شناسایی پهنه‌‌های مستعد خطر ریزش‌‌سنگ در جاده ارتباطی مشگین‌‌شهر- اهر با استفاده از شبکه عصبی مصنوعی

رحیمی, مسعود; اسفندیاری, فریبا; زکی زاده, امید; وهاب زاده زرگری, مهرداد

doi:10.22111/jneh.2025.50028.2072

شناسایی پهنه‌‌های مستعد خطر ریزش‌‌سنگ در جاده ارتباطی مشگین‌‌شهر- اهر با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار ژئومورفولوژی، دانشکده ادبیات و علوم انسانی، دانشگاه فردوسی مشهد، مشهد، ایران

² استاد ژئومورفولوژی، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

³ کارشناسی ارشد ژئومورفولوژی و آمایش محیط، دانشکده علوم اجتماعی، دانشگاه محقق اردبیلی، اردبیل، ایران

10.22111/jneh.2025.50028.2072

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

موضوعات

مخاطرات محیط طبیعی

عنوان مقاله [English]

Identification of Rockfall Hazard Zones Along The Meshginshahr-Ahar Road Using Artificial Neural Networks

نویسندگان [English]

Masoud Rahimi ¹
Fariba Esfandiari ²
omid Zakizadeh ³
Mehrdad Vahabzadeh Zargari ³

¹ Assistant professor of Geomorphology, Faculty of Literature and Human science, Ferdowsi University of Mashhad, Mashhad, Iran

² Professor of Geomorphology, Faculty of Social Sciences, University of Mohaghegh Ardabili, Ardabil, Iran.

³ Masters graduate, Geomorphology and Environmental Management, Faculty of Social Sciences University of Mohaghegh Ardabili, Ardabil, Iran

چکیده [English]

Rockfall hazards can cause significant human and financial losses along mountain roads. The Meshginshahr-Ahar road is one of the main transport routes constantly threatened by rockfalls. Therefore, the identification of rockfall zones along this route is crucial. In this study, a Multilayer Perceptron (MLP) artificial neural network was used to identify areas susceptible to rockfall. For this purpose, nine factors influencing rockfall occurrence in the study area were identified and selected. Subsequently, through field surveys and satellite images, a rockfall occurrence layer was prepared for the road corridor. The modeling process, based on these nine influencing factors and the rockfall occurrence layer, was conducted in the SPSS Modeler software. The results showed that the highest weighted factors contributing to rockfall occurrence in the study area were geology (0.20), slope and distance from faults (0.14), and elevation (0.12). On the other hand, the lowest weights were assigned to precipitation (0.05), land use, and slope aspect (0.08). The results also showed that 13%, 14%, 28%, and 45% of the study area fell into the very high, high, moderate, and low-risk classes respectively. The results of this research can help to reduce slope hazards and improve environmental stability in the study area, thereby making a significant contribution to the sustainable development of the region.

کلیدواژه‌ها [English]

Rockfall
Zoning
Artificial Neural Network
Meshginshahr-Ahar Road

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.