2 نتیجه برای یادگیری ماشین
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
دکتر صیاد اصغری سراسکانرود، زهرا شریفی، زهرا شهبازی،
دوره 11، شماره 4 - ( 12-1403 )
چکیده
زمینلغزش بهعنوان یکی از خطرناکترین مخاطرات طبیعی در نواحی کوهستانی همواره تأسیسات انسانی بهویژه جادهها و محورهای ارتباطی را تهدید میکند و رخداد آن خسارات جانی و مالی بسیاری را همراه دارد لذا مطالعه و شناخت این مخاطره در جهت پهنهبندی خطر وقوع آن امری ضروری است. هدف از این پژوهش پهنهبندی خطر وقوع زمینلغزش در جاده ماسال به گیلوان با استفاده از الگوریتم شبکه عصبی میباشد. الگوریتم شبکه عصبی جزوه یکی از بهترین مدلهای یادگیری ماشینی شناخته میشود که در عین سادگی توانایی حل مسائل پیچیده در امر پیشبینی و طبقهبندی را دارد. لذا در این جهت برای پهنهبندی خطر وقوع زمینلغزش 9 عامل تأثیرگذار به ترتیب: 1- زمینشناسی 2-پوشش گیاهی 3- شیب 4- کاربری اراضی 5- فاصله از جاده 6-جهت شیب 7- ارتفاع 8- فاصله از گسل 9- فاصله از رودخانه استفادهشده است. بنابراین دادهها بعد از تهیه و پیشپردازی وارد نرمافزار متلب 2018 شده و مدلسازی الگوریتم شبکه عصبی با 9 نورون ورودی 8 نورون میانه و 1 نورون خروجی طراحی و اجراشده و نتایج نشان داد که چهار عامل که بیشترین ارزش وزنی را داشته به ترتیب مربوط به لایههای شیب با مقدار 24/0 درصد، پوشش گیاهی با مقدار 17/0 درصد، عامل فاصله از گسل با مقدار 14/0 درصد، زمینشناسی با مقدار 11/0 میباشد. و صحتسنجی نهایی از خروجی با استفاده از نمودار ROC نشان داد که مقدار AUC عدد 854/0 در بخش آموزش و 971/0 در بخش تست شبکه هر دو در حالت بسیار مطلوب قرار دارند و میزان خطا بسیار پایین است.
