TY - JOUR JF - jeg JO - VL - 12 IS - 1 PY - 2018 Y1 - 2018/8/01 TI - Combination AHP and Neural Network Model to landslide Hazard Zonation (Case Study city of Bijar)  TT - تلفیق مدل فرایند تحلیل سلسله مراتبی و شبکه‌های عصبی به‌منظور پهنه‌بندی خطر وقوع زمین‌لغزش (مطالعۀ موردی شهرستان بیجار) N2 - شناسایی محدوده‌های مستعد زمین‌لغزش در عمران شهری و منطقه­ای دارای اهمیت ویژه‌ای است. در این مقاله به پهنه­بندی میزان حساسیت به زمین‌لغزش با استفاده از شبکه عصبی مصنوعی و تحلیل سلسله مراتبی اقدام شده است. این پهنه‌بندی و تحلیل با استفاده از شبکه‌های عصبی مصنوعی که قادر به‌ شناسایی روابط پیچیده بین حرکات توده­ای و هدف یعنی عوامل پهنۀ حساسیت، به‌منظور شناسایی مناطق ناپایدار صورت گرفته است. روش تحلیل سلسله مراتبی برای بهبود نمونه آموزش، در سیستم اطلاعات جغرافیایی انجام‌شده است. پیش‌پردازش با استفاده از روش تحلیل سلسله مراتبی داده­ها برای انتخاب پیکسل‌های مناطق بدون لغزش و کمک به بهبود قابلیت پیش­بینی روش شبکۀ عصبی که یک مدل جعبه سیاه است انجام شده است. این روش در شهرستان بیجار در شمال شرق استان کردستان که پتانسیل زیادی برای حرکات دامنه‌ای دارد، باهدف پهنه­بندی زمین‌لغزش به‌عنوان یکی از حرکات دامنه‌ای اعمال شد. بدین‌منظور ابتدا بررسی‌های کتابخانه‌ای برای شناسایی معیارهای تأثیرگذار در این فرایند انجام گرفت بر اساس پژوهش‌ها، متغیرهای لیتولوژی، فاصله از گسل، جهت شیب، کاربری اراضی، فاصله از رودخانه، فاصله از خطوط ارتباطی، شیب، ارتفاع و شبکه زهکش مهم‌ترین فاکتورهای مؤثر بر زمین‌لغزش محسوب می­شوند که در این تحقیق ارزیابی شدند. برای ارزیابی این متغیرها در شبکۀ عصبی پرسپترون با ساختار نه لایه ورودی، دولایه پنهان و نه گره در هر دولایه با میزان یادگیری01/ با دو تابع سیگموئید و خطی به‌عنوان ساختار بهینه با آزمون ‌و خطا پذیرفته شد برسی این متغیرها با استفاده از شبکه عصبی نشان‌دهندۀ آن است که بیش از 60 درصد از منطقه بررسی شده جزء مناطق با قابلیت زمین‌لغزش زیاد است. به‌منظور صحت­سنجی این مدل‌ها از داده­های مشاهده­ای موجود استفاده‌شده که حاکی از موفقیت و کارایی هر دو تابع با اولویت اندک تابع سیگموئید است. SP - 153 EP - 182 AU - nayyeri, Hadi AU - Karami, Mohammadreza AD - University of Kurdistan UR - http://jeg.khu.ac.ir/article-1-2783-fa.html DO - 10.18869/acadpub.jeg.12.1.153 ER -