2 نتیجه برای الگوریتم جنگل تصادفی
خانم رعنا نوروزی، اقا سیدمروت افتخاری، اقا علی احمدآبادی،
دوره 8، شماره 4 - ( 11-1399 )
چکیده
هدف: در دو دهۀ اخیر فرونشست به عنوان یک مخاطره ژئومورفیک و یکی از بحرانهای زیستمحیطی، هر ساله خسارات جبران ناپذیری را به دشت های ایران تحمیل می کند که می توان گفت یکی از مهمترین علل آن در حال حاضر برداشت غیر اصولی و بی رویه از سفره های زمینی می باشد. دشت اشتهارد بهعنوان یکی از قطبهای صنعتی و کشاورزی استان البرز هم از این قائده مستثنی نیست که به دلیل افت شدید سطح آب زیرزمینی توسط وزارت نیرو ممنوعۀ بحرانی اعلام شده است. از این رو در این پژوهش جهت مدلسازی ریسک خطر وقوع فرونشست در دشت اشتهارد، از روش جنگل تصادفی در محیط نرمافزار R استفاده شد.
روش پژوهش: در این راستا، ۱۲ لایه مستقل شامل نقشه ارتفاع، فاصله از آبراهه، فاصله از قنات، فاصله از چاه، فاصله از گسل، افت سطح آب زیرزمینی، تراکم زهکشی، خاکشناسی، سنگشناسی، کاربری اراضی، شاخص رطوبت توپوگرافی و تابش خورشیدی و یک لایه وابسته شامل نقاط فرونشست مورد استفاده قرار گرفت. مدل جنگل تصادفی در محیط نرمافزار R اجرا شد. از دو شاخص مهم میانگین کاهشی دقت و میانگین کاهش ضریب جینی برای تعیین اولویت، اهمیت و وزندهی عوامل مؤثر بر فرونشست استفاده شد و به منظور ارزیابی عملکرد مدل، از معیارهای دقت (Accuracy)، ضریب کاپا (Kappa) و منحنی ویژگی عملکرد گیرنده (ROC Curve) را مورد استفاده قرار دادیم.
یافتهها: نتایج نشان داد که مدل جنگل تصادفی دقت بالایی در طبقهبندی ریسک فرونشست زمین دارد. که ارزیابی ما هم از نظر دقت کلی ۰.۹۶۳(Accuracy)، هم از نظر توافق واقعی ۰.۶۱۱ (Kappa)، و هم از نظر قدرت تمایز ۰.۹۵۵(AUC) کاملاً علمی و معتبر بود و بیانگر آن است که مدل جنگل تصادفی برای پهنهبندی ریسک خطر وقوع فرونشست عملکرد بسیار خوبی داشته است. متغیرهای عمق آب زیرزمینی، فاصله از چاهها، زمینشناسی و کاربری اراضی بیشترین تأثیر را در وقوع فرونشست داشتند. همچنین بیش از ۶۵٪ از مساحت منطقه در طبقات ریسک زیاد و بسیار زیاد قرار گرفت که حاکی از شرایط بحرانی منطقه است. این در حالیست که درصد مساحت کاربری شهری از سال ۲۰۱۱ تا ۲۰۲۳ روند صعودی را تجربه کرده است. بهویژه در سال ۲۰۲۳ که با افزایش تمرکز جمعیتی، بستری برای فشار بیشتر بر منابع زیرزمینی وارد آمده و فرونشست در این نواحی شدت یافته است.
امید اشک ریز، فاطمه فلاحتی، امیر حسین گرکانی،
دوره 11، شماره 3 - ( 10-1403 )
چکیده
رشد سکونتگاه ها و افزایش فعالیتهای انسانی در دشت های سیلابی به ویژه حاشیه رودخانه ها و مکانهای مستعد سیل، میزان خسارت ناشی از این مخاطره را افزایش داده است. از این رو تعیین گستره سیلاب در راستای برنامه ریزی های کاهش خطر، آمادگی و پاسخ و بازیابی و بازتوانی پس از این مخاطره از اهمیت بسزایی برخوردار است. در مطالعه حاضر از الگوریتم های متداول یادگیری ماشین و طبقه بندی تصاویر سنتینل2 جهت تولید نقشه های پوشش اراضی، آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین1398 شهرستان آق قلا استفاده شد. همچنین به منظور بررسی و افزایش دقت الگوریتم ها، سه شاخص طیفی نرمال شده پوشش گیاهی(NDVI)، پهنه های آبی(MNDWI) و اراضی ساخته شده (NDBI) با تصاویر مورد استفاده ترکیب شدند. پارامترهای مختلف تنظیم هر یک از الگوریتم ها به منظور تعیین تأثیر آنها بر دقت طبقه بندی و جلوگیری از کسب نتایج خوشبینانه ناشی از همبستگی مکانی میان نمونه های آموزشی و آزمایشی، با روش اعتبارسنجی متقابل مکانی ارزیابی شدند. نتایج نشان داد که ترکیب شاخص های طیفی منجر به افزایش دقت کلی الگوریتم ها شده و به منظور تولید نقشه های پوشش اراضی، الگوریتم جنگل تصادفی با دقت 83.08 درصد بدلیل استفاده از روش یادگیری جمعی از دقت و تعمیم پذیری بالاتری نسبت به سایر الگوریتم های ماشین بردار پشتیبان و شبکه عصبی با دقت به ترتیب 79.11 و75.44 درصد برخوردار است. پس از مشخص شدن دقیق ترین الگوریتم، نقشه پهنه های سیلابی با استفاده از الگوریتم جنگل تصادفی در دو کلاس اراضی آبی و غیر آبی تولید گردید و دقت کلی الگوریتم در بهینه ترین پارامترها و با ترکیب شاخص طیفی(MNDWI) 93.40 درصد بدست آمد. سپس با همپوشانی نقشه های پوشش اراضی و پهنه های سیلابی، سطح اراضی ساخته شده و اراضی زراعی و فضاهای سبز تحت خسارت سیلاب به ترتیب 4.2008 و 41.0772 کیلومتر مربع برآورد گردید.
