتولوژی، فاصله از گسل، ﺷـﻴﺐ و جهت شیب.  بیش از 50 درصد ناپایداری­های دامنه ای منطقه ی مورد مطالعه در ارتفاع 1850-1520 در شیب32-17 درجه ، در فاصله­ی حداکثر 200 متری از آبراهه و حداکثر 500 متری از گسل رخ داده­اند. با توجه به نتایج مدل­ها درصد پهنه‌هایی با خطر بسیار بالا در مدل شبکه‌ی عصبی و رگرسیون لجستیک به ترتیب برابر با 6/5 و 3/8 درصد می­باشد که عمدتا محدوده‌های نزدیک به شبکه­های زهکشی را شامل می‌گردد که از لحاظ لیتولوژی نیز این مناطق در محدوده‌هایی با میزان مقاومت پایین قرار گرفته‌اند که روش آماری لجستیک نیز نشان دهنده تاثیر بسیار زیاد فاصله از گسل و لیتولوژی بر وقوع پدیده زمین لغزش در منطقه مورد مطالعه می‌باشد ارزﻳﺎﺑﻲ ﻣﺪل­ها با شاخص ROC ﻧﺸﺎن داد ﻛـﻪ ﻣﻴـﺰان دﻗـﺖ ﻣﺪل رگرسیون لجستیک برابر با 894/0 و مدل شبکه­ی عصبی 826/0می باشد. در واقع هر دو مدل مقدار بالایی را  نشان می دهد و حاکی از آن است که حرکات توده­ای و ناپایداری­های دامنه­ای مشاهده شده، رابطه قوی با مقادیر احتمال حاصل از مدل­های رگرسیون لجستیک و مدل شبکه­ی عصبی مصنوعی دارد. ﻧﺘﺎﻳﺞ اﻳﻦ ﻣﻄﺎﻟﻌﻪ ﻣﻲﺗﻮاﻧﺪ در ﻣﺪﻳﺮﻳﺖ ﺧﻄﺮ ناپایداری­های دامنه­ای و ﻛﻨﺘﺮل ﻋﻮاﻣﻞ ﺗﺸﺪﻳﺪﻛﻨﻨﺪه ﻣﻔﻴﺪ ﺑﺎﺷﺪ.

واژه‌های کلیدی: مدل رگرسیون لجستیک، شبکه عصبی، فازی سازی، زمین لغزش، کمانج چای علیا
متن کامل [PDF 1285 kb]   (21 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: ۱۳۹۵/۱۱/۲۴ | پذیرش: ۱۳۹۶/۹/۸
فهرست منابع
1. Andaryani, S., Samadnar, N., Nikjoo, M., (2016), "Modeling of the range motion of the Sattarkhan dam Ahar reservoir using logistic predictive models and neural network", Journal of Geography and Environmental Sustainability, 20: 19-37. [In Persian].
2. Atkinson, P. M., Tatnall, A., (1997), "Introduction neural networks in remote Sensin", International Journal of Remote Sensing, 18 (4): 699-709. [DOI:10.1080/014311697218700]
3. Ayalew, L., Yamagishi, H., (2005), "Slope failures in the Blue Nile basin, as seen from landscape evolution perspective", Geomorphology, 57: 95-116. [DOI:10.1016/S0169-555X(03)00085-0]
4. Bayati Khatibi, M., (2010), "Evaluation and zoning of landslide hazard in the Garangu Chay basin using two statistical variables", Journal of geography and planning, 32: 1-27. [In Persian].
5. Caniani, D., Pascale, S., Sdao, F., Sole, A., (2008), "Neutral networks and landslide susceptibility: A case study of the urban area of Potenza", Natural Hazards, 45: 55-72. [DOI:10.1007/s11069-007-9169-3]
6. Chau, K.T., Chan, J. E., (2005), "Regional bias of landslide data in generating susceptibility maps using logistic regression for Hong Kong Island (2005)", Rock Mechanic, 41 (2): 280-290. [DOI:10.1007/s10346-005-0024-x]
7. Collison, A., Wade, S., Griffiths, J., Dehn, M., (2000), "Modelling the impact of predicted climate change on landslide frequency and magnitude in SE England", Engineering Geology, 55: 205-218. [DOI:10.1016/S0013-7952(99)00121-0]
8. Enrique, A., Castellanos Abella, A., Cees, J., Van Weston, B., (2008), "Qualitative landslide susceptibility assessment by multicriteria analysis: A case study from San Antonio del Sur, Guantánamo, Cuba", Geomorphology, 94: 453-466. [DOI:10.1016/j.geomorph.2006.10.038]
9. Gohrudi tali, M., Gholizade, A., (2016), "The potential of slopes in the Zangmar river basin (Maku city)", Journal of Geographical Space, 55: 257-272. [In Persian].
10. 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. [DOI:10.1016/j.enggeo.2004.10.004]
11. Ghayumian, J., Fatemi oghada, M., Oshgoli Farahani, A., Teshne Lab, M., (2002), "Landslide hazard zonation by using several fuzzy criteria decision making (case study of Roodbar Gilan area)", Journal of Research and construction, 56: 67-80. [In Persian].
12. Iswar, D., Sashikant, S., Cees, V. W., Alfred, S. Robert, H., (2010), "Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system, along a road section in the northern Himalayas, India", Geomorphology, 114: 627-637. [DOI:10.1016/j.geomorph.2009.09.023]
13. Juang, C. H, Huuang, X. H., Holtz, R. D., Chen, J. W., (1996), "Determining of relative density of sands from CPT using fuzzy sets", Journal of Geotechnical Engineering, 122 (1): 1-16. [DOI:10.1061/(ASCE)0733-9410(1996)122:1(1)]
14. Lamelas, M. T., Marinoni, O., Hoppe, A., Riva, J., (2008), "Doline probability map using logistic regression and GIS technology in the central Ebro Basin (Spain)", Environmental Geology, 54: 963-979. [DOI:10.1007/s00254-007-0895-3]
15. Lee, S., Ryu, J. H., Lee, M. J., Won, J. S., (2006), "The application of artificial neural networks to landslide susceptibility mapping at Janghong", Korea, Mathematical Geology, 38 (2): 199-220. [DOI:10.1007/s11004-005-9012-x]
16. Memarian, H., (2013), "Engineering Geology", Tehran: Tehran University Press. [In Persian].
17. Mohamad Nia, M., Amir Ahmadi, A., Akbari, E., Bahrami, Sh., (2016), "Landslide hazard zoning in the Jagh rog basin (new route proposed by Torghabeh-Dorrud", Journal of Geographical Space, 55: 217-238. [In Persian].
18. Mosavi, Z., (2008), "Modeling and landslide occurrence zonation use logistic multi regression (case study: Sajaroud watershed)", M.Sc, thesis, Natural resources faculty, Mazandran university. [In Persian].
19. Mosavi, Z., Kavian, A., Soleimani, K., (2010), "Landslide susceptibility mapping in Sajaroud basin using logistic regression model", Journal of Science and Technology of Agriculture and Natural Resources, 14 (33): 99-111. [In Persian].
20. Rafatnia, N., Kaviyanpur, M. K., Ahmadi, T., (2011), "Investigating the causes of landslide phenomenon in Glendrood forest", Journal of Natural Resources Science and Technology, 1: 53-63. [In Persian].
21. Sabuya, F, M., Alves, G., Pinto, W. D., (2006), "Assessment of failure susceptibility of soil slops sing fuzzy logic", Engineering Geology, 14: 102-122.
22. Schmucker, K. J., (1982), "Fuzzy sets, natural language computations and risk analysis", Computer Science Press: London.
23. Servati, M., Nosrati, K., Hasanvandi, Sh., Mir Bagheri, B., (2014), "Landslide hazard prediction in the Sikan river catchment area using logistic regression statistical model", Journal of Natural Resources of Iran, 1: 17-29. [In Persian].
24. Suri., S., Lashkari, Gh., Ghafuri., (2011), "Landslide hazard zonation using artificial neural network Case Study: National Basin (Nojian)", Geological engineering, 16: 1269-1286. [In Persian].
25. Shadfar, S., (2005), "Analytical evaluation of landslide quantitative models in order to achieve a suitable model for Chalkarud watershed", PhD thesis, Faculty of Geography, University of Tehran. [In Persian].
26. Shalkoff, R. J., (1997), "Artificial neural networks", Graw-Hill Companies Pub: New York.
27. Van Westen, C. J., Van Asch, T. H., Soeters, W. J., (2006), "Landslide hazardand risk zonation", Bulletion of Engineering Geology and the Environment, 65: 167-184. [DOI:10.1007/s10064-005-0023-0]
28. Wang, X., Niu, R., (2009), "Spatial forecast of landslides in three gorges based on spatial data mining", Sensors, 9: 2035-2061. [DOI:10.3390/s90302035]
29. Yilmaz, I., (2009), "Landslide susceptibility mapping using frequency ratio, logistic regression, artificial Neural network sand their comparison: A case study from Kat landslides (Tokat Turkey)", Computers & Geosciences, 56: 1-14. [DOI:10.1016/j.cageo.2008.08.007]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

samandar N, hejazi A. Performance evaluation neural network and logistic regression methods in predict the occurrence of mass movements in the upper of (Komanaj Chay basin). جغرافیایی. 2019; 19 (66) :77-97
URL: http://geographical-space.iau-ahar.ac.ir/article-1-2812-fa.html

سمندر نسرین، حجازی اسدالله. ارزیابی عملکرد روش‌های آماری رگرسیون لجستیک و شبکه عصبی چندلایه پرسپترون در پیش‌بینی وقوع حرکات توده‌ای( حوضه آبریز کمانج‌چای علیا)). فضای جغرافیایی. 1398; 19 (66) :77-97

URL: http://geographical-space.iau-ahar.ac.ir/article-1-2812-fa.html



دوره 19، شماره 66 - ( 6-1398 ) برگشت به فهرست نسخه ها
فضای جغرافیایی Geographic Space
Persian site map - English site map - Created in 0.2 seconds with 32 queries by YEKTAWEB 3977