Geographical Space

fa ارزیابی عملکرد روش‌های آماری رگرسیون لجستیک و شبکه عصبی چندلایه پرسپترون در پیش‌بینی وقوع حرکات توده‌ای( حوضه آبریز کمانج‌چای علیا)) Performance evaluation neural network and logistic regression methods in predict the occurrence of mass movements in the upper of (Komanaj Chay basin) تخصصي Special پژوهشي Research 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. This study aimed to identify factors leading to slope instability, Maps preparation, determine potential areas mass movements and risk zoning in the Upper Basin Komanaj Chay. That is one of the important basins in the northern city of Tabriz, by Using logistic regression models and artificial neural network done. This basin due to topography, tectonics, geology, stratigraphy, and the climate is prone to a variety of slope instability, this phenomenon always occurs. According to the study variables such as altitude, slope, aspect, type of formation, distance to fault, distance from the river, land use, distance from the road, as the independent variable And distribution of unstable slopes as the dependent variable using logistic regression models and artificial neural network was analyzed .The results showed that the most important factors in the occurrence of slope instability in the basin are as follows: Elevation, distance from the river, lithology, faults, slope and aspect More than 50 percent of instability range in height from 1850 to 1520 in the study area dip 32-17 degrees, at a distance of 200 meters from the canal and 500 meters from the fault occurred. According to the results of a very high percentage of areas the risk of neural network and logistic regression models respectively 5.6 and 8.3 percent is the mainly areas close to the drainage network which includes the lithology of these areas are located in areas with lower resistance. Statistical methods logistics showed a lot of reflects of faults and lithology in this areas is based Landslide. Evaluation ROC indicator showed that the model was assessed using logistic regression model is 0.894 and neural network models is 0.826. In fact, both models show a high value and suggest that mass movement and slope instabilities observed a strong relationship with probability values derived from logistic regression models and artificial neural network model. The results of this study can be useful risk management slope instabilities and control is deteriorating factors. مدل رگرسیون لجستیک ,شبکه عصبی, فازی سازی ,زمین لغزش, کمانج چای علیا Logistic regression method, Neural network method, fuzzy modeling, landslides,upper of komanaj chay 77 97 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-1316-4&slc_lang=fa&sid=1 nasrin samandar نسرین سمندر samandar_nasrin@yahoo.com 100319475328460017084 100319475328460017084 Yes abriz university دانشجوی دکتری دانشگاه تبریز، گروه ژئومورفولوژی. (نویسنده مسئول). Asadollah hejazi اسدالله حجازی s.hezaji@tabrizu.ac.ir 100319475328460017085 100319475328460017085 No tabriz university گروه ژئومورفولوژی دانشگاه تبریز.