
تعداد نشریات | 32 |
تعداد شمارهها | 739 |
تعداد مقالات | 7,170 |
تعداد مشاهده مقاله | 11,712,398 |
تعداد دریافت فایل اصل مقاله | 8,037,615 |
شناسایی پهنههای مستعد خطر ریزشسنگ در جاده ارتباطی مشگینشهر- اهر با استفاده از شبکه عصبی مصنوعی | ||
مخاطرات محیط طبیعی | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 23 دی 1403 | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22111/jneh.2025.50028.2072 | ||
نویسندگان | ||
مسعود رحیمی* 1؛ فریبا اسفندیاری2؛ امید زکی زاده3؛ مهرداد وهاب زاده زرگری3 | ||
1استادیار ژئومورفولوژی، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران | ||
2استاد ژئومورفولوژی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
3کارشناسی ارشد ژئومورفولوژی و آمایش محیط، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
چکیده | ||
مخاطره ریزش سنگ میتواند در مسیر جادههای کوهستانی منجر به بروز خسارات جانی و مالی برای انسانها شود. مسیر جاده ارتباطی مشگینشهر– اهر یکی از مسیرهای ارتباطی میباشد که همواره با مخاطره ریزش سنگ روبهرو بوده است. ازاینرو شناسایی پهنههای مستعد خطر ریزش سنگ در این مسیر بسیار حائز اهمیت میباشد. در این تحقیق جهت شناسایی پهنههای مستعد خطر از شبکه عصبی مصنوعی مدل پرسپترون چندلایه (MLP) استفاده شد. برای این منظور 9 عامل تأثیرگذار در رخداد ریزش سنگ در محدوده موردمطالعه شناسایی و انتخاب شد. در ادامه با استفاده از بازدیدهای میدانی و نیز استفاده از تصاویر ماهوارهای لایهریزش سنگ اتفاق افتاده در محدوده جاده تهیه گردید. سپس مدلسازی بر اساس این 9 عامل تأثیرگذار و لایهریزش سنگ اتفاق افتاده در محیط نرمافزارSPSS Modeler صورت گرفت. نتایج تحقیق نشان داد که بیشترین امتیاز وزنی برای رخداد ریزش سنگ در منطقه موردمطالعه به ترتیب عوامل زمینشناسی 20/0، شیب و فاصله از گسل با 14/0 و ارتفاع با 12/0 بوده است. همچنین کمترین امتیاز وزنی نیز مربوط به عامل بارش با 05/0 و کاربری اراضی و جهت شیب با امتیاز وزنی 08/0 میباشد. همچنین بر طبق نتایج بهدستآمده 13%، 14%، 28% و 45% درصد از منطقه موردمطالعه به ترتیب در کلاسهای بسیار زیاد، زیاد، متوسط و کم قرار گرفتهاند. نتایج تحقیق حاضر میتواند به کاهش مخاطرات دامنهای و پایداری محیطی در محدوده موردمطالعه کمک کرده و گام مؤثری در توسعه پایدار منطقه بردارد. | ||
کلیدواژهها | ||
ریزش سنگ؛ پهنهبندی؛ شبکه عصبی مصنوعی؛ جاده مشگینشهر-اهر | ||
مراجع | ||
اسفندیاری درآباد، فریبا؛ رحیمی، مسعود؛ وهابزاده، مهرداد. (1403). پهنهبندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چندلایه. مجله جغرافیا و مخاطرات محیطی.doi: 10.22067/geoeh.2024.87847.1482
اسفندیاری درآباد، فریبا؛ رحیمی، مسعود؛ نویدفر، اصغر؛ مهرورز، ارسلان. (1399). ارزیابی حساسیت زمینلغزش با استفاده از روشهای شبکه عصبی مصنوعی و الگوریتم ماشین بردار پشتیبان (مطالعه موردی: جادة حیران- استان اردبیل. پژوهشهای ژئومورفولوژی کمّی، 9(3)، 18_33، doi: 10. 2034/gmpj.2020.122210
اسکندری، محمدرضا؛ نظر پور، احد؛ خیاط، نوید. (1402). پهنهبندی خطر ریزش سنگ با بهرهگیری از روشهای تصمیمگیری چند معیاره در آزادراه خرمآباد-پل زال. مخاطرات محیط طبیعی، 12(35)، 139-156. doi: 10.22111/jneh.2023.41400.187
اصغری سراسکانرود، صیاد؛ مظفری، حسن. (1398). ارزیابی و مقایسه مدلهای ضریب نسبت فراوانی و تحلیل شبکه در پهنهبندی ریزش سنگ. تحلیل فضایی مخاطرات محیطی، 6(4 )، 123-142. doi: 10.29252/jsaeh.6.4.123
ایلانلو، مریم؛ ابراهیمی، لیلا. (۱۳۹۵). پهنهبندی خطر وقوع حرکات تودهای با استفاده از مدلهای ارزش اطلاعاتی، تراکم سطح و LNRF در حوضه آبخیز زهره. مجله دانش مخاطرات. 3 (2)، 153- ۱۴1. doi:10. 2059/jhsci.2016.60344
زمردیان، محمد جعفر. (1392). ژئومورفولوژی ایران. جلد دوم، انتشارات دانشگاه فرودوسی مشهد. صص 120.
عابدینی، موسی؛ مظفری، حسن؛ فعال نذیری، مهدی. (۱۴۰۱). بررسی و مقایسه کارایی مدلهای ارزش اطلاعات و ضریب نسبت فراوانی و آنتروپی شانون در پهنهبندی خطر ریزش سنگ (مطالعه موردی: جاده زنجان ـ تهم ـ طارم). مطالعات جغرافیایی مناطق کوهستانی، ۳ (۱)، ۵۵-۷۵. doi:10.52547/gsma.3.1.55
مددی، عقیل. (1389). بررسی ناپایداری ژئومورفولوژیک گردنه صائین (بین شهر نیر و سراب، منطقه آذربایجان) با استفاده از روش آنبالاگان. جغرافیا و برنامه ریزی محیطی، 21(1)، 9_77. doi: 20.1001.1.20085362.1389.21.1.5.9
نعمتی، مریم؛ خبازی، مصطفی؛ عبداللهی، علیاصغر؛ قضات، علی. (1399). نقش حرکات دامنهای"ریزش" در ایجاد مخاطرات ریلی(محور ریلی زاهدان-کرمان. جغرافیای طبیعی، 12(47)، 117_132.20.1001.1.20085656.1399.13.47.7.9 doi:
وهابزاده، مهرداد. (1402). پهنه بندی مخاطرات دامنهای در جاده خلخال به شاهرود با استفاده از سیستم شبکه عصبی مصنوعی، پایان نامه کارشناسی ارشد ژئومورفولوژی و برنامهریزی محیطی، دانشگاه محقق اردبیلی.
Abdullah, S., Ismail, M., & Ahmed, A. N. (2019). Multi-layer perceptron model for air quality prediction. Malaysian Journal of Mathematical Sciences, 13, 85-95. Aitkin, M., & Foxall, R. (2003). Statistical modeling of artificial neural networks using the multi-layer perceptron. Statistics and Computing, 13, 227-239. Bickel, V.T., Jordan, A.P., Manconi, A., Loew, S., & Mall, U. (2021). Global Drivers of Lunar Rockfall. Kanno, H., Moriguchi, S., Tsuda, Y., Yoshida, I., Iwanaga, S., & Terada, K. (2023). A method for rockfall risk quantification and optimal arrangement of protection structures along a road. Engineering Geology, 314, 107004. Li, D., Huang, F., Yan, L., Cao, Z., Chen, J., & Ye, Z. (2019). Landslide susceptibility prediction using particle-swarm-optimized multilayer perceptron: Comparisons with multilayer-perceptron-only, bp neural network, and information value models. Applied Sciences, 9(18), 3664. Pham, B. T., Bui, D. T., Prakash, I., & Dholakia, M. B. (2017). Hybrid integration of Multilayer Perceptron Neural Networks and machine learning ensembles for landslide susceptibility assessment in the Himalayan area (India) using GIS. Catena, 149, 52-63. Pierson, L.A., Davis, S.A., & Vickle, R.V. (1990). ROCKFALL HAZARD RATING SYSTEM: IMPLEMENTATION MANUAL. Rathore, H., Wenzel, L., Al-Ali, A. K., Mohamed, A., Du, X., & Guizani, M. (2018). Multi-layer perceptron model on chip for secure diabetic treatment. IEEE Access, 6, 44718-44730. doi: 10.1109/ACCESS.2018.2854822. Rossi, M., Sarro, R., Reichenbach, P., & Mateos, R. M. (2021). Probabilistic identification of rockfall source areas at a regional scale in El Hierro (Canary Islands, Spain). Geomorphology, 381, 107661. Wang, Z. H., Hu, Z. W., Zhao, W. J., Guo, Q. Z., & Wan, S. M. (2015). Research on regional landslide susceptibility assessment based on multiple layers perceptron-Take the hilly area in Sichuan as an Example. Journal of Disaster Prevention and Mitigation Engineering, 35(5), 691-698. Wei, L., Xu, Y., Lv, D., Cui, H., Liu, S., & Ao, M. (2024). Rockfall susceptibility assessment in Kuandian County (Northeast China) by combining information content method and analytic hierarchy process. Bulletin of Engineering Geology and the Environment, 83(6), 240. Yan, J., Chen, J., Tan, C., Zhang, Y., Liu, Y., Zhao, X., & Wang, Q. (2023). Rockfall source area identification at the local scale by integrating discontinuity-based threshold slope angle and rockfall trajectory analyses. Engineering Geology, 313, 106993. Stoffel, M., Trappmann, D. G., Coullie, M. I., Ballesteros Cánovas, J. A., & Corona, C. (2024). Rockfall from an increasingly unstable mountain slope driven by climate warming. Nature Geoscience, 17(3), 249-254. | ||
آمار تعداد مشاهده مقاله: 53 |