بکار گیری مدل شبکه عصبی پرسپترون چند لایه (M .L.P) در پهنه بندی آسیب پذیری شهری با تاکید بر زلزله(مورد مطالعه منطقه٢٠ شهرداری تهران)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه جغرافیا و برنامه ریزی شهری، دانشگاه شهید بهشتی تهران

2 استاد، گروه جغرافیا و برنامه ریزی شهری، دانشگاه شهید بهشتی تهران

3 استادیار گروه سلامت در حوادث و بلایا، دانشگاه علوم پزشکی تهران

4 استادیار گروه جغرافیا و برنامه ریزی شهری ، دانشگاه شهید بهشتی تهران

10.22111/jneh.2020.31217.1551

چکیده

منطقه 20 (شهرری ) جنوبی ترین منطقه شهری، شهرداری تهران با 453740 نفر جمعیت و وسعت 22 کیلومتر مربع داخل محدوده شهری و 178 کیلومترمربع خارج محدوده است.خطر زمین لرزه در این منطقه به دلیل موقعیت جغرافیایی و زمین ساختی، وجود گسل های متعدد در اطراف آن، وقوع زلزله های مخرب تاریخی متعدد در محدوده آن و سایر شواهد تکتونیکی و زمین شناختی بسیار بالا ارزیابی می شود. این پژوهش بابررسی وضع موجود و تحلیل وسطح بندی آسیب پذیری سکونتگاههای منطقه و با بهره گیری مدل MLPراهبرد تازه ای را دراین خصوص ارائه نموده است.نتایج حاصل از مدل بر اساس متغییر های ورودی نشان میدهد که روش استاندارد طبقه‌بندی نسبت به روش استاندارد حداکثر وحداقل ازکارایی و دقت بالاتری برخوردار است.با مشاهده نقشه روش استاندارد طبقه بندی در مدل بکار گرفته شده درمی بابیم که لکه های نارنجی و تقریبا آبی که بیشتر در مرکز منطقه پراکنده شده اند بیشترین همبستگی را با بافت های فرسوده راداشته ودرجه آسیب پذیری بالایی را به خود اختصاص داده است براساس نتایج حاصل از مدل مورد نظر به لحاظ گستردگی و پهنه آسیب پذیری ،ازمساحت کل منطقه ، 21 درصد دارای آسیب پذیری بالاوبسیار بالا،61درصددارای آسیب پذیری متوسط،18درصد ازمساحت منطقه دارای آسیب پذیری کم میباشد ونتایج لایه های جمعیتی نشان میدهد که 8/56درصد از کل جمعیت منطقه دارای درجه آسیب پذیری بالا ، بسیار بالا و9/27درصد بادرجه متوسط آسیب پذیری و1/14درصد با درجه آسیب پذیری کم میباشد که نشان دهنده تراکم جمعیتی درساختمانهای فرسوده باعرض معابرکم میباشد.همچنین نتایج حاصل ازلایه های نوع مصالح واماکن مهم منطقه حاکی از آن است که بیشترین آسیب پذیری به لحاظ نوع مصالح به ترتیب فلزی،آجری،نیمه فلزی وغیره...بوده واماکن مهمی مانندمراکزآموزشی،کلینک ودرمانگاهها منطقه از بیشترین درجه آسیب پذیری برخوردار هستند.

کلیدواژه‌ها


عنوان مقاله [English]

Application of Multilayer Perceptron (MLP) Neural Network Model in Urban Vulnerability Zoning with Emphasis on Earthquake (A Case Study on Municipal District 20 in Tehran)

نویسندگان [English]

  • Loghman Mahmoudi 1
  • Mohammad Taghi Razvian 2
  • Abbas Ostadtaghizadeh 3
  • Mortaza Ghorchi 4
1 Ph.D.student of geography and urban planning of Shahid Beheshti, University in Tehran, Iran
2 Professor, Department of Geography and Urban Planning, Shahid Beheshti, University, Tehran, Iran
3 Assistant Professor, Department of Health in Disasters and Emergencies, School of Public Health, Tehran University of Medical Sciences, Iran.
4 Assistant Professor, Department of Geography and Urban Planning, Shahid Beheshti, University,Tehran, Iran
چکیده [English]

District 20 (Shahr-e-Ray), as the southernmost urban area among the municipal districts of Tehran, has a population of 4553740 individuals and an area of 22km2 within the urban zone and 178km2 outside this zone. The earthquake risk is estimated to be very high in this region due to the tectonic and geographical position, presence of numerous faults around the region, the occurrence of several historical destructive earthquakes within this area, as well as other tectonic and geological evidence. In the present study, by investigating the current status, analyzing and classifying the vulnerability of the habitats in this region, and using the MLP model, a new strategy is presented. The results of the model based on the input models indicated the higher accuracy and efficiency of the standard classification method compared to the standard max/min method. By taking a look at the map of the standard classification method in the applied model, it can be found that the orange and nearly blue spots, which are mostly scattered in the central part of the region, have the highest correlation with the worn texture and the highest vulnerability. According to the results of the model in terms of vulnerability expansion and zone, out of the total area of the region, 21% has the high and very high vulnerability, 61% medium vulnerability, and 18% low vulnerability. Also, the results of the population layers indicated high, medium, and low vulnerability intensities for 56.8%, 27.9%, and 14.1% of the total population, representing the population density in worn-out buildings with narrow pathways. Moreover, the results concerning the layers of material type and important places showed that the material types including metals, bricks, semi-metallic, …, respectively, and the important places such as educational centers, clinics, and medical centers have the highest vulnerability intensities

کلیدواژه‌ها [English]

  • MLP Model
  • Standard method of maximum-minimum
  • Urban habitations
  • Worn texture
البرزی محمود (١٣٨٠)، آشنایی با شبکه های عصبی، انتشارات علمی دانشگاه صنعتی شریف، ص١٩١.

احدنژاد محسن، قنبری حکیمه (١٣٨٨)، کاهش خسارات ناشی از زلزله و مدیریت بهینه بحران با تاکید برمکانیابی کاربری های ویژه با استفاده از(G.I.S) نمونه برداری بافت فرسوده شهر تبریز (همایش سراسری سامانه اطلاعات مکانی،تهران، دانشگاه صنعتی مالک اشتر.

امینی ورکی، سعید؛ مدیری، مهدی؛ فتح الله، شمسایی؛ قنبری نسب، علی (١٣٩٣)، شناسایی دیدگاههای حاکم بر آسیب پذیری شهرها در برابر مخاطرات محیطی و استخراج مولفه های تأثیرگذار در آن با استفاده از روش کیو، فصلنامه علمی و پژوهشی مدیریت بحران صص ،١٨، ٤٢-٢٩.

پور عبدل، علیرضا. ( ١٣٩٢ ). تحلیل آسیب پذیری ناشی از زلزله در بافت کالبدی شهر کرج. پایان­نامه کارشناسی ارشد، رشته ژئومورفولوژی، دانشگاه خوارزمی.

پیشگاهی فرد، زهرا؛ اقبالی، ناصر؛ فرجی راد، عبدالرضا؛ بیگ بابایی (١٣٩١)، مدل سازی تعیین مناطق خطرپذیر با استفاده از مدل (AHP) فصلنامه ی علمی-پژوهشی فضای جغرافیایی، صص١٢-١٣٨-١٨٧.

تولایی روح الله؛ اعظمی محمد، حبیبی کیومرث (١٣٩٦)، تعیین آسیب پذیری مناطق مسکونی در برابر زلزله درمحیط GIS و ارائه راهکارهایی جهت افزایش پایداری آن مطالعه موردی محله قرادیان شهر سنندج، اولین کنفرانس معماری و فضاهای شهری پایدار، مشهد، گروه پژوهش های کاربردی پرمان.

جلالیان، حمید؛ دادگر، حسین (١٣٩٤)، پهنه بندی آسیب پذیری سکونتگاههای روستایی در برابر زلزله با مدل AHP مطالعه موردی بخش چورزق شهرستان طارم، جغرافیا و برنامه ریزی محیطی، صص١٢،٣٦-٢٥.

حسن زاده رضا، علوی اکبر، شجاعی سید­وحید (١٣٨٨)، مدیریت بحران زمین لرزه در مناطق شهری با استفاده از GIS مطالعه موردی ناحیه ٣١ شهر کرمان، همایش سراسری سامانه اطلاعات مکانی، تهران، دانشگاه صنعتی مالک اشتر.

رحمتی­قائد صفر، باستانی­فر ایمان، سلطانی لیلا(١٣٩٥)، بررسی تاثیرات تراکم بر آسیب پذیری ناشی از زلزله درشهراصفهان با رویکرد فازی، مجله جغرافیا و برنامه ریزی محیطی، صص ٢٢ ، ٣٢٢-٣٥٧.

ساسان پور و همکاران (١٣٨٩)، تاثیر عوامل انسان ساخت در تشدید پیامدهای مخاطرات طبیعی در محیط­های کلان شهری با کاربرد منطق فازی و سیستم اطلاعات جغرافیایی نشریه تحقیقات کاربردی علوم جغرافیایی، صص ١٦ ،١٨-٢١.

شریفی باقر (١٣٨٤)، پروژه کاربرد شبکه های عصبی در پیش بینی جریان رودخانه در حوزه معرف کارده، کمیته تحقیقات شرکت سهامی آب منطقه ای خراسان، دفتر فنی و پژوهشهای کاربردی شرکت مدیریت منابع آب ایران.

عباس­ زرگله سعید (١٣٩٣)، ملاحظات پدافند غیرعامل در طرح جامع شهر کرج، پایان نامه­ی دوره کارشناسی ارشد پدافند غیرعامل، مجتمع دانشگاهی آزمایش و پدافند غیرعامل، دانشگاه صنعتی مالک اشتر، تهران.

 قنبری، ابوالفضل، محمدعلی سالکی، قاسمی معصومه ( ١٣٩٢ )، پهنه بندی میزان آسیب پذیری شهرها درمقابل خطر زمین لرزه نمونه موردی: شهر تبریز، جغرافیا و مخاطرات محیطی، صص ٣،٢٩-٣٥.

کریمی کردآبادی، مرتضی؛ نجفی، اسماعیل (١٣٩٤)، ارزیابی خطر زلزله با استفاده مدل ترکیبی در توسعه و امنیت شهری مطالعه موردی: منطقه یک کلانشهر تهران، مجله پژوهشهای فرسایش، صص٩،١٠-١٥.

مدیری مهدی (١٣٨٩)، الزامات مکانیابی تأسیسات شهری (با تأکید بر تأسیسات آب شهری) و ارائه ی الگوی بهینه از دیدگاه پدافند غیرعامل، پایان نامه ی دوره­ی دکتری، دانشکده جغرافیا، دانشگاه تهران، تهران.

محمدی ده چشمه، مصطفی (١٣٩٠)، مدلسازی مؤلفه های ریسک پذیر مؤثر در ایمن سازی شهر کرج. پایان نامه­ی دوره­ی دکتری، دانشکده جغرافیا، دانشگاه تهران، تهران.

Alexander, D. (2007). Disaster Management: From Theory to Implementation, Journal of Seismology and Earthquake Engineering, 12,49-59.

Ambraseys, N. N.(1971). Value of historical records of earthquakes. Nature, 232, 375–379.

Botero Fernandez V. (2009). Geo-information for measuring vulnerability to the earthquake: fitness for use approach. PhD thesis, ITC, Netherland.

Chun-Nen Huang. (2014). A method for exploring the interdependencies and important critical infrastructures. Knowledge-Based Systems, 55:66-74.

Erden, T, Karaman H. (2012). Analysis of earthquake parameters to generate hazard maps by integrating AHP and GIS for Küçükçekmece region, Natural Hazards and Earth System Sciences, 12: 475–483.

Hosseini, M. and Fathi H.(2007). On the Relationship of Urban and Regional Planning with Earthquake Risk Management: Tehran Case Study, Proceedings of the ٥th Int’l Conference on Seismology and Earthquake Eng. (SEE-٥), IIEES, Tehran, Iran, 13-16.

Martinelli A., Cifani G.( 2008). Building Vulnerability Assessment and Damage Scenarios in Celano(Italy) Using a Quick Survey Data-based Methodology, Soil Dynamics and Earthquake Engineering, 28, 875-889.

Mohammadpour S, Zali N, Pourahmad A. (2016). Analysis of Seismic Vulnerability Factors in Urban Old Texture with the Approach of Earthquake Crisis Management(Case Study: Sirus Neighborhood), Human Geography Research Quarterly, 48(1):33-5.

Mas J.F, Puig H, Palacio J.L, Sosa-López A. (2001). Modeling deforestation using GIS and artificial neural networks. Environmental Modelling & Software, Volume 19, pp.461-471.

Nwe Z, Thwe tun K, (2016), Seismic Hazard Analysis using AHP-GIS, International conference on Civil, Architectural and Environmental Engineering (CAEE-16), At Bangkok, Thailand.pp.25-29.

Nojima, N., Sugito. (2000). Simulation And Evaluation Of Post-Earthquake Functional Performance Of Transportation Network, pp. 12:19-27.

Rezvani. (2009). Spatial organization of explaining urban systems, Bushehr and Fars, the Journal land use environment, 11:1-9.

Sadrykia M, Delavar M, Zare M. (2017). A GIS-Based Fuzzy Decision-Making Model for Seismic Vulnerability Assessment in Areas with Incomplete Data, ISPRS Int. J. Geo-Inf., 6(4): 119, DOI: 10.3390/ijgi6040119.

Sharifikia M. (2011). Vulnerability Assessment and Earthquake Risk Mapping in Part of North Iran Using Geospatial Techniques, Springer, Journal of Indian Society of Remote Sensing, 38(4): 708-716.