سروه داروند؛ حسن خسروی؛ حمید رضا کشتکار؛ غلامرضا زهتابیان؛ امید رحمتی
چکیده
مدلسازی یکی از ابزارهای مناسب برای تصمیمگیری پدیدههای محیطزیستی میباشد که به صورت مدلهای مفهومی یا روابط ریاضی بیان میشوند. هدف از این تحقیق مقایسۀ مدلهای یادگیری ماشینی شامل ماشین بردار پشتیبان، درخت طبقهبندی و رگرسیون، جنگل تصادفی و مدل آنالیز تشخیص ترکیبی جهت اولویتبندی مناطق مستعد گرد و غبار است. جهت تعیین ...
بیشتر
مدلسازی یکی از ابزارهای مناسب برای تصمیمگیری پدیدههای محیطزیستی میباشد که به صورت مدلهای مفهومی یا روابط ریاضی بیان میشوند. هدف از این تحقیق مقایسۀ مدلهای یادگیری ماشینی شامل ماشین بردار پشتیبان، درخت طبقهبندی و رگرسیون، جنگل تصادفی و مدل آنالیز تشخیص ترکیبی جهت اولویتبندی مناطق مستعد گرد و غبار است. جهت تعیین روزهای گرد و غبار از دادههای ساعتی هواشناسی استانهای البرز و قزوین و تصاویر ماهوارهای مربوط به همان روزها برای دورۀ 2000 تا 2019 استفاده شد. 420 نقطۀ برداشت گرد و غبار در منطقه شناسایی و نقشۀ پراکنش آنها تهیه گردید. سپس نقشههای عوامل تأثیرگذار بر وقوع گرد و غبار شامل نقشههای کاربری اراضی، خاکشناسی، شیب، جهت، ارتفاع، پوشش گیاهی، رطوبت سطح توپوگرافیکی، نسبت سطح توپوگرافیکی و زمینشناسی تهیه گردید. با استفاده ازمدلهای ذکر شده تأثیر هر یک از عوامل مؤثر گرد و غبار مشخص و نقشههای اولویتبندی مناطق برداشت گرد و غبار تهیه شد. ارزیابی مدلها با استفاده از منحنی راک صورت گرفت. طبق نتایج حاصل شده عامل ارتفاع در تمامی مدلها نسبت به سایر پارامترهای مورد استفاده در مدل از اهمیت بیشتری برخوردار است. نتایج مدلسازی نیز نشان داد مدلهای جنگل تصادفی (RF) و مدل آنالیز تشخیص ترکیبی MDA)) دارای بیشترین مقادیر صحت (96/0)، دقت (94/0)، احتمال آشکارسازی (98/0) و کمترین نرخ هشدار اشتباه (051/0) نسبت به بقیۀ مدلها است. عملکرد مدلهای RF و MDA نسبت به سایر مدلها بهتر بوده و پس از آنها به ترتیب مدلهای ماشین بردار پشتیبان ((SVM و درخت طبقهبندی و رگرسیون CART)) قرار دارند. همچنین در ارزیابی مدلها با استفاده از منحنی مشخصۀ عملکرد (ROC)، مدل RF به عنوان بهترین مدل انتخاب شد.