fa پهنه‌بندی گذرگاه‌های بهمن‌خیز حوضه سیروان با تلفیق مدل تحلیل سلسله مراتبی و شبکه‌های عصبی مصنوعی تخصصي Special پژوهشي Research <p dir="RTL" style="margin-right:28.1pt;"><strong>یکی از مخاطرات تهدیدکننده مردم نواحی کوهستانی، بهمن برفی است. در این مقاله به پهنه&shy;بندی بهمن به عنوان یک مخاطره با استفاده از شبکه عصبی مصنوعی و تحلیل سلسله مراتبی اقدام شده است. روش تحلیل سلسله مراتبی برای بهبود نمونه آموزش، در سیستم اطلاعات جغرافیایی انجام‌شده است. این روش در حوضه آبریز سیروان در جنوب غرب استان کردستان که از پتانسیل بالایی برای این مخاطره برخودارمی</strong><strong><span dir="LTR">&shy;</span></strong><strong>باشد، اعمال شد. برای این منظور ابتدا از گذرگاه‌های که بهمن در آن اتفاق افتاده، بازدید میدانی به عمل آمد و مختصات آن‌ها برداشت گردید. مطالعات کتابخانه‌ای برای شناسایی معیارهای تأثیرگذار در این فرایند انجام گرفت بر اساس مطالعات، معیارهای زمینی شامل شیب، جهت شیب، ارتفاع، تحدب و تقعر، فاصله از جاده و کاربری اراضی انتخاب شدند. نقشه حاصل از روش تحلیل سلسله مراتبی طبقه</strong><strong><span dir="LTR">&shy;</span></strong><strong>بندی و از هر طبقه 20 نمونه برای آموزش شبکه عصبی بکار گرفته شد. شبکه عصبی پرسپترون برای ارزیابی این متغیرها با ساختار شش لایه ورودی، یک لایه پنهان و شش گره در هر دولایه با نرخ یادگیری01/ با دو تابع سیگموئید و خطی به‌عنوان ساختار بهینه با آزمون‌وخطا پذیرفته شد. بررسی این متغیرها با استفاده از شبکه عصبی نشان‌دهنده آن است که بیش از 86 درصد از منطقه موردمطالعه جزء مناطق باقابلیت بهمن</strong><strong><span dir="LTR">&shy;</span></strong><strong>خیزی بالا است. به‌منظور صحت</strong><strong><span dir="LTR">&shy;</span></strong><strong>سنجی این مدل‌ها از داده</strong><strong><span dir="LTR">&shy;</span></strong><strong>های مشاهده</strong><strong><span dir="LTR">&shy;</span></strong><strong>ای موجود استفاده‌شده که حاکی از موفقیت و کارایی هر دو تابع با اولویت اندک تابع خطی می&shy;باشد</strong><strong><span dir="LTR">.</span></strong></p> <p style="margin-left:28.1pt;">One of the concerns of people in the mountainous areas is snow avalanche. In this article avalanche zoning as a hazard using artificial neural networks and hierarchical analysis has been acting. AHP to improve the training sample is conducted in GIS<span dir="RTL">.</span> This method applied at basin sirvan in the South West of kurdistan province that have high potential for avalanche risk,. For this purpose, First it was necessary avalanche pathways that in them avalanche was happened, Field visits were conducted and their coordinates were taken. A literature review was conducted to identify factors affecting this process. Based on studies slope, aspect, elevation, convexity and concavity, distance from roads and land use were selected. Map of hierarchical classification analysis of each class of 20 samples were used to train the neural network. Perceptron neural network to assess these variables with the six input layer, a hidden layer, six nodes per layer with learning rate 0.01 with two linear sigmoid function as the optimal structure by trial and error be accepted. Evaluation of these variables using neural networks shows that more than 86 percent of the study area is among the areas with high potential risk of avalanche. In order to validate these models from observational data available that demonstrates the success and effectiveness of both function but with low priority for linear function. &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</p> بهمن , سیستم اطلاعات جغرافیایی, مخاطره, معیارهای زمینی Avalanche, Geographic Information System, Hazard, Land criteria 203 219 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-1614-2&slc_lang=fa&sid=1 Hadi nayyeri هادی نیری nayyerihadi@yahoo.com 100319475328460014970 100319475328460014970 Yes University of Kurdistan گروه ژئومورفولوژی،دانشکده منابع طبیعی، دانشگاه کردستان. (نویسنده مسئول) mohammad Reza karami محمد رضا کرمی karami_mohammadreza@ymail.com 100319475328460014971 100319475328460014971 No University of payamenoor دانشگاه پیام نور، گروه جغرافیا. bahram charehkhah بهرام چاره خواه bahram.ch487@gmail.com 100319475328460014972 100319475328460014972 No univercity of kurdistan دانشجوی کارشناس ارشد مخاطرات محیطی، دانشکده منابع طبیعی دانشگاه کردستان.