AU - samandar, nasrin AU - hejazi, Asadollah TI - Performance evaluation neural network and logistic regression methods in predict the occurrence of mass movements in the upper of (Komanaj Chay basin) PT - JOURNAL ARTICLE TA - geospace JN - geospace VO - 19 VI - 66 IP - 66 4099 - http://geographical-space.iau-ahar.ac.ir/article-1-2812-fa.html 4100 - http://geographical-space.iau-ahar.ac.ir/article-1-2812-fa.pdf SO - geospace 66 AB  - 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. CP - IRAN IN - Tabriz university LG - eng PB - geospace PG - 77 PT - Research YR - 2019