جستجو در مقالات منتشر شده


5 نتیجه برای جنگل تصادفی
ارزیابی عملکرد سه روش‌ طبقه‌بندی تصویر (جنگل تصادفی، ماشین بردار پشتیبان و بیشترین شباهت) در تهیه نقشه کاربری اراضی
فرشید جهانبخشی، محمدرضا اختصاصی،
جلد 22، شماره 4 - ( 9-1397 )
چکیده
نقشه‌های کاربری/ پوشش اراضی ورودی پایه برای بسیاری از مدل‌های شبیه‌سازی محیط طبیعی است؛ بنابراین، صحت نقشه‌های حاصل از طبقه‌بندی تصاویر ماهواره‌ای، عدم قطعیت را در مدل‌سازی کاهش می‌دهد. .این مطالعه با هدف ارزیابی صحت نقشه‌های کاربری اراضی تولید شده توسط روش‌های طبقه‌بندی مبتنی بر یادگیری ماشین (الگوریتم جنگل تصادفی و ماشین بردار پشتیبان) و مقایسه آن با روش متداول بیشترین شباهت انجام شد. بدین منظور تصویر سنجنده OLI ماهواره لندست 8، مربوط به منطقه مورد مطالعه (حوضه سد ستارخان در آذربایجان شرقی)، پس از انجام تصحیحات اولیه، مورد استفاده قرار گرفت. پنج کاربری شهر، کشاورزی آبی، کشاورزی دیم، مرتع و پهنه آبی مورد توجه قرار گرفت. داده‌های واقعیت زمینی در قالب دو مجموعه داده‌های تعلیمی (70 درصد از نمونه‌ها) و داده‌های آزمون (30 درصد) برای انجام طبقه‌بندی نظارت شده استفاده شد. صحت نقشه‌های حاصل از سه الگوریتم، با استفاده از شاخص‌های ارزیابی صحت مورد مقایسه قرار گرفت. همچنین به‌منظور بررسی اختلاف معنادار آماری میان نتایج طبقه‌بندی از آزمون مک- نمار استفاده شد. نتایج نشان داد، صحت کل برای روش ماشین بردار پشتیبان، جنگل تصادفی و بیشترین شباهت به‌ترتیب برابر با 6/96، 8/90 و 8/90 درصد و ضریب کاپا به‌ترتیب 934/0، 813/0 و 834/0 بوده است. نتایج آزمون مک- نمار نیز معناداری اختلاف عملکرد در سطح پنج درصد آماری روش ماشین بردار پشتیبان با دو روش دیگر را تأیید کرد.

نقشه‌برداری رقومی کلاس فامیل خاک با استفاده از رویکرد یادگیری ماشین (مطالعه موردی: اراضی نیمه‌خشک غرب ایران)
زیبا مقصودی، محمود رستمی‌نیا، مرزبان فرامرزی، علی کشاورزی، اصغر رحمانی، سید روح اله موسوی،
جلد 24، شماره 2 - ( 5-1399 )
چکیده
نقشه‌برداری رقومی خاک همگام با پیشرفت‌های زیرساخت‌ داده‌های مکانی، نقش مهمی را در جهت ارتقاء دانش مطالعات خاکشناسی ایفا می‌کند. لذا تحقیق حاضر با هدف تهیه نقشه رقومی کلاس‌ فامیل خاک با استفاده از مدل‌های جنگل تصادفی و رگرسیون درختی توسعه‌یافته در بخشی از اراضی نیمه‌خشک استان ایلام اجرا شد. متغیرهای محیطی از مدل رقومی ارتفاع با قدرت تفکیک مکانی 30 متر با استفاده از نرم‌افزار SAGAGIS نسخه 7/3 استخراج شد. تعداد 46 خاکرخ حفر و ویژگی‌های فیزیکوشیمیایی نمونه‌های خاک اندازه‌گیری و بر اساس سامانه آمریکایی 2014 در سطح فامیل رده‌بندی شد. در محدوده مورد مطالعه سه رده مالی‌سولز، اینسپتی‌سولز و انتی‌سولز شناسایی شد. بر اساس نتایج داده‌کاوی متغیرهای محیطی با استفاده از آنالیز تورم واریانس (VIF)، متغیرهای کمکی ارتفاع، ارتفاع استاندارد شده و شاخص زبری پستی و بلندی بیشترین میزان تغییرپذیری مکانی خاک‌ها را در منطقه مدل‌سازی می‌کند. بهترین پیش‌بینی مکانی کلا‌س‌های خاک مربوط به فامیل خاکFine, carbonatic, thermic, Typic Haploxerolls است. همچنین نتایج نشان می‌دهد که مدل‌های جنگل تصادفی و رگرسیون درختی توسعه‌یافته به‌ترتیب صحت عمومی 0/80 و 0/64 و شاخص کاپای 0/70 و 0/55 را ارائه می‌کند. بنابراین، روش جنگل تصادفی می‌تواند یک روش قابل اعتماد و با دقت مناسب باشد که حتی با تعداد نمونه کم تخمین قابل قبولی را ارائه کند.

ارزیابی و مدل‌سازی مکانی خطر فرونشست زمین با استفاده از مدل LiCSBAS و الگوریتم جنگل تصادفی (مطالعه موردی: دشت مرودشت - خرامه)
محمد خواجه، چوقی بایرام کمکی، محسن رضایی، واحد بردی شیح، لادن عبادی،
جلد 28، شماره 2 - ( 6-1403 )
چکیده
در آینده خطر فرونشست زمین به‌دلیل بحران کمبود منابع آبی و مدیریت نامناسب منابع آبی تشدید می‌شود. برای کاهش خطرات مرتبط با فرونشست زمین، لازم است مناطق مستعد خطر فرونشست شناسایی و ارزیابی شوند و اقدامات لازم انجام شود. در این مطالعه، ابتدا با استفاده از روش تداخل سنجی راداری به نام LiCSBAS، خطر فرونشست زمین شناسایی و ارزیابی شد. سپس با استفاده از مدل جنگل تصادفی RF، رابطه مکانی بین رخداد خطر فرونشست زمین و عوامل مؤثر مانند ارتفاع سطح زمین، شیب، جهت شیب، لیتولوژی، کاربری اراضی، افت آب ‌زیرزمینی، فاصله از رودخانه، فاصله از گسل، شاخص رطوبت توپوگرافی و انحنای قوس مورد بررسی قرار گرفت. در انتها، بعد از کالیبراسیون الگوریتم جنگل تصادفی، نقشه حساسیت خطر فرونشست زمین تهیه شد. نتایج تحلیل سری زمانی تداخل سنجی LiCSBAS در بازه زمانی ۲۰۱۵ تا ۲۰۲۲ نشان داد که مرکز دشت مرودشت - خرامه و نواحی کشاورزی مجاور به‌طور مداوم در حال فرونشینی هستند و پهنه‌بندی نقشه سرعت میانگین تغییر شکل نشان‌دهنده نرخ فرونشست 11/6 سانتی‌متر در سال است. نتایج تعیین ارتباط مکانی بین رخداد فرونشست و عوامل مؤثر، تأییدکننده تأثیر مثبت فاصله از رودخانه، کاربری اراضی شهری و کشاورزی، عمق سنگ کف بستر (ضخامت آبخوان)، افت آب‌ زیرزمینی و سازندهای آبرفتی و ریزدانه روی رخداد این پدیده است. همچنین نتایج مدل‌سازی فرونشست با استفاده از الگوریتم جنگل تصادفی نشان داد که عوامل عمق سنگ کف، افت آب‌ زیرزمینی، کاربری اراضی و زمین‌شناسی بیشترین تأثیر اهمیت را در پتانسیل رخداد فرونشست در منطقه موردمطالعه دارند. همچنین بر اساس نتایج، حدود سه تا چهار درصد از مناطق در کلاس شدید و بسیار شدید خطر فرونشست زمین به‌ویژه در مرکز و حومه شهر مرودشت قرار دارند؛ بنابراین مدیریت و کنترل منابع آب و ایجاد برنامه مدون برای کاهش خطر فرونشست و همچنین حفظ تغذیه آبخوان در دشت مرودشت - خرامه امری ضروری است.

شبیه‌سازی تولید گندم با استفاده از تصاویر سنتینل2 و به‌کارگیری تکنیک‌های یادگیری ماشین
هادی رمضانی اعتدالی، مژگان احمدی،
جلد 29، شماره 2 - ( 5-1404 )
چکیده
گندم یکی از مهم‌ترین محصولات غذایی در سراسر جهان است. در زمینه بحران جهانی غذا و تغییرات آب‌وهوایی، پیش‌بینی دقیق تولید گندم برای توسعه کشاورزی دقیق از اهمیت زیادی برخوردار است. سنجش‌ازدور امکان پیش‌بینی غیرمستقیم تولید محصول را قبل از برداشت فراهم می‌کند. در این پژوهش به بررسی کاربرد روش‌های جنگل تصادفی و رگرسیون بردار پشتیبان در شبیه‌سازی تولید گندم در ده مزرعه انتخابی در دشت قزوین طی دوره 2020-2019 با استفاده از شاخص‌های گیاهی MSAVI ،NDVI و EVI پرداخته شده است. برای شاخص‌های گیاهی از ماهواره سنتینل2 استفاده شد. تولید ده مزرعه گندم از سازمان جهاد کشاورزی استان قزوین دریافت شد. به‌منظور ارزیابی داده‌های تولید گندم مشاهداتی و شبیه‌سازی‌شده با استفاده از روش‌های رگرسیون بردار پشتیبان و جنگل تصادفی از آماره‌های  RMSE ،MBE ،R2 و  MAE ارزیابی شد. به‌منظور بررسی شبیه‌سازی تولید گندم با استفاده از شاخص‌های گیاهی، هفت روش (روش‌های یک تا سه هر شاخص به‌صورت جداگانه، در روش‌های چهار تا شش شاخص‌ها به‌صورت ترکیب دوتایی و در روش هفت اثر ترکیبی هر سه شاخص) تعریف شد. مدل رگرسیون بردار پشتیبان در همه روش‌ها به‌جز روش یک و چهار در مرحله آزمون با ضریب تبیین بیش از 0/98 و مقدار اندک RMSE تخمین مناسبی از تولید گندم داشته است. مدل جنگل تصادفی در همه روش‌ها به‌جز روش دو و شش در مرحله آزمون با احتمال معنی‌داری 95% (0/00=P-value) و ضریب تبیین بیش از 0/8 تخمین مناسبی از تولید گندم داشته است. به‌طورکلی، این پژوهش اهمیت و پتانسیل تکنیک‌های یادگیری ماشین را برای پیش‌بینی به‌موقع تولید محصول نشان می‌دهد که پایه محکمی برای امنیت غذایی در منطقه فراهم می‌کند.

تخمین شاخص کیفی آب‌های سطحی با استفاده از روش‌های یادگیری ماشین (مطالعه موردی: رودخانه زاینده‌رود)
محمد شایان نژاد، الهام فاضل نجف آبادی، فهیمه حاتمیان جزی،
جلد 29، شماره 3 - ( 7-1404 )
چکیده
باتوجه به نیاز روزافزون به منابع آب و کاهش منابع آب سطحی، آگاهی از کیفیت منابع آب سطحی از نیازهای مهم در برنامه‌ریزی، توسعه و حفاظت از منابع آب به شمار می‌رود. این پژوهش با هدف مدل‌سازی شاخص کیفیت آب (ویژگی پرکاربرد تعیین کیفیت آب) به کمک مدل‌های یادگیری ماشین جنگل تصادفی و ماشین بردار پشتیبان در رودخانه زاینده‌رود انجام شده است. باتوجه به تعدد شاخص‌های کیفیت آب، در این پژوهش از شاخص NSFWQI استفاده شد. ابتدا این شاخص محاسبه و در ادامه، از داده‌های ورودی شامل ویژگی‌های کیفی آب 8 ایستگاه در یک دوره ۳۱ساله و شاخص کیفیت آب رودخانه‌ استفاده شد. در این پژوهش در مرحله آموزش 80 درصد داده‌ها و در مرحله ارزیابی 20 درصد باقی‌مانده استفاده شده و بر اساس نتایج معیارهای ارزیابی R2،  CRMو NRMSE مدل بهینه انتخاب شد. نتایج نشان داد در چهار ایستگاه الگوریتم ماشین بردار پشتیبان (-0/003122<0/982 ) و در چهار ایستگاه الگوریتم جنگل تصادفی (-0/001142<0/999) عملکرد بهتری نشان داد. همچنین نتایج نشان داد که برای صرفه‌جویی در زمان و هزینه، سری شماره 3 (شامل سه ویژگی هدایت الکتریکی، کل مواد جامد محلول و سختی کل) به‌منظور برآورد شاخص کیفیت آب بهترین ترکیب بوده است.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله علوم آب و خاک دانشگاه صنعتی اصفهان می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Water and Soil Science

Designed & Developed by: Yektaweb