1403/09/03
سلمان احمدی

سلمان احمدی

مرتبه علمی: دانشیار
ارکید: https://orcid.org/0000-0003-4281-1971
تحصیلات: دکترای تخصصی
اسکاپوس: 57190510344
دانشکده: دانشکده مهندسی
نشانی:
تلفن:

مشخصات پژوهش

عنوان
پهنه‌بندی احتمال زمین‌لغزش با استفاده از یادگیری عمیق (DL) و GIS مطالعه موردی (شهرستان سروآباد)
نوع پژوهش
پایان نامه
کلیدواژه‌ها
زمین‌لغزش، یادگیری عمیق، CNN ، Deep Learning
سال 1401
پژوهشگران جمیل فتحی(دانشجو)، سلمان احمدی(استاد راهنما)

چکیده

زمین‌لغزش به جابه‌جایی توده‌ای از مواد که بر روی یک شیب به سمت پایین حرکت می‌کند گفته می‌شود. تهیه نقشه حساسیت خطر زمین‌لغزش برای برنامه‌ریزان باهدف انتخاب بهترین مکان جهت اجرای طرح‌های مختلف بوده است که از آن به‌عنوان داده اولیه جهت طراحی کاربری زمین و کمک به مدیریت ناپایداری‌ها می‌توان استفاده کرد. یکی از روش‌های اصولی‌ برای کاهش اثرات زمین‌لغزش در منطقه موردنظر، شناسایی مناطق حساس در برابر زمین‌لغزش و پهنه‌بندی آن بوده است. در این پژوهش برای ایجاد نقشه احتمال خطر زمین‌لغزش در محدوده موردمطالعه از روش یادگیری عمیق استفاده شده است. برای مدل‌سازی پتانسیل زمین‌لغزش در منطقه مطالعاتی علاوه بر زمین‌لغزش‌های اتفاق افتاده به مجموعه‌ای از لایه‌های اطلاعاتی از منطقه نیاز داریم، این داده‌ها مربوط به ویژگی‌های توپوگرافی، محیطی، اقلیمی و انسانی منطقه موردمطالعه هستند، و به‌عنوان عوامل تأثیرگذار در زمین‌لغزش معرفی می‌شوند. داده‌های زمین‌لغزش به‌عنوان متغیر وابسته و دیگر داده‌های تولید شده همچون (شیب، جهت شیب، ارتفاع، کاربری اراضی، فاصله از خطوط ارتباطی و جاده، فاصله از آبراهه‌ها و رودخانه، فاصله از خطوط گسل، کاربری اراضی و نقشه لیتولوژی) به‌عنوان متغیر مستقل به مدل معرفی گردید. برای پیشبرد اهداف پژوهش و تهیه لایه‌های اطلاعاتی از نرم‌افزار Arc GIS و زبان برنامه‌نویسی پایتون برای اجرای CNN استفاده شده است. روال کلی کار در این برنامه به این صورت است که تعدادی لایه‌های اطلاعاتی را دریافت می‌کند، سپس با استفاده از الگوریتم شبکه عصبی کانالوشن یا یادگیری عمیق، ویژگی‌ها را از لایه‌های اطلاعاتی استخراج می‌کند و خروجی را به SVM می‌دهد. SVM بر اساس این ویژگی‌ها روی لایه‌های اطلاعاتی آموزش می‌دهد و یک مدل برای خودش تولید می‌کند و سپس محاسبه می‌کند که تصاویر با چه ویژگی‌ها در چه دسته‌هایی قرار گیرند. بعد 30 درصد از تصاویر به‌عنوان تست به SVM داده می‌شود و SVM بر اساس آموزشی که قبلاً دیده اقدام به دسته‌بندی لایه‌های اطلاعاتی می‌نماید. نتیجه نهایی حاصل از پهنه‌بندی زمین‌لغزش در شهرستان سروآباد با استفاده از مدل Deep Learning نشان داد که مناطق با قابلیت خیلی زیاد زمین‌لغزش با مساحت 15021 هکتار معادل 912/14 درصد از مساحت کل را در ارتفاعات شهرستان به خود اختصاص داده است. مناطق با قابلیت زیاد زمین‌لغزش با مساحت 24029 هکتار معادل 853/23 درصد از مساحت کل را در مناطق دامنه‌ای شهرستان پوشش داده است. این دو کلاس مناطق با حساسیت بالا را نشان می‌دهد که نیازمند توجه ویژه به آنهاست این دو کلاس جمعاً 38 درصد از کل منطقه را به خود اختصاص داده است. کلاس با قابلیت زمین‌لغزش متوسط، کم و خیلی کم به ترتیب با مساحت‌های 27953، 22074 و 11656 هکتار که به ترتیب معادل 749/27، 913/21 و 571/11 درصد از مساحت کل منطقه را در مناطق پایکوهی، پست و دشتی منطقه به خود اختصاص داده است.