مهرداد وهاب زاده زرگری

صنعت گردشگری بر پایه ژئو توریسم و مقاصد ژئومورفولوژیک در سال های اخیر تبدیل به یکی از کانون های توریسمی و مسافرتی شده است. بنابراین با توجه به توسعه صنعت گردشگری، ارزیابی کانون های ژئوتوریسمی به لحاظ کارایی و رقابت پذیری امری ضروری است. هدف از پژوهش حاضر توان سنجی پتانسیل های مقاصد ژئومورفولوژیکی و ژئوتوریسم شهر خلخال بخش شاهرود است. در این پژوهش از دو مدل کوبالیکوا و پاوولوا و هم چنین برای تبدیل نتایج به نقشه از نرم افزار GIS استفاده شده است. نتایج به دست آمده در مدل کوبالیکوا نشان دهنده این است که دهستان شال با کسب 11 امتیاز به دلیل تنوع بالای پدیده های ژئومورفیک و زمین شناسی دارای پتانسیل بالا در بخش ژئوتوریسمی و مقاصد ژئومورفیک دارد و هم چنین دهستان های شاهرود و پلنگا نیز به ترتیب با کسب 8 و 7 امتیاز در رده های پایین تر قرار دارند. نتایج مبتنی بر ماتریس مثبت و منفی در مدل پاوولوا نیز نشان می دهد که دهستان شال با کسب امتیاز 71/1 به خاطر داشتن سایت های چینه ای، غارها و سایت های هیدرولوژیکی متنوع بیش ترین رقابت پذیری را دارد و در رتبه عالی به لحاظ رقابت پذیری قرارگرفته است. دهستان های شاهرود و پلنگا نیز به ترتیب با امتیاز 61/1 و 53/1 به علت تنوع پایین پدیده ها و امکانات خدماتی در رتبه های خیلی خوب قرار دارند اما هر سه از دهستان های بخش شاهرود در معیار کسری بودجه دارای مقادیر پایینی هستند که نشان از عدم برنامه ریزی راهبردی در بخش گردشگری در این منطقه است. هم چنین تحلیل نقشه های توان سنجی نیز نشان دهنده این است که مدل پاوولوا به خاطر پارامترهای زیاد در ارزیابی نسبت به مدل کوبالیکوا دارای دقت و اعتبار بالایی است.

مخاطره ریزش سنگ می تواند در مسیر جاده های کوهستانی منجر به بروز خسارات جانی و مالی برای انسان ها شود. مسیر جاده ارتباطی مشگین شهر– اهر یکی از مسیر های ارتباطی می باشد که همواره با مخاطره ریزش سنگ روبه رو بوده است. ازاین رو شناسایی پهنه های مستعد خطر ریزش سنگ در این مسیر بسیار حائز اهمیت می باشد. در این تحقیق جهت شناسایی پهنه های 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 ماهواره ای لایه ریزش سنگ اتفاق افتاده در محدوده جاده تهیه گردید. سپس مدل سازی بر اساس این 9 عامل تأثیرگذار و لایه ریزش سنگ اتفاق افتاده در محیط نرم افزارSPSS Modeler صورت گرفت. نتایج تحقیق نشان داد که بیشترین امتیاز وزنی برای رخداد ریزش سنگ در منطقه موردمطالعه به ترتیب عوامل زمین شناسی 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 می باشد. همچنین بر طبق نتایج به دست آمده 13%، 14%، 28% و 45% درصد از منطقه موردمطالعه به ترتیب در کلاس های بسیار زیاد، زیاد، متوسط و کم قرار گرفته اند. نتایج تحقیق حاضر می تواند به کاهش مخاطرات دامنه ای و پایداری محیطی در محدوده موردمطالعه کمک کرده و گام مؤثری در توسعه پایدار منطقه بردارد.

زمین لغزش یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود. بنابراین ارزیابی و شناخت عوامل مؤثر بر وقوع رخداد زمین لغزش در مناطق کوهستانی امری ضروری است. هدف از این پژوهش شناسایی عوامل مؤثر بر زمین لغزش در جاده آستارا تا تونل نمین با استفاده از مدل MLP می باشد. مدل MLP یکی از مدل های کارآمد شبکه عصبی است که توانایی حل مسائل پیچیده را دارد. برای شناسایی عوامل مهم در رخداد زمین لغزش با توجه به مطالعات میدانی 8 عامل شناسایی شده است که شامل: زمین شناسی، پوشش گیاهی، فاصله از جاده، کاربری راضی،  شیب، جهت شیب، ارتفاع، نقاط واقعی زمین لغزش استفاده شده است. بعد از پیش پردازش ها تمام لایه ها وارد نرم افزارSPSS MODELER شده و مدل سازی با 8 نورون ورودی 6 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داده که خروجی وزنی مدل MLP بیشترین ارزش وزنی را برای لایه زمین شناسی با مقدار 26/0 برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 13/0 اختصاص داده است. هم چنین در بخش اعتبار سنجی مدل مقدار AUC عدد 948/0 در بخش آموزش و 962/0 در بخش تست شبکه را نمایش می دهد که گویای این است که مدل هم در بخش آموزش و هم در بخش تست دارای اعتبار بالایی می باشد بنابر این نتیجه گیری می شود که عامل زمین شناسی نسبت به سایر عوامل در رخداد زمین لغزش در منطقه تأثیر زیادی دارد و درنهایت پیشنهاد می گردد در مطالعات آتی برای مطالعه و ارزیابی زمین لغزش و حرکات دامنه ای از مدل های یادگیری ماشینی و هوش مصنوعی استفاده شود

ریزش سنگ یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود؛ بنابراین ارزیابی نواحی مستعد رخداد ریزش سنگ در مناطق کوهستانی، امری ضروری است. هدف از این پژوهش، پهنه بندی مخاطره ریزش سنگ در جاده خلخال به شاهرود با استفاده از الگوریتم پرسپترون چند لایه است. برای شناسایی عوامل مهم در رخداد ریزش سنگ با توجه به مطالعات میدانی 8 عامل شناسایی شده که شامل ارتفاع، پوشش گیاهی، جهت شیب، فاصله از گسل، فاصله از جاده، زمین شناسی، کاربری اراضی و شیب است. تمامی لایه ها بعد از فرایند پیش پردازش ، وارد نرم افزار SPSS Modeler شده و مدل سازی با 9 نورون ورودی، 8 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داد در الگوریتم پرسپترون چند لایه، بیشترین ارزش وزنی را برای لایه زمین شناسی با مقدار 20/0 و برای لایه کاربری اراضی و فاصله از جاده به ترتیب مقدار 14/0 و 12/0 اختصاص داده است. به لحاظ پراکنش طبقات خطرپذیری، 98 درصد از طبقات خطرپذیری زیاد تا خیلی زیاد در بخش جنوبی منطقه گسترش دارد و بخش شمالی منطقه به لحاظ داشتن خطرپذیری در طبقه کم تا متوسط قرار گرفته است. همچنین در بخش اعتبار سنجی مدل، نتایج نشان داد که مقدار AUC در بخش آموزش عدد 9810/0 و در بخش تست شبکه عدد 9876/0 بوده است که این نیز نشان می دهد مدل در بخش آموزش و هم در بخش تست دارای اعتبار بالایی بوده و در رتبه عالی قرارگرفته است. درنهایت پیشنهاد می گردد در مطالعات آتی برای بررسی و ارزیابی ریزش سنگ و حرکات دامنه ای در این منطقه، از مدل های دیگر یادگیری ماشین استفاده شود.

ریزش بهمن یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود. بنابراین ارزیابی و شناخت عوامل مؤثر بر وقوع رخداد ریزش بهمن در مناطق کوهستانی امری ضروری است. هدف از این پژوهش مقایسه عملکرد مدل های مختلف یادگیری ماشینی در پهنه بندی خطر ریزش بهمن در جاده خلخال به شاهرود است. مدل ماشین بردار پشتیبان و مدل پرسپترون چند لایه یکی مدل های نوین یادگیری ماشینی است که توانایی حل مسائل پیچیده را دارد. برای شناسایی عوامل مهم در رخداد ریزش بهمن با توجه به مطالعات میدانی 8 عامل شناسایی شده است که شامل: 1- ارتفاع 2- پوشش گیاهی 3- جهت شیب 4- فاصله از گسل 5- فاصله از جاده 6- پهنه برفی 7- کاربری اراضی 8-شیب، است. بعد از پیش پردازش ها تمام لایه ها وارد نرم افزار SPSS MODELER شده و مدل سازی با 8 نورون ورودی 8 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داد که خروجی وزنی در مدل ماشین بردار پشتیبان بیشترین ارزش وزنی را برای لایه پهنه برفی با مقدار 26/0 و برای لایه شیب و فاصله از جاده به ترتیب مقدار 18/0 و 15/0، همچنین در مدل پرسپترون چندلایه نیز بیشترین ارزش وزنی برای عامل پهنه برفی با مقدار 20/0 و بعدازآن نیز لایه های فاصله از جاده، شیب هر دو مقدار 17/0 و 13/0 تعلق گرفته است. هم چنین در بخش اعتبار سنجی مدل ها نیز، نتایج نشان داد که خروجی مدل ماشین بردار نسبت به پرسپترون چندلایه دارای اعتباری بالایی بوده و مقدار AUC مدل ماشین بردار عدد 926/0 در بخش آموزش و 936/0 در بخش تست شبکه را نمایش می دهد که گویای این است عملکرد مدل ماشین بردار پشتیبان در پهنه بندی خطر ریزش بهمن عالی بوده و نتایج آن دارای دقت بالایی است.