%0 Journal Article %A Salimi, N %A FatemiAghda, M %A Teshnehlab, M %A Sharafi, Y %T Landslide Hazard Zonation in Taleghan watershed by using intelligent systems (Gaussian radial basis function and multilayer perceptron artificial neural networks) %J Journal of Engineering Geology %V 10 %N 3 %U http://jeg.khu.ac.ir/article-1-2591-fa.html %R 10.18869/acadpub.jeg.10.3.3601 %D 2017 %K Landslide hazard zonation, Taleghan, intelligent systems, artificial neural network, artificial neural networks, Perceptron, RBF, MLPLandslide hazard zonation, Taleghan, intelligent systems, artificial neural network, artificial neural networks, Perceptro, %X زمین­لغزش­ها هر سال خسارت­های مالی و جانی زیادی به‌بار می­آورند. نقشه­های پهنه‌بندی خطر زمین­لغزش می­توانند به کاهش این خسارت­ها کمک کنند. حوزۀ آبخیز طالقان از جمله­ حوزه­های مستعد زمین­لغزش است که بررسی شده است. در این مقاله به پهنه­بندی خطر زمین­لغزش در این منطقه و در مقیاس 50000/1، و با در نظر داشتن لایه­های اطلاعاتی پراکندگی لغزش­ها، شیب، برای شیب، زمین‌شناسی (لیتولوژی)، فاصله از گسل­ها، فاصله از آبراهه­ها، با روش شبکه­های عصبی مصنوعی مبتنی بر توابع پایه­ای گوسی (RBF) و شبکه‌های عصبی پرسپترون (MLP) می‌پردازیم. کلیات روش RBF تا حدود زیادی مشابه شبکه­های عصبی پرسپترون (MLP) است که تا کنون قابلیت آن مشخص شده­ است و چندین تفاوت ساختاری در مؤلفه­ها بین این دوروش شبکۀ عصبی وجود دارد. از نتایج نهایی مشخص شد که نقشه‌های حاصل از هر دو روش قابل قبول هستند و روش MLP دقت بیش‌تری نسبت به‌روش RBF دارد. %> http://jeg.khu.ac.ir/article-1-2591-fa.pdf %P 3601-3626 %& 3601 %! %9 Original Research %L A-10-515-1 %+ %G eng %@ 2228-6837 %[ 2017