فاطمه ابراهیمی؛ حسن رمضانپور؛ نفیسه یغماییان مهابادی؛ کامران افتخاری
چکیده
در سال‌های اخیر، استفاده از روش‌های نقشه‌برداری رقومی مبتنی بر الگوریتم‌های یادگیری ماشین باهدف تهیه نقشه کلاس‌های خاک بطور گسترده‌ای توسعه یافته است. اساس این روش‌ها پیشبینی کلاس‌ها یا ویژگی‌های خاک به کمک مدلسازی روابط بین آن‌ها و متغیرهای محیطی به عنوان نمایندگان عوامل خاک‌سازی، می‌باشد. ماهیت نامتوازن توزیع خاک‌ها ...
بیشتر
در سال‌های اخیر، استفاده از روش‌های نقشه‌برداری رقومی مبتنی بر الگوریتم‌های یادگیری ماشین باهدف تهیه نقشه کلاس‌های خاک بطور گسترده‌ای توسعه یافته است. اساس این روش‌ها پیشبینی کلاس‌ها یا ویژگی‌های خاک به کمک مدلسازی روابط بین آن‌ها و متغیرهای محیطی به عنوان نمایندگان عوامل خاک‌سازی، می‌باشد. ماهیت نامتوازن توزیع خاک‌ها در طبیعت که منجر به بیش‌برازش کلاس‌های با فراوانی زیاد و کم برازش کلاس‌های با فراوانی کم و درنتیجه کاهش دقت فرآیند نقشه‌برداری خاک شده، از چالش‌های موجود در این روش می‌باشد. بنابراین، پژوهش حاضر باهدف ارزیابی توانایی دو الگوریتم جنگل تصادفی و ماشین‌بردار‌پشتیبان در نقشه‌برداری‌رقومی کلاس‌های فامیل خاک با توزیع نامتوازن، حاصل از 95 خاک‌رخ مطالعاتی در 4000 هکتار از اراضی زیرحوضه هنام، استان لرستان انجام گرفت. در این مطالعه موضوع عدم توازن در فراوانی کلاس‌های خاک با استفاده از 6 مجموعه داده، ازجمله مجموعه دادههای اصلی و پنج مجموعه داده ایجادشده توسط چندین رویکرد نمونه‌گیری مجدد از دادههای اصلی، شامل دو رویکرد طبقه‌بندی دستی و سه الگوریتم بیش‌نمونه‌گیری و کم‌نمونه‌گیری و بیش‌نمونه‌گیری اقلیت مصنوعی در محیط نرم افزار R موردبررسی قرار گرفت. نتایج نشان داد علیرغم مقایر پائین آماره‌های اعتبارسنجی، شباهت گسترش خاک‌های با فراوانی زیاد در منطقه مطالعاتی در نقشه‌های حاصل از مدل جنگل تصادفی و مجموعه دادههای اصلی و همچنین الگوریتم بیش‌نمونه‌گیری اقلیت مصنوعی با نقشه خاک تهیه‌شده به روش مرسوم قابل‌توجه می‌باشد. بنابراین فراوانی کم سایر کلاس‌های خاک و در نتیجه آن عدم آموزش درست مدلها برای آن‌ها را می‌توان یکی از دلایل اصلی صحت‌کلی کم مدلهای به‌کار‌رفته دانست.
زهرا براتی؛ ابراهیم امیدوار؛ عطااله شیرزادی
چکیده
تهیۀ نقشۀ حساسیتپذیری زمینلغزش بهعنوان اولین گام مهم در ارزیابی خطر زمینلغزش محسوب میشود. هدف اصلی این پژوهش مقایسۀ عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (LMT) با مدل آماری رگرسیون لجستیک (LR) بهمنظور مدلسازی حساسیتپذیری زمینلغزش در حوضۀ سرخون استان چهارمحال و بختیاری است. بدینمنظور ابتدا نقشۀ پراکنش ...
بیشتر
تهیۀ نقشۀ حساسیتپذیری زمینلغزش بهعنوان اولین گام مهم در ارزیابی خطر زمینلغزش محسوب میشود. هدف اصلی این پژوهش مقایسۀ عملکرد الگوریتم یادگیری ماشین مدل لجستیک درختی (LMT) با مدل آماری رگرسیون لجستیک (LR) بهمنظور مدلسازی حساسیتپذیری زمینلغزش در حوضۀ سرخون استان چهارمحال و بختیاری است. بدینمنظور ابتدا نقشۀ پراکنش با تعداد 98 موقعیت زمینلغزش با استفاده از دادههای عملیات میدانی و همچنین دادههای تاریخی ثبت شده، تهیه شد. علاوه بر این، برای تکمیل پایگاه دادهها، 100 موقعیت غیرزمینلغزشی نیز شناسایی شدند. نقاط زمینلغزشی و غیرزمینلغزشی به صورت تصادفی به دو دسته دادۀ مدلسازی و اعتبارسنجی تقسیم شدند. سپس بیست عامل مؤثر با توجه به مرور منابع و خصوصیات زمینمحیطی حوضه شناسایی شدند. در ادامه، مدلهای LMT و LR برای شناسایی تأثیر عوامل مؤثر روی وقوع زمینلغزش و همچنین ارزیابی حساسیتپذیری زمینلغزشها، بهوسیلۀ دادههای مرحلۀ آموزش بهکار گرفته شدند. در نهایت، عملکرد این دو مدل از طریق سطح زیر منحنی عامل گیرنده (AUC) مورد بررسی قرار گرفت. نتایج اعتبارسنجی مدلها حاکی از آن بود که مدل LR با AUC برابر با 797/0 عملکرد مناسبتری نسبت به مدل LMT (740/0 = AUC) از خود نشان داده، هر چند که هر دو مدل ابزارهای مفیدی برای پیشبینی مکانی حساسیتپذیری زمینلغزش هستند. بنابراین مدل LR میتواند بهعنوان یک ابزار جایگزین برای مدیریت بهتر مناطق تحت تأثیر زمینلغزش در منطقۀ مورد مطالعه پیشنهاد شود.
