سازمان زمین شناسی و اکتشافات معدنی کشور فصلنامه علمی علوم زمین 1023-7429 31 3 2021 10 23 Evaluation of artificial neural network and fuzzy logic for mapping landslide sensitivity in Hablehroud watershed area ارزیابی شبکه عصبی مصنوعی و منطق فـازی برای نگاشت حساسیت زمین‌لغزش در حوضه آبریز حبله‌رود 109 124 136472 10.22071/gsj.2021.248995.1845 FA الهام ابراهیم‌زاده کارشناسی ارشد، گروه زمین‌شناسی، دانشکده علوم زمین، دانشگاه دامغان، دامغان، ایران ابراهیم رحیمی استادیار، گروه زمین‌شناسی، دانشکده علوم زمین، دانشگاه دامغان، دامغان، ایران 0000-0001-7334-1453 وحید باقری دکترا، گروه زمین‌شناسی، دانشکده علوم پایه، دانشگاه تربیت مدرس، تهران، ایران Journal Article 2020 10 13 Identifying landslide-prone areas provides a basis for slope-stabilization and mitigation programs. In Hablehroud watershed, artificial neural network and fuzzy logic (FL) as one of the methods of multicriteria-decision analysis based on ArcGIS were used in the scientific evaluation of landslide-prone areas. For this purpose, MATLAB, IDRISI and ArcGIS software were used. After preparing landslide-susceptibility maps, the prone zones predicted by FL and multilayer perceptron artificial neural network (MLP-ANN) were compared with the Hablehroud landslide database (distribution map). The results indicate a good overlap between the prone zones predicted by the MLP-ANN and landslide field observations. Finally, the performance of different methods in generating landslide-susceptibility maps were compared to each other using the validation indicators of "quality-sum index (Qs)" and "receiver-operating-characteristic curve (ROC)" to specify the optimal and applicable method for the landslide risk management of the Hablehroud watershed. By analyzing the obtained zoning maps and considering the Qs and "area-under curve (AUC)" values of different FL operators and MLP-ANN for the landslide-susceptibility maps, it is observed that the Qs (1.6299) and AUC (0.806–very good) values of the MLP-ANN are higher than those calculated for the sensitivity maps by different FL operators. تعیین مناطق حساس و مستعد لغزش، زمینه‌ای برای برنامه‌‌های پایدارسازی دامنه‌ها و کاهش خسارات احتمالی فراهم می‌آورد. در حوضۀ آبریز حبله‌رود از شبکه‌های عصبی مصنوعی و منطق فازی (FL) به عنوان یکی که از روش‌های تحلیل تصمیم‌گیری چند معیاره مبتنی‌بر ArcGIS در ارزیابی علمی نواحی مستعد زمین‌لغزش، استفاده شده است. در این زمینه از نرم‌افزارهای MATLAB، IDRISI وArcGIS بهره گرفته شد. بعد از تهیۀ نقشه‌های حساسیت زمین‌لغزش، پهنه‌های مستعد پیش‌بینی شده توسط منطق فازی و شبکۀ عصبی مصنوعی پرسپترون چندلایه (MLP-ANN) ، با بانک اطلاعاتی (نقشۀ پراکنش) زمین‌لغزش‌های حوضه مقایسه شدند. نتایج، بیانگر هم‌پوشانی خوب بین پهنه‌های مستعد پیش‌بینی شده توسط شبکۀ عصبی مصنوعی پرسپترون چندلایه و برداشت‌های صحرایی زمین‌لغزش می‌باشد. نهایتاً، عملکرد روش‌های مختلف در تولید نقشه‌های حساسیت زمین‌لغزش با استفاده از شاخص‌های صحت‌سنجی "جمع مطلوبیت (Qs)" و "منحنی مشخصۀ عملکرد سیستم (ROC)" با یکدیگر مقایسه شد تا روش مطلوب و کاربردی برای مدیریت خطر زمین لغزش حوضه تعیین شود. با تحلیل نقشه‌های پهنه‌بندی و با توجه به مقادیر جمع مطلوبیت و مقدار "سطح زیر منحنی (AUC)" حاصله مشاهده می‌شود که مقدار Qs (1.6299) و AUC (0.806- خیلی خوب) حاصل از MLP-ANN، بیشتر از مقداری است که برای نقشه‌های‌ حساسیت حاصل از عملگرهای مختلف FL محاسبه شده است. http://www.gsjournal.ir/article_136472_6e3a8156ad37c21abe2a1e0b49934070.pdf