4 نتیجه برای یادگیری ماشین
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.
کمال قادری، بهارک معتمدوزیری، مهدی وفاخواه، امیراحمد دهقانی،
جلد 25، شماره 4 - ( 9-1400 )
چکیده
پیش¬بینی صحیح دبی سیل، برای طراحی سازههای هیدرولیکی، کاهش خطر شکست و به حداقل¬رساندن آسیبهای محیط زیستی پاییندست، از اهمیت زیادی برخوردار است. هدف از انجام این مطالعه، بررسی کاربرد روشهای یادگیری ماشین برای تحلیل منطقهای فراوانی سیلاب است. برای دستیابی به این هدف، 18 پارامتر فیزیوگرافی، اقلیمی، سنگ¬شناسی و کاربری اراضی برای حوضههای بالادست ایستگاههای هیدرومتری حوزههای آبخیز کرخه و کارون (46 ایستگاه با طول آماری 21 سال) درنظر گرفته شد. سپس، بهترین تابع توزیع احتمال با استفاده از آزمون کولموگروف- اسمیرنف در هر ایستگاه برای برآورد دبی سیل با دوره بازگشت 50 سال با استفاده از روشهای حداکثر درستنمایی و گشتاورهای خطی تعیین شد. درنهایت، تحلیل منطقهای فراوانی سیلاب با استفاده از درخت تصمیم، شبکه بیزی و شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که توزیع لوگ پیرسون تیپ 3 در روش حداکثر درستنمایی و توزیع نرمال تعمیمیافته در روش گشتاورهای خطی بهترین توزیع احتمالی منطقهای هستند. بر اساس آزمون گاما، پارامترهای محیط، طول حوضه، عامل شکل و طول جریان اصلی بهعنوان بهترین ترکیب ورودی انتخاب شدند. نتایج تحلیل منطقهای فراوانی سیلاب نشان داد که مدل بیزی با روش گشتاور خطی ((R2=0.7 بهترین برآورد را در مقایسه با روشهای دیگر دارد. درخت تصمیم و شبکه عصبی مصنوعی در ردههای بعدی قرار داشتند.
ثریا بندک، سید علیرضا موحدی نائینی، چوقی بایرام کمکی، محمد کاکوئی، جوکم ورلست،
جلد 27، شماره 3 - ( 9-1402 )
چکیده
کربن آلی خاک (SOC) که یکی از حیاتیترین خصوصیات فیزیکی و شیمیایی خاک است، نقش مهمی در تولید پایدار کشاورزی دارد و از تخریب و فرسایش خاک جلوگیری میکند. دادهکاوی و مدلسازی مکانی همراه با تکنیکهای یادگیری ماشینی بهمنظور بررسی میزان کربن آلی خاک مبتنی بر دادههای سنجش از دور بهصورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه بررسی تغییرات مقدار SOC با استفاده از تکنیک سنجش از دور در مقایسه با روشهای نمونهبرداری مزرعهای در مناطقی از گنبد کاووس و جنگل نیلی آزادشهر است. نمونههای خاک بهمنظور اندازهگیری مقدار SOC در آزمایشگاه جمعآوری شد. دادهها به دو دسته 70 درصد برای واسنجی (آموزشی) و 30 درصد اعتبارسنجی (آزمون) دستهبندی شدند و از الگوریتمهای یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، درخت تصمیم پیشرفته، و افزایش گرادیان اکسترمم برای برآورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیرهای کمکی پیشبینی کربن آلی خاک شامل باندها، شاخصهای منتج از ماهواره لندست 8 و سنتینل 2، اقلیم و توپوگرافی است. نتایج نشان داد که استخراج مؤلفههای مربوط به باندها همراه با محاسبه شاخصهایی مانند تفاوت پوشش گیاهی نرمال شده، شاخص خیسی، شاخص همواری دره بهعنوان متغیرهای کمکی نقش مهمی در برآورد صحیحتر مقدار ماده آلی خاک دارند. همچنین مقایسه رگرسیونهای مختلف تخمین نشان داد، مدل جنگل تصادفی در ماهواره سنتینل 2 و مدل درخت تصمیم پیشرفته در لندست 8 بهترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین خطای مطلق 0/64، 0/05 و 0/17 بهترین کارایی را نسبت به سایر رویکردهای استفاده شده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه کردند. نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری در تخمین مکانی کربن آلی خاک دلالت دارد و میتواند بهعنوان روشی جایگزین برای روشهای آزمایشگاهی در تعیین برخی ویژگیهای خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.
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.
