مدل‌سازی حرکات توده‌ای و مدیریت مناطق حساس به وقوع این حرکات، با استفاده از الگوریتم‌های آماری و شبکۀ عصبی (مطالعۀ موردی: حوضۀ آبریز اوجان‌چای)

اندریانی، صغری؛ محمدحسین رضایی‌مقدّم؛ خلیل ولی‌زاده کامران؛ ویدا برزگر (1395). ارزیابی عملکرد الگوریتم‌های آماری لجستیک و ناپارامتریک به‌منظور مدیریت مناطق حساس به حرکات توده‌ای در حوضۀ آبریز گویجه‌بل، جغرافیا و مخاطرات محیطی. شمارۀ نوزدهم. پاییز 95. صفحات 77-59.   https://geoeh.um.ac.ir/article_30158.html
اندریانی، صغری؛ نسرین سمندر؛ محمدرضا نیکجو (1395).مدل‌سازی‌حرکات دامنه‌ای محدودۀ سدستارخان اهر با استفاده از مدل‌های پیش‌بینی‌کنندۀ لجستیک و شبکۀ عصبی،جغرافیا و پایداری محیط. شمارۀ 20. صفحات 37-19.  https://ges.razi.ac.ir/article_629.html
اصغری‌سراسکانرود؛ صیاد؛ ایمانعلی بلواسی (1397). مقایسۀ مدل شبکۀ عصبی مصنوعی با مدل منطق فازی در ارزیابی خطر زمین‌لغزش (مطالعۀ موردی: حوضۀ آبریز سیمره چنار)، پژوهش‌های ژئومورفولوژی کمّی. شمارۀ 2. صفحات 182- 158. http://ensani.ir/fa/article/389675
ثروتی، محمدرضا؛ کاظم نصرتی؛ شیما حسنوندی؛ بابک میرباقری (1393). پیش‌بینی خطر زمین‌لغزش در حوزۀ آبخیز رودخانه سیکان با استفاده از مدل آماری رگرسیون لجستیک، منابع طبیعی ایران.67 (1). صفحات. 29-17. https://journals.ut.ac.ir/article_50825.html
راکعی، بابک؛ ماشاالله خامه‌چیان؛ پرویز عبدالملکی؛ پانته آ گیاه‌‌چی (1386). کاربرد شبکۀ عصبی در پهنه‌‌بندی خطر زمین‌‌لغزش(ناحیه سفیدار گله استان سمنان)، مجلۀ علوم دانشگاه تهران. 1 (33). صفحات. 32-21. https://journals.ut.ac.ir/article_27051.html
رجایی، عبدالحمید (1382). کاربرد جغرافیای طبیعی در برنامه‌ریزی شهری و روستایی، نشر قومس.
رجبی،معصومه؛ خلیل ولی‌زاده‌کامران؛ حسن عابدی‌قشلاقی (1395). ارزیابی و پهنه‌بندی زمین‌لغزش با استفاده از فرایند تحلیل شبکه و شبکۀ عصبی مصنوعی، مطالعۀ موردی حوضۀ آذرشهرچای، پژوهش‌های ژئومورفولوژی کمّی. سال 5.  شمارۀ 174-60. http://www.geomorphologyjournal.ir/article_78031.html
روستایی؛ شهرام؛ حسن احمدزاده  (1391). پهنه‌بندی مناطق متأثر از خطر زمین‌لغزش در جادۀ تبریز- مرند با استفاده ازسنجش‌از‌دور و GIS، پژوهش‌های ژئومورفولوژی کمّی. شمارۀ 1. صفحات: 58-47. http://www.geomorphologyjournal.ir/article_77865.html
سمندر، نسرین؛ اسدالله حجازی (1398). ارزیابی عملکرد روش‌های آماری رگرسیون لجستیک و شبکۀ عصبی چندلایۀ پرسپترون در پیش‌بینی وقوع حرکات توده‌ای (حوضۀ آبریز کمانج‌چای علیا)، فضای جغرافیایی. 97-77. http://geographical-space.iau-ahar.ac.ir/article-1-2812-fa.html
سوری، سلمان؛ غلامرضا لشکری‌پور؛ محمد غفوری (1390). پهنه‌بندی خطر زمین‌لغزش بااستفاده از شبکۀ عصبی ‌مصنوعی، مطالعۀ موردی: حوضۀ کشوری‌ (نوژیان)، زمین‌شناسی مهندسی. 5(2). صفحات 1286-1269. http://jeg.khu.ac.ir/article-1-374-fa.html
شادفر، صمد؛ مجتبی یمانی؛ سیدمحمد نمکی (1390). پهنه‌‌بندی خطر زمین‌‌لغزش با استفاده از مدل‌های ارزش اطلاعاتی، تراکم سطح و LNRE در حوضۀ چالک‌رود، مهندسی و مدیریت آبخیز. 3 (1). صفحات 47-40. https://jwem.areeo.ac.ir/article_101869.html
عمادالدین، سمیه؛  آیدین مرادی (1397). ارزیابی خطر زمین‌لغزش با استفاده از فرایند سلسله‌مراتبی (AHP)، تحلیل شبکۀ عصبی مصنوعی (ANN) و مطالعات میدانی با رویکرد کاهش ریسک (مطالعۀ موردی: محور جادۀ هراز)، پژوهش‌های ژئومورفولوژی کمّی. 190-172. http://www.geomorphologyjournal.ir/article_78113.html
کرمی، فریبا؛ مریم بیاتی‌خطیبی؛ داود مختاری‌کشکی (1386). ارزیابی و پهنه‌بندی خطر حرکات توده‌ای مواد در حوضۀ آبریز اوجان‌چای، مجلۀ جغرافیا و توسعه. صفحات 107-12. https://www.sid.ir/fa/Journal/ViewPaper.aspx?ID=68514
کورکی‌نژاد، محمد (1380). مقایسۀ کارایی دو مدل پهنه‌بندی خطر زمین‌لغزش (حائری و مورا) با استفاده از ساج در حوضۀ آبخیز سیاه رودبار گرگان، پایان‌نامۀ کارشناسی ارشد. دانشگاه علوم کشاورزی و منابع طبیعی گرگان. صفحه 24.
نیکجو، محمدرضا؛ محمدحسین ‌رضایی‌مقدّم؛ صغری‌ اندریانی (1396).تلفیق روش‌های تصمیم‌گیری چندمعیاره با روش رگرسیون لجستیک برای بررسی مناطق حساس به‌وقوع زمین‌لغزش در حوضۀ زیلبرچای، جغرافیا و برنامه‌ریزی محیطی. شمارۀ 4. زمستان 96. صفحات 52-33. https://gep.ui.ac.ir/article_22451.html
Atkinson, PM.,  Tatnall, ARL(1997). Introduction Neural networks in remote Sensing, International Journal of Remote Sensing, 18(4), PP.699-709. https://www.tandfonline.com/doi/abs/10.1080/014311697218700
Ayalew, L., Yamagishi, H (2005). Slope failures in the Blue Nile basin, as seen from landscape evolution perspective, Geomorphology, (57). PP.95-116. https://www.sciencedirect.com/science/article/abs/pii/S0169555X03000850
Burrough, P.A (1989). Fuzzy Mathematical Methods for Soil Survey and Land Evaluation, Journal of Soil Science, (40), PP. 477-492.  https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1365-2389.1989.tb01290.x
Caniani D., Pascale S,. Sdao F., Sole A (2008). Neutral networks and landslide susceptibility: a case study of the urban area of Potenza, Natural Hazards, (45), PP.55-72. https://link.springer.com/article/10.1007/s11069-007-9169-3
Chau, K.T., Chan, J.E. (2005). Regional bias of landslide data in generating susceptibility maps using logistic regression for Hong Kong Island. Rock Mechanic, 41(2), PP. 280-290. https://link.springer.com/article/10.1007/s10346-005-0024-x?shared-article-renderer
Enrique, A., Castellanos Abella, A., Cees, J. and Van Weston, B (2008). Qualitative landslide susceptibility assessment by multicriteria analysis: A case study from San Antonio del Sur, Guantánamo,Cuba,The journal of Geomorphology, (94), PP. 453-466.  https://www.sciencedirect.com/science/article/abs/pii/S0169555X07002784
Gomez H., Kavzoglu T (2005). Assessment of shallow landslide susceptibility using artificial neural networks in Jabonosa River Basin, Venezuela, EngineeringGeology,78(1-2),PP.11-27. https://www.sciencedirect.com/science/article/abs/pii/S0013795204002236
Guinau, M.Pallás,R. Vilaplana,J (2005). A feasible methodology countries: A case-study of NW Nicaragua after Hurricane Mitch ,Engineering Geology, No. 80:316-327.  https://www.sciencedirect.com/science/article/abs/pii/S0013795205001389
Hattanji, T., & Moriwaki, H., (2009). Morphometric analysis of relic landslides using
detailed landslide distribution maps: Implications for forecasting travel distance of future
landslides. Journal of Geomorphology, No, 103, PP.447-454 https://core.ac.uk/download/pdf/56642736.pdf
Iswar, D., Sashikant, S., Cees, V.W., Alfred, S. and Robert, H. (2010). Landslide susceptibility assessment using logistic regression and its comparison with a rock mass classification system, along a road section in the northern Himalayas, India, Geomorphology, (114), PP.627-637. https://research.utwente.nl/en/publications/landslide-susceptibility-assessment-using-logistic-regression-and
Lamelas, M.T., Marinoni, O., Hoppe, A., and Riva, J (2008). Doline probability map using logistic regression and GIS technology in the central Ebro Basin (Spain), Environmental Geology, (54), PP.963-977.https://www.researchgate.net/publication/225621331_Doline_probability_map_using_logistic_regression_and_GIS_technology_in_the_central_Ebro_Basin_Spain
Lee S., Ryu J. H., Lee M. J., Won J. S (2006). The Application of artificial neural networks to landslide susceptibility mapping at Janghong, Korea, Mathematical Geology, 38(2), PP. 199-220. https://link.springer.com/article/10.1007/s11004-005-9012-x
Melchiorre C., Matteucci M., Azzoni A (2008). Artificial neural networks and cluster analysis in landslide susceptibility zonation, Geomorphology, 94: 379 - 400. https://www.sciencedirect.com/science/article/abs/pii/S0169555X07002747
Mosavi, Z., Kavian, A. and Soleimani, K. (2010). "Landslide Susceptibility Mapping in Sajaroud Basin Using logistic Regression Model", Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Science, 14(53): 99-112. https://jstnar.iut.ac.ir/browse.php?a_code=A-10-1114-1&slc_lang=en&sid=1&sw=logistic
Pradhan, B., Lee, S (2009). Landslide risk analysis using artificial neural networks model
focusing on different training sites, International Journal of Physical Sciences, 4: 1-15. https://academicjournals.org/journal/IJPS/article-abstract/F7906B417691
Schmucker, K. J (1982). Fuzzy Sets, Natural Language Computations and Risk Analysis ,.Computer Science Press.
Shalkoff R. J (1997). Artificial Neural Networks. M.C Graw-Hill Companies Pub.
Wang, L.J., Guo.,Sawada, M.K., Lin, J., Zhang, J (2015). Landslide susceptibility mapping in Mizunami City, Japan: A comparison between logistic regression, bivariate statistical analysis and multivariate adaptive regression spline models, Catena, (135), PP. 271-282. https://www.sciencedirect.com/science/article/abs/pii/S0341816215300898
Yilmaz, I (2009). Landslide susceptibility mapping using frequency ratio,logistic regression, artificial neural networks and their comparison: A case study from kat landslides (Tokat-Turkey), Computers and Geosciences, (35),  PP.1125-1138.
https://www.sciencedirect.com/science/article/pii/S0098300408002665