پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه

جغرافیا و مخاطرات محیطی

مقاله 1، دوره 13، شماره 4 - شماره پیاپی 52، دی 1403، صفحه 1-26   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/geoeh.2024.87847.1482

نویسندگان

فریبا اسفندیاری درآباد^{* 1}؛ مسعود رحیمی²؛ مهرداد وهاب زاده³

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

²استادیار ژئومورفولوژی، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران

³کارشناسی ارشد ژئومورفولوژی و آمایش محیط، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

ریزش سنگ یکی از پدیده‌هایی است که رخداد آن سبب ایجاد خسارات زیادی به‌ویژه در مناطق کوهستانی می‌شود؛ بنابراین ارزیابی نواحی مستعد رخداد ریزش سنگ در مناطق کوهستانی، امری ضروری است. هدف از این پژوهش، پهنه‌بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند‌‌لایه است. برای شناسایی عوامل مهم در رخداد ریزش سنگ با توجه به مطالعات میدانی 8 عامل شناسایی‌شده که شامل ارتفاع، پوشش گیاهی، جهت‌ شیب، فاصله از گسل، فاصله از جاده، زمین‌‌شناسی، کاربری اراضی و شیب است. تمامی لایه‌ها بعد از فرایند پیش‌پردازش‌، وارد نرم‌افزار SPSS Modeler شده و مدل‌سازی با 9 نورون ورودی، 8 نورون میانه و 1 خروجی طراحی‌شده است. نتایج این پژوهش نشان داد در الگوریتم پرسپترون چند‌‌لایه، بیشترین ارزش وزنی را برای لایه زمین‌شناسی با مقدار 20/0 و برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 12/0 اختصاص داده است. به لحاظ پراکنش طبقات خطرپذیری، 98 درصد از طبقات خطرپذیری زیاد تا خیلی زیاد در بخش جنوبی منطقه گسترش دارد و بخش شمالی منطقه به لحاظ داشتن خطرپذیری در طبقه کم تا متوسط قرار گرفته است. همچنین در بخش اعتبار سنجی مدل، نتایج نشان داد که مقدار AUC در بخش آموزش عدد 9810/0 و در بخش تست شبکه عدد 9876/0 بوده است که این نیز نشان می­دهد مدل در بخش آموزش و هم در بخش تست دارای اعتبار بالایی بوده و در رتبه عالی قرارگرفته است. درنهایت پیشنهاد می­گردد در مطالعات آتی برای بررسی و ارزیابی ریزش سنگ و حرکات دامنه‌ای در این منطقه، از مدل­های دیگر یادگیری ماشین استفاده شود.

کلیدواژه‌ها

پهنه بندی خطر ریزش؛ الگوریتم پرسپرون چند لایه؛ مخاطرات جاده ایی؛ تجزیه و تحلیل پایداری دامنه؛ جاده خلخال

مراجع

Abdi Bastami, S., Memarian, H., Tajbakhsh, S. M., & Azamy Rad, M. (2019). Prioritization of landslide effective factors using logistic regression (Case study: A part of KopeDagh- Hezar Masjed Zone). Journal of Watershed Management Resesrch, 10(19), 154-170. [In Persian]   http://dx.doi.org/10.29252/jwmr.10.19.154

Abedini, M., & Piroozi, E. (2020). Landslide hazard Zoning with Using Combination Methods of Hot Spot, ANP and WlC (Case Study: Khalkhal County). Journal of Geography and Environmental Hazards, 8(4), 19-36. [In Persian]  https://doi.org/10.22067/geo.v0i0.81836

Abedini, M., Mozafari, H., & Faal Naziri, M. (2019). Investigating and comparing the effectiveness of information value models and frequency ratio coefficient and Shannon's entropy in zoning rock fall risk (case study: Zanjan-Teham-Taram road). Journal of the Geographical Studies of Mountainous Areas, 3(1) ,55-75. [In Persian] http://dx.doi.org/Doi:10.52547/gsma.3.1.55

Amirpour Kohsareh, S. (2018). Investigating geomorphological hazards of Ardabil to Sarcham road with emphasis on rockfall and landslide using fuzzy logic model. Master's thesis, University of Mohaghegh Ardabili. [In Persian]

Asghari Saraskanrod, S., & Mozafari, H. (2020). Estimate and Comparison of Frequency Ratio and Network Analysis models in Rock falling Zoning( Case study Zanjan road to Taham and Tarom). Journal of Spatial Analysis Environmental Hazards, 6(4), 123-142. [In Persian]  http://dx.doi.org/10.29252/jsaeh.6.4.123

Cirillo, D., Zappa, M., Tangari, A. C., Brozzetti, F., & Ietto, F. (2024). Rockfall analysis from UAV-based photogrammetry and 3D models of a cliff area. Drones, 8(1), 31. https://doi.org/10.3390/drones8010031

Delashmit, W. H., & Manry, M. T. (2005). Recent developments in multilayer perceptron neural networks. Paper presented of the 17th Annual Memphis Area Engineering and Science Conference, MAESC (7).‏ https://ipnnl.uta.edu/publications/recent/

Demuth, H. B., Beale, M. H., De Jess, O., & Hagan, M. T. (2014). Neural network design. United States: Martin Hagan. https://dl.acm.org/doi/abs/10.5555/2721661

Elmoulat, M., Brahim, L. A., Elmahsani, A., Abdelouafi, A., & Mastere, M. (2021). Mass movements susceptibility mapping by using heuristic approach. Case study: province of Tétouan (North of Morocco). Geoenvironmental Disasters, 8, 1-19. https://doi.org/10.1186/s40677-021-00192-0

Emami, S. N., & Yousefi, S. (2023). Comparison of the efficiency of some machine learning models for mass movement susceptibility mapping (Case study: Chaharmahal and Bakhtiari province). Scientific Quarterly Journal of Geosciences, 33(2), 183-204. [In Persian] https://doi.org/10.22071/gsj.2022.345954.2003

Esfandiary Darabad, F., Rahimi, M., Navidfar, A., & Mehrvarz, A. (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

Eskandari, M. R., Nazarpour, A., & Khayat, N. (2023). Rockfall risk Mapping Using Multiple Criteria Decision Making (MCDM) AHP, and Fuzzy-Gamma methods in Khorramabad-Pol-e-Zal Freeway. Journal of Natural Environmental Hazards, 12(35), 139-156. [In Persian] https://doi.org/10.22111/jneh.2023.41400.1872

Fanos, A. M., Pradhan, B., Alamri, A., & Lee, C. W. (2020). Machine learning-based and 3d kinematic models for rockfall hazard assessment using LiDAR data and GIS. Remote Sensing, 12(11), 1755. https://doi.org/10.3390/rs12111755

Gasemyan, B., Abedini, M., Roostai, S., & Shirzadi, A. (2021). Landslide susceptibility assessment using a novel ensemble algorithm based model (Case Study: Kamyaran city, Kurdistan province). Quantitative Geomorphological Research, 9(4), 130-146. [In Persian] https://dor.isc.ac/dor/20.1001.1.22519424.1400.9.4.8.6

Guzzetti, F., Reichenbach, P., & Ghigi, S. (2004). Rockfall hazard and risk assessment along a transportation corridor in the Nera Valley, Central Italy. Environmental management, 34(2), 191-208. https://doi.org/10.1007/s00267-003-0021-6

Hatamifar, R., Mousavi, S.H., & Alimoradi, M. (2012). Landslide hazard zonation using AHP model and GIS technique in Khoram Abad City. Geography and Environmental Planning, 23(3), 43-60. [In Persian]  https://dorl.net/dor/20.1001.1.20085362.1391.23.3.3.5

Jaccard, C. J., Abbruzzese, J. M., & Howald, E. P. (2020). An evaluation of the performance of rock fall protection measures and their role in hazard zoning. Natural Hazards, 104(1), 459-491. https://doi.org/10.1007/s11069-020-04177-4

Jahandar, S., Aghagolzadeh, A., & Kazemitabar, J. (2020). Blind Recognition of Block Code Parameters in the Presence of High SNR Using Statistical Techniques. Journal of Advanced Defense Science & Technology, 10(4), 373-381. [In Persian] https://dor.isc.ac/dor/20.1001.1.26762935.1398.10.4.4.2

Jiang, N., Li, H. B., & Zhou, J. W. (2021). Quantitative hazard analysis and mitigation measures of rockfall in a high-frequency rockfall region. Bulletin of Engineering Geology and the Environment, 80, 3439-3456.‏ https://doi.org/10.1007/s10064-021-02137-1

Lee, S., Ryu, J. H., Lee, M. J., & Won, J. S. (2006). The application of artificial neural networks to landslide susceptibility mapping at Janghung, Korea. Mathematical Geology, 38, 199-220. https://doi.org/10.1007/s11004-005-9012-x

 Lucks, L., Stilla, U., Hoegner, L., & Holst, C. (2024). Photogrammetric rockfall monitoring in Alpine environments using M3C2 and tracked motion vectors. ISPRS Open Journal of Photogrammetry and Remote Sensing, 100058. https://doi.org/10.1016/j.ophoto.2024.100058

Nakajima, S., Abe, K., Shinoda, M., Nakamura, S., & Nakamura, H. (2021). Experimental study on impact force due to collision of rockfall and sliding soil mass caused by seismic slope failure. Landslides, 18, 195-216. https://doi.org/10.1007/s10346-020-01461-z

Nanehkaran, Y. A., Licai, Z., Chen, J., Azarafza, M., & Yimin, M. (2022). Application of artificial neural networks and geographic information system to provide hazard susceptibility maps for rockfall failures. Environmental Earth Sciences, 81(19), 475. https://doi.org/10.1007/s12665-022-10603-6   

Negahban, S., Jahan Tighmand, S., & Rahimi Herabadi, S. (2020). Explaining the Position of Positivism and Critical Methods in Geomorphic Hazard (Case: Rockfalls Hazard on Rudbar-Rostamabad Freeway). Quantitative Geomorphological Research, 9(1), 52-66. [In Persian] https://www.geomorphologyjournal.ir/article_109534.html

Ramdhani, Y., Mustofa, H., Topiq, S., Alamsyah, D. P., Setiawan, S., & Susanti, L. (2022). Sentiment analysis twitter based lexicon and multilayer perceptron algorithm. Paper presented of the 10th International Conference on Cyber and IT Service Management (CITSM) ,Yogyakarta, Indonesia, 1-6. https://doi.org/10.1109/CITSM56380.2022.9936029

Rana, A., Rawat, A. S., Bijalwan, A., & Bahuguna, H. (2018). Application of multi layer (perceptron) artificial neural network in the diagnosis system: a systematic review. Paper presented of the 2018 International conference on research in intelligent and computing in engineering (RICE) , 1-6. https://doi.org/10.1109/RICE.2018.8509069

Riedmiller, M., & Lernen, A. (2014). Multi layer perceptron. In Machine Learning Lab Special Lecture. Germany: University of Freiburg.

Vahabzadeh, M. (2023). Risk zoning of skirts on Khalkhal road to Shahroud using artificial neural network system. Master's thesis, University of Mohaghegh Ardabili. [In Persian]

Yan, J., Zeng, S., Tian, B., Cao, Y., Yang, W., & Zhu, F. (2023). Relationship between highway geometric characteristics and accident risk: A multilayer perceptron model (MLP) approach. Sustainability, 15(3), 1893. https://doi.org/10.3390/su15031893

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, 1355-1364. https://doi.org/10.1007/s10064-017-1178-1