۸ نتیجه برای شبکه عصبی
علی جهانی،
دوره ۶، شماره ۲ - ( ۶-۱۳۹۸ )
چکیده
هدف از این پژوهش مدلسازی تغییرات مکانی تراکم پوشش گیاهی زیرآشکوب جنگل با توجه به ساختار اکوسیستم جنگل و فعالیتهای طرح جنگلداری به عنوان یک مخاطره زیست محیطی میباشد. واحدهای همگن محیط زیستی با استفاده از منابع اکولوژیکی و سیستم اطلاعات جغرافیایی، تهیه گردید. در این تحقیق به کمک شبکههای عصبی مصنـوعی، تراکم پوشش گیاهی زیرآشکوب جنگل بر اساس متغیرهای اکولوژیکی و انسانی شبیهسازی شد. شبکه پرسپترون چندلایه با یک لایه پنهان و ۴ نرون در هر یک از لایههای مخفی و آرایش نهایی ۱-۴-۲۳، با توجه به بیشترین مقدار ضریب تبیین آزمون شبکه (معادل ۸۵۷۶/۰) و کمترین مقدار میانگین مربعات خطا و میانگین خطای مطلق (به ترتیب معادل ۸۶۶/۰ و ۷۳۶/۰)، بهترین عملکرد بهینهسازی توپولوژی را نشان میدهد. بر اساس نتایج آنالیز حساسیت، عوامل اکولوژیکی و انسانی شامل تراکم تاج پوشش توده، تراکم دام در جنگل، شدت فرسایش خاک و شدت کوبیدگی آن به ترتیب بیشترین تاثیر را در تغییرات پوشش گیاهی زیرآشکوب جنگل از خود نشان دادند. نتایج حاصله در این تحقیق در چهارچوب روش تجزیه و تحلیل سیستمی منجر به مدلسازی پوشش گیاهی زیرآشکوب جنگل در ارزیابی مخاطرات محیط زیستی طرحهای جنگلداری و طراحی سامانه پشتیبان تصمیمگیری شده است که می‌تواند راهگشای تصمیمگیری در مورد ساختار طرح و اجرای پروژه‌های مشابه در مکانهای مشابه باشد.
اسداله حجازی، محمدحسین رضایی مقدم، عدنان ناصری،
دوره ۸، شماره ۲ - ( ۶-۱۴۰۰ )
چکیده
هدف از این پژوهش انتخاب بهترین مدل و شناسایی پهنه های خطر زمین لغزش در حوضه های پایین دست سد سنندج است. منطقه مورد مطالعه به مساحت ۷/۹۷۰ کیلومتر مربع در پایین دست سد سنندج قرار دارد و بر روی زون ساختاری سنندج - سیرجان واقع شده است. در این مطالعه از ۹ عامل موثر بر زمین لغزش، شامل شیب، جهت شیب، فاصله از گسل، فاصله از جاده، فاصله از آبراهه، لیتولوژی، کاربری اراضی و بارش استفاده شد. با استفاده از تصاویر ماهواره ای Landsat ۸ ETM ، تعداد ۲۳۷ نقطه لغزشی مشخص گردید. سپس نقشه پراکنش زمین لغزشهای منطقه تهیه شد. همچنین ۸۹ نقطه غیرلغزشی، به منظور استفاده در مراحل آموزش و آزمایش شبکه عصبی پرسپترون در داخل شیبهای کمتر از ۵ درجه مشخص شدند.
در مدل شبکه عصبی مصنوعی لایه ی میانی به صورت پیش فرض نرم افزار انتخاب شد. از ۷۰ درصد زمین لغزشهای رخداده، جهت آموزش شبکه عصبی و از ۳۰ درصد مابقی به عنوان داده های زمین مرجع جهت آزمایش و کالیبره کردن مدل استفاده شد. داده ها با استفاده از یک شبکه پرسپترون چندلایه با الگوریتم یادگیری آدام آموزش دیدند. ساختار نهایی شبکه دارای ۹ نرون در لایه ورودی، ۳۰ نرون در لایه میانی و ۱ نرون در لایه خروجی است. در مدل AHP پس از محاسبه ی وزن نهایی زیرمعیارها، وزن های محاسبه شده را به جدول توصیفی لایه های اطلاعاتی عوامل موثر اضافه نموده و در نهایت نقشه ی پهنه بندی خطر زمین لغزش در منطقه بدست آمد.
پس از آماده سازی مدلها، منطقه ی مورد مطالعه با ۹ متغیر ورودی تحلیل شد. نتایج تحلیل به صورت نقشه ای با پنج طبقه خطر زمین لغزش برای هر مدل ترسیم گردید. از ۵ روش محاسبه میزان خطا جهت صحت سنجی مدلها استفاده شد. بر اساس مدل شبکه عصبی، حدود ۳۱ درصد و مدل AHP ۳۵ درصد از منطقه در محدوده مناطق مطلوب جهت فعالیتهای انسانی قرار دارد. همچنین بر اساس مدل شبکه عصبی حدود ۳۹ درصد و مدل AHP ۳۳ درصد از منطقه در محدوده مناطق نامطلوب و بسیار نامطلوب قرار گرفته اند. مناطق مخاطره آمیز عمدتا در غرب و جنوب غرب حوزه واقع شده اند. مقایسه نتایج صحت سنجی نشان می دهد که مدل شبکه عصبی پرسپترون دارای دقت بهتری نسبت به مدل تحلیل سلسله مراتبی است. بر اساس روش AHP پارامترهای شیب، لیتولوژی و کاربری اراضی بیشترین نقش را در وقوع زمین لغزش منطقه دارند.
زهرا مصفایی، علی جهانی، محمدعلی زارع چاهوکی، حمید گشتاسب میگونی، وحید اعتماد،
دوره ۸، شماره ۳ - ( ۹-۱۴۰۰ )
چکیده
شناسایی کامل مخاطرات و اولویت‌بندی آنها در جهت عدم آسیب به طبیعت از اولین گام‌های مدیریت منابع طبیعی میباشد. لذا معرفی یک سیستم جامع قابل ارزیابی، درک و ارزشیابی، درجهت کنترل مخاطرات ضروری میباشد این پژوهش با هدف مدلسازی و پیش‌بینی میزان مخاطرات محیطی به دنبال افزایش تخریب در محیط‌های طبیعی به کمک شبکه عصبی مصنوعی (ANN) انجام گرفت. به این ترتیب تعداد ۶۰۰ نمونه خاک و پوشش گیاهی در واحدهای همگن اکولوژیک برداشت شد. نمونه‌های خاک با روش ترانسکت نواری به توجه به عمق خاک و در چهار پروفیل (cm۵،۱۰،۱۵،۲۰) تهیه شد. نمونه های گیاهی نیز با روش سطح حداقل و با استفاده از پلات‌های مربع ۲ ۲ با توجه به نوع، تراکم و پراکنش پوشش گیاهی برداشت شد. نمونه‌برداری در دو زون امن و سایر استفاده‌ها مدلسازی با کمک ANN در محیط متلب انجام شد. مدل بهینه پرسپترون چندلایه با دو لایه پنهان، تابع تانژانت سیگموئید و ۱۹ نورون در هر لایه و ضریب تبیین ۹۰/۰ انتخاب شد. نتایج آنالیز حساسیت نشان داد، رطوبت وزنی خاک در شدت کاهش تنوع زیستی و ریسک سیل و همچنین افزایش ریسک انقراض گونه‌های اندمیک منطقه اثرگذار خواهد بود، و پس از آن وزن مخصوص ظاهری و حقیقی و تخلخل خاک و فاصله از جاده نقش کلیدی در تخریب پوشش گیاهی، افزایش سیل و افزایش ریسک انقراض پوشش گیاهی را دارند. لذا پیشنهاد می‌شود اقدامات مرتبط با احیای خاک و پوشش گیاهی در این پارک به منظور کاهش تخریب‌های آتی هرچه سریعتر انجام شود.
لیلا احدی، حسین عساکره، یونس خسروی،
دوره ۱۰، شماره ۲ - ( ۶-۱۴۰۲ )
چکیده
تغییرات شدید آب و هوایی (و گرمایش کرۀ زمین) در سال¬های اخیر به تغییر الگوهای جوی و پدید آمدن ناهنجاری¬های اقلیمی در اغلب نقاط جهان منجر شده است. فرایند تغییر اقلیم به‌ویژه تغییرات دما از مهم‌ترین چالش¬ها در قلمرو علوم زمین و علوم محیطی است. هرگونه تغییر در مشخصه¬های دما به‌عنوان یکی از عناصر مهم اقلیمی هر منطقه موجب تغییر در ساختار اقلیمی آن منطقه می¬گردد. از این‌رو شناخت تغییرات و روند دما در برنامه¬ریزی¬های محیطی مبتنی بر دانسته¬های آب وهوایی هر نقطه و ناحیه امری ضروری به نظر می¬رسد. به همین جهت پژوهش حاضر به شبیهسازی دمای روزانۀ (کمینه، بیشینه و میانگین) شهر زنجان تا سال ۲۱۰۰ می‌پردازد. روش اجرای پژوهش از نوع توصیفی – تحلیلی و روش گردآوری داده‌ها کتابخانه‌ای (اسنادی) است. برای بررسی دمای شهر زنجان از داده‌های کمینه، بیشینه و میانگین روزانۀ دما از ایستگاه همدید شهر زنجان طی دوره ۲۰۲۱-۱۹۶۱ استفاده شد. داده‌های مدل گردش عمومی جوی جهت شبیهسازی متغیرهای اقلیمی (دمای کمینه، متوسط و بیشینه) با استفاده از شگرد شبکه عصبی مصنوعی و سناریوهای اقلیمی، در دوره‌های آتی مورد استفاده قرار گرفت. نتایج حاصل از شبیهسازی فرین‌های دمایی با استفاده از سناریوهای RCP۲,۶، RCP۴,۵ و RCP۸,۵، نشان داد که افزایش متوسط دمای روزانه، کمینه و بیشینه تحت تمامی سناریوها، به‌ترتیب ۶/۳، ۳/۳ و ۷/۲ درجۀ سلسیوس برای دورۀ ۲۰۲۲-۲۱۰۰ محتمل است. بررسی داده‌های ماهانۀ شبیهسازی شده تحت سناریوها و داده‌های مشاهده شدۀ نظیر نشان میدهد که احتمال دارد کمینه، میانگین و بیشینۀ دما در ماه‌های ژانویه و فوریه بیشترین افزایش را داشته باشند. در حالی‌که با توجه به ۳ سناریو، احتمال دارد که میانگین کمینه در ماه اوت، متوسط دما در ماه آوریل و بیشینۀ دما در ماه اکتبر کمترین افزایش را تجربه کنند. همچنین دمای فصلی شبیهسازی شده تحت سناریوها نشان میدهد همه فصل‌های سال به‌ویژه فصل‌های سرد سال، گرم‌تر خواهند شد. شمار رخداد فراوانی فرین‌ها نیز در هر سه مقیاس دمایی (کمینه، میانگین و بیشینه) برای چارک ۲۵ام و۷۵ام در هر سه سناریو افزایش خواهد یافت.
هایده آراء، زهرا گوهری، هادی معماریان خلیل آباد،
دوره ۱۰، شماره ۳ - ( ۷-۱۴۰۲ )
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 ۸ 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 ۹۰ درصد عملکرد بهتری نسبت به MLP با سطح زیر منحنی میانگین ۷۵ 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 ۲۰۰۰ و ۲۰۱۵ و متغیر DSI در سال‌های ۲۰۰۵ و ۲۰۱۰ 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 ۱۱، شماره ۳ - ( ۱۰-۱۴۰۳ )
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 سنتینل۲ جهت تولید نقشه های پوشش اراضی، آشکارسازی پهنه های سیلابی و تعیین مساحت اراضی تحت خسارت سیلاب فرودین۱۳۹۸ 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 ۸۳,۰۸ 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 ۷۹.۱۱ و۷۵.۴۴ 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) ۹۳,۴۰ 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 ۴.۲۰۰۸ و ۴۱.۰۷۷۲ کیلومتر مربع برآورد گردید.
شمس اله عسگری، صمد شادفر،
دوره ۱۱، شماره ۴ - ( ۱۲-۱۴۰۳ )
چکیده
زﻣﻴﻦﻟﻐﺰشﻫﺎ، یکی از مخاطرات طبیعی هستند که جان و مال انسانها را تهدید می کنند. زمین لغزش ممکن است در یک منطقه ده‌ها، صدها و شاید هزارن هکتار از اراضی را در زمانی کوتاه تخریب نماید. این مخاطره سالهاست که در منطقه کوهستانی میشخاص استان ایلام، اراضی باغ میوه، مزارع، عرصه‌های جنگلی و مراتع، راه‌های ارتباطی، سکونتگاه‌های روستایی را تخریب نموده است. پهنه‌بندی خطر زمین‌لغزش جهت کنترل این مخاطره در این حوضه ضرورت دارد. هدف اصلی این تحقیق پهنه‌بندی مناطق خطر زمین‌لغزش در این حوضه آبخیز می باشد. یکی از روش‌های نوین جهت بررسی خطر زمین‌لغزش، روش شبکه عصبی مصنوعی میباشد .این روش نسبت به روش‌های دیگر دارای مزیت‌هایی است، توزیع آماری داده‌ها مستقل است و به متغیرهای آماری مخصوصی نیاز ندارد. در این تحقیق، ابتدا اقدام به تهیه نقشه پراکنش زمین‌لغزش در حوضه انتخابی گردید. سپس ارتباط بین متغیرهای مستقل مانند شیب، سنگ شناسی، فاصله از گسل، کاربری اراضی، فاصله از شبکه راه‌ها، فاصله از آبراهه‌ها، جهت شیب با مناطق تحت‌تاثیر زمین لغزش مورد بررسی قرار گرفت. پس از تهیه نقشه‌های وزنی، این لایه‌ها در محیط نرم‌افزار ArcGIS به اطلاعات عددی تبدیل و پس از استاندارد کردن به نرم افزار MATLAB وارد شده و برنامه‌ای با ساختار پرسپترون با الگوریتم یادگیری پس انتشار خطا، نوشته شد. بعد از مشخص شدن ساختار شبکه عصبی مصنوعی و آموزش و آزمایش آن، نتایج مورد ارزیابی و خروجی شبکه در محیط سیستم‌های اطلاعات جغرافیایی، تبدیل به نقشه خطر زمین لغزش شد. نقشه خطر حاصله به پهنه‌های مختلف خطر، طبقه‌بندی و مقدار زمین‌لغزش در هر پهنه آن محاسبه گردید. نتایج حاصل از بررسی عوامل نشان داد که در حوضه میشخاص ایلام سازند آسماری، طبقه شیب ۱۰تا۲۰ درصد، طبقه فاصله از گسل بیشتر از ۵۰۰ متر، جهت شمال شرق، فاصله از آبراهه‌های بیشتر از ۱۰۰ متر، باغات میوه حساس‌ترین کاربری‌ها و فاصله ازجاده بیشتر از ۲۰۰ متر، حساس‌ترین طبقات نسبت به وقوع زمین‌لغزش و دارای بیشترین نسبت فراوانی وقوع زمین‌لغزش در حوضه می باشند. از سوی دیگر، نتایج حاصل از پهنه‌بندی خطر زمین‌لغزش با استفاده از روش شبکه عصبی مصنوعی نشان داد در حوضه میشخاص ایلام حدود ۸۰ درصد زمین لغزش‌ها در پهنه‌های خطر زیاد و خیلی زیاد قرار گرفته‌اند.
دکتر صیاد اصغری سراسکانرود، زهرا شریفی، زهرا شهبازی،
دوره ۱۱، شماره ۴ - ( ۱۲-۱۴۰۳ )
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 ۹ عامل تأثیرگذار به ترتیب: ۱- زمین‌شناسی ۲-پوشش گیاهی ۳- شیب ۴- کاربری اراضی ۵- فاصله از جاده ۶-جهت شیب ۷- ارتفاع ۸- فاصله از گسل ۹- فاصله از رودخانه استفاده‌شده است. بنابراین داده‌ها بعد از تهیه و پیش‌پردازی وارد نرم‌افزار متلب ۲۰۱۸ شده و مدلسازی الگوریتم شبکه عصبی با ۹ نورون ورودی ۸ نورون میانه و ۱ 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 ۲۴/۰ درصد، پوشش گیاهی با مقدار ۱۷/۰ درصد، عامل فاصله از گسل با مقدار ۱۴/۰ درصد، زمین‌شناسی با مقدار ۱۱/۰ میباشد. و صحت‌سنجی نهایی از خروجی با استفاده از نمودار ROC نشان داد که مقدار AUC عدد ۸۵۴/۰ در بخش آموزش و ۹۷۱/۰ در بخش تست شبکه هر دو در حالت بسیار مطلوب قرار دارند و میزان خطا بسیار پایین است.
