5 نتیجه برای جنگل تصادفی
دکتر کمیل عبدی، دکتر همت اله رورده،
دوره 8، شماره 4 - ( 11-1399 )
چکیده
هدف: سیلاب یکی از مهمترین بلایای طبیعی در استان مازندران و بهویژه شهرستان ساری به شمار میرود که هر ساله خسارات گستردهای در ابعاد اقتصادی، اجتماعی و زیستمحیطی بههمراه دارد. هدف این پژوهش، شناسایی و پهنهبندی خطر سیلاب با بهرهگیری از الگوریتمهای یادگیری ماشین جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) و همچنین استفاده از رویکرد تلفیقی برای افزایش دقت پیشبینیها و کاهش عدمقطعیت مدلها است.
روش پژوهش: در این مطالعه، مجموعهای از دادههای مکانی شامل مدل رقومی ارتفاع (DEM)، کاربری اراضی حاصل از تصاویر ماهوارهای، شاخصهای ژئومورفولوژیکی (شیب، جهت شیب و تراکم زهکشی)، دادههای زمینشناسی، فاصله از جادهها و آبراههها، شاخص پوشش گیاهی (NDVI) و متغیرهای اقلیمی (بارش و دما) گردآوری شد. دادهها با استفاده از ابزارهای GIS و RS پردازش و برای آموزش و اعتبارسنجی مدلها آماده گردیدند. عملکرد مدلها با معیارهای ارزیابی شامل دقت، F1، AUC و منحنی ROC سنجیده شد.
یافتهها: نتایج نشان داد که هر دو مدل RF و SVM عملکرد بالایی در پهنهبندی خطر سیلاب دارند، بهطوریکه مقادیر شاخصهای ارزیابی بیانگر دقت قابل قبول آنها است. همچنین، رویکرد تلفیقی منجر به بهبود نتایج و کاهش خطاهای ناشی از پیشبینی منفرد شد. بر اساس نقشههای تولیدشده، بخش قابل توجهی از شهرستان ساری در طبقات خطر زیاد و خیلی زیاد قرار دارد که با مناطق دارای بارشهای شدید، تراکم زهکشی بالا و شیب تند همپوشانی دارد.
نتیجهگیری: پژوهش حاضر تأکید میکند که الگوریتمهای یادگیری ماشین، بهویژه در قالب رویکرد تلفیقی، ابزار مؤثری در شناسایی مناطق مستعد سیلاب هستند. نتایج این تحقیق میتواند بهعنوان مبنای علمی در برنامهریزی شهری، مدیریت بحران و کاهش خطرپذیری سیلاب در شهرستان ساری و سایر مناطق مشابه مورد استفاده قرار
نازنین سلیمی، مرزبان فرامرزی، محسن توکلی، حسن فتحی زاد،
دوره 10، شماره 3 - ( 7-1402 )
چکیده
امروزه میزان برداشت از آبهای زیرزمینی بیش از میزان تغذیه آبهای زیرزمینی است که این عامل باعث افت شدید سطح سفرههای آب زیرزمینی شده است. مراتع و جنگلها بعنوان اصلیترین مکانهای تغذیه سفرههای آب زیرزمینی محسوب میشوند، درحالیکه بیشترین برداشت از این منابع در کاربری کشاورزی انجام میشود. هدف اصلی از پژوهش حاضر استفاده از الگوریتمهای یادگیری ماشین شامل رگرسیون جنگل تصادفی و تابع آنتروپی شانون برای مدلسازی منابع آب زیرزمینی در مراتع نیمهخشک غرب ایران میباشد. برای این هدف، ابتدا لایههای اطلاعاتی شامل: درجه شیب، جهت شیب، ارتفاع از سطح دریا، فاصله از گسل، شکل شیب، فاصله از آبراهه، فاصله از جاده، بارندگی، لیتولوژی و کاربری اراضی تهیه شد. پس از تعیین وزن پارامترها با استفاده از تابع آنتروپی شانون و سپس تعیین طبقات آنها، در محیط سامانههای اطلاعات جغرافیایی، از ترکیب وزن پارامترها و طبقات آنها نقشه نهایی مناطق دارای پتانسیل منابع آب زیرزمینی مدلسازی گردید. بعلاوه، برای اجرای مدل جنگل تصادفی از نرم افزار R 3.5.1 و بسته randomForest استفاده شد. در تحقیق حاضر از اعتبارسنجی ضربدری k-fold برای صحتسنجی مدلها استفاده گردید. به منظور ارزیابی کارایی مدلهای جنگل تصادفی و آنتروپی شانون برای پتانسیلیابی منابع آب زیرزمینی، از شاخصهای آماری MAE، RMSE و R2 استفاده شد. نتایج ارزیابی نشان داد که مدل جنگل تصادفی با دقت (RMSE: 3.41, MAE: 2.85 R² = 0.825,) دارای دقت بالاتری نسبت به مدل آنتروپی شانون با دقت (R² = 0.727, RMSE: 4.36, MAE: 3.34) میباشد. یافتههای مدل جنگل تصادفی نشان داد که قسمت زیادی از منطقه مورد مطالعه دارای پتانسیل متوسط (22/26954 هکتار) و مساحت خیلی اندکی (61/205 هکتار) بدون پتانسیل آب زیرزمینی میباشد. از طرفی، نتایج مدل آنتروپی شانون نشان داد که قسمت اعظمی از منطقه مورد مطالعه دارای پتانسیل متوسط (05/24633 هکتار) و مساحت خیلی اندکی (12/1502 هکتار) بدون پتانسیل آب زیرزمینی میباشد.
هایده آراء، زهرا گوهری، هادی معماریان خلیل آباد،
دوره 10، شماره 3 - ( 7-1402 )
چکیده
شناسایی پهنههای ماسهای، ابزار مهمی برای برنامهریزی در راستای توسعه پایدار به شمار میرود. با توجه به شرایط اقلیمی شهرستان سرخس، پارامترهایی مانند خشکسالی، طوفانهای گرد و غبار از یک طرف، توسعه اراضی کشاورزی و تبدیل مراتع به دیمزارهای کم بازده از سوی دیگر سبب پیشروی و توسعه این پهنهها گردیده است. با توجه به هدف پژوهش، عوامل موثر و پویا مانند پوشش گیاهی، خشکسالی و تعداد روزهای گرد و غبار، به عنوان متغیرهای دینامیک و سایر پارامترهای طبیعی منطقه مانند زمینشناسی، شیب، جهت، پستی و بلندی و خاک به عنوان متغیرهای استاتیک ورودی به مدل انتخاب گردیدند. در مدلسازی از الگوریتمهای جنگل تصادفی (RF) و شبکه عصبی پرسپترون (MLP) استفاده شد. برای ساخت مدلها 8 لایه اطلاعاتی به عنوان متغیر پیشگو و متغیر وجود یا عدم وجود پهنههای ماسهای بعنوان متغیر هدف تعیین گردید. ارزیابی الگوریتمهای مدلسازی با استفاده از منحنی ROC انجام گردید. نتایج نشان داد که الگوریتم RF با سطح زیر منحنی بطور میانگین بیش از 90 درصد عملکرد بهتری نسبت به MLP با سطح زیر منحنی میانگین 75 درصد، داشته است. در رتبهبندی متغیرهای بکار رفته در مدل، متغیر پوشش گیاهی در همه دورهها در رتبه اول قرار گرفت و پس از آن متغیر SPI در سالهای 2000 و 2015 و متغیر DSI در سالهای 2005 و 2010 در درجه دوم اهمیت قرار داشتند. در متغیرهای استاتیک استفاده شده در مدل، متغیرهای شیب و جهت از اهمیت کمتری نسبت به سایر متغیرها در همه دورهها برخوردار و در رتبه پایینتری قرار گرفت.
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.
خانم رعنا نوروزی، اقا سیدمروت افتخاری، اقا علی احمدآبادی،
دوره 12، شماره 4 - ( 10-1404 )
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.
