جستجو در مقالات منتشر شده


3 نتیجه برای جنگل تصادفی

امید اشک ریز، فاطمه فلاحتی، امیر حسین گرکانی،
دوره 8، شماره 4 - ( 11-1399 )
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.
 
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.

 


صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به سامانه نشریات علمی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Spatial Analysis Environmental hazarts

Designed & Developed by : Yektaweb