شناسایی عوامل مؤثر بر زمین‌لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP

جغرافیا و مخاطرات محیطی

مقاله 3، دوره 14، شماره 1 - شماره پیاپی 53، فروردین 1404، صفحه 43-60   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2024.87409.1475

نویسندگان

فریبا اسفندیاری درآباد^{* 1}؛ مهرداد وهاب زاده²؛ زهره شیخلر³؛ بهروز نظافت تکله⁴

¹استاد ژئومورفولوژی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

²کارشناسی ارشد ژئومورفولوژی و آمایش محیط، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

³دانشجوی کارشناسی ارشد سنجش‌ازدور، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران

⁴دانشجوی دکتری ژئومورفولوژی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

زمین‌لغزش یکی از پدیده‌هایی است که رخداد آن سبب ایجاد خسارات زیادی به‌ویژه در مناطق کوهستانی می‌شود. بنابراین ارزیابی و شناخت عوامل مؤثر بر وقوع رخداد زمین‌لغزش در مناطق کوهستانی امری ضروری است. هدف از این پژوهش شناسایی عوامل مؤثر بر زمین‌لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP می‌باشد. مدل MLP یکی از مدل‌های کارآمد شبکه عصبی است که توانایی حل مسائل پیچیده را دارد. برای شناسایی عوامل مهم در رخداد زمین‌لغزش با توجه به مطالعات میدانی 8 عامل شناسایی‌شده ‌است که شامل: زمین‌شناسی، پوشش‌گیاهی، فاصله از جاده، کاربری راضی،  شیب، جهت شیب، ارتفاع، نقاط واقعی زمین‌لغزش استفاده‌ شده است. بعد از پیش‌پردازش‌ها تمام لایه‌ها وارد نرم‌افزارSPSS MODELER شده و مدل‌سازی با 8 نورون ورودی 6 نورون میانه و 1 خروجی طراحی‌شده است. نتایج این پژوهش نشان داده که خروجی وزنی مدل MLP بیشترین ارزش وزنی را برای لایه زمین‌شناسی با مقدار 26/0 برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 13/0 اختصاص داده است. هم‌چنین در بخش اعتبار سنجی مدل مقدار AUC عدد 948/0 در بخش آموزش و 962/0 در بخش تست شبکه را نمایش می‌دهد که گویای این است که مدل هم در بخش آموزش و هم در بخش تست دارای اعتبار بالایی می‌باشد بنابر‌این نتیجه‌گیری می‌شود که عامل زمین‌شناسی نسبت به سایر عوامل در رخداد زمین‌لغزش در منطقه تأثیر زیادی دارد و درنهایت پیشنهاد می‌گردد در مطالعات آتی برای مطالعه و ارزیابی زمین‌لغزش و حرکات دامنه‌ای از مدل‌های یادگیری ماشینی و هوش مصنوعی استفاده شود

کلیدواژه‌ها

ارزیابی آسیب‌پذیری زمین‌لغزش؛ شبکه عصبی MLP؛ جاده تونلی آستارا-نمین؛ عوامل ژئوماتیک؛ پهنه‌بندی خطر؛ مخاطرات ژئومورفیک

مراجع

Abija, F. A., Nwosu, J. I., Ifedotun, A. I., & Osadebe, C. C. (2019). Landslide susceptibility assessment of Calabar, Nigeria using Geotechnical. Remote Sensing and Multi-Criteria Decision Analysis: Im-plications for Urban Planning and Development, 774-788. http://dx.doi.org/10.25177/JESES.4.6.RA.617

Alqadhi, S., Mallick, J., Hang, H. T., Al Asmari, A. F. S., & Kumari, R. (2024). Evaluating the influence of road construction on landslide susceptibility in Saudi Arabia’s mountainous terrain: a Bayesian-optimised deep learning approach with attention mechanism and sensitivity analysis. Environmental Science and Pollution Research, 31(2), 3169-3194.‏ https://doi.org/10.1007/s11356-023-31352-4

Asghari Saraskanroud, P., & Pirizi, A. (2023). Comparative evaluation of WLC, OWA, VIKOR and MABAC multi-criteria decision making algorithms in landslide risk zoning, case study: Givi Chai basin of Ardabil province. Natural Geography Research, 54(1), 65-94. [In Persian] https://doi.org/10.22059/jphgr.2022.333658.1007656

Cubito, A., Ferrara, V., & Pappalardo, G. (2005). Landslide hazard in the Nebrodi mountains (Northeastern Sicily). Geomorphology, 66(1-4), 359-372. https://doi.org/10.1016/j.geomorph.2004.09.020

Demuth, H. B., & Beale, M. H. (1992). Neural Network Toolbox User's Guide. Mathworks, Incorporated.

Entezari, M., & Kordavani, M. (2022). Landslide hazard zoning using GIS-based methods and radar data (Case study: Fereydoon Shahr). Journal of Natural Environmental Hazards, 11(33), 177-196. [In Persian] https://doi.org/10.22111/jneh.2022.38660.1810

Esfandiary Darabad, F., Rahimi, M., Navidfar, A., & Arsalan, M. (2020). Assessment of landslide sensitivity by neural network method and Vector machine algorithm (Case study: Heyran Road-Ardebil province). Quantitative Geomorphological Research, 9(3), 18-33. [In Persian] https://www.geomorphologyjournal.ir/article_122210.html

Ghateh, S., Malekzadeh, T., & Pourghasemi, E. (2024). Landslide risk zoning using satellite images (case study: Balharud watershed, Garmi city). Geography and Human Relationships, 6(3), 145-164. [In Persian] https://doi.org/10.22034/gahr.2023.394638.1860

Hong, C., Burney, J. A., Pongratz, J., Nabel, J. E., Mueller, N. D., Jackson, R. B., & Davis, S. J. (2021). Global and regional drivers of land-use emissions in 1961–2017. Nature, 589(7843), 554-561. https://doi.org/10.1038/s41586-020-03138-y

Jahandar, S., Aghagolzadeh, A., & Kazemi Tabar, S. J. (2018). Blind recognition of block codes in the presence of high noise using statistical methods. Modern Defense Science and Technology (Non-active defense science and technology), 10(4), 373-381. [In Persian]

Jouybari Moghaddam, Y., & Rostami, S. Q. (2018). Fusion of Markov Chain and SAX Method for Drought Probability Analysis (Case Study: Eastern District of Isfahan, Iran). Environmental Management Hazards, 5(3), 295-311. [In Persian] https://doi.org/10.22059/jhsci.2018.267316.414

Liu, X., Shao, S., & Shao, S. (2024). Landslide susceptibility zonation using the analytical hierarchy process (AHP) in the Great Xi’an Region, China. Scientific Reports, 14(1), 2941. https://doi.org/10.1038/s41598-024-53630-y

Mir, R. A., Habib, Z., Kumar, A., & Bhat, N. A. (2024). Landslide susceptibility mapping and risk assessment using total estimated susceptibility values along NH44 in Jammu and Kashmir, Western Himalaya. Natural Hazards, 120(5), 4257-4296. https://doi.org/10.1007/s11069-023-06363-6

Mirzai, F., Momeni, A. A., & Abdi, Y. (2024). Landslide hazard zonation along Khorramabad-Zal Highway in Lorestan province using analytical hierarchy process (AHP). New Findings in Applied Geology, 18(36), 264-282. [In Persian] https://doi.org/10.22084/nfag.2024.28365.1582

Mohammadi, N., & Sasanpour, F. (2021). Landslide and debris flow risk analysis in Haraz and Lavasanat roads. Water and Soil Management and Modelling, 1(4), 14-29. [In Persian]  https://doi.org/10.22098/mmws.2021.9138.1023

Mokhtari, M. (1993). Shirvan Astakhri landslide. Geographical Research Quarterly, 29, 117- 124. [In Persian] 

Nasiri, S. (2008). A perspective on landslides in Iran, a case study of slope instability on Haraz National Base Road. [In Persian] 

Raja, N. B., Çiçek, I., Türkoğlu, N., Aydin, O., & Kawasaki, A. (2017). Landslide susceptibility mapping of the Sera River Basin using logistic regression model. Natural Hazards, 85, 1323-1346. https://doi.org/10.1007/s11069-016-2591-7

Ranjithan, S., Eheart, J. W., & Garrett, J. H. (1995). Application of neural network in groundwater remediation under conditions of uncertainty. New Uncertainty Concepts in Hydrology and Water Resources, 133-140.

Rezaei Moghaddam, M. H., Mokhtari, D., & Samandar, N. (2021). Mass movements Modeling and Motion Sensitive Zone Management Using Statistical Algorithms in Ojan Chay Basin. Geography and Development, 19(63), 147-174. [In Persian]   https://doi.org/10.22111/j10.22111.2021.6190

Schalkoff, R. J. (1997). Artificial Nneural Networks. McGraw-Hill Higher Education. New York.

Zhao, H., Tian, W. P., Li, J. C., & Ma, B. C. (2018). Hazard zoning of trunk highway slope disasters: a case study in northern Shaanxi, China. Bulletin of Engineering Geology and the Environment, 77(4), 1355-1364. https://doi.org/10.1007/s10064-017-1178-1