ارزیابی میزان آسیب پذیری بافت فرسوده در برابر مخاطره طبیعی زلزله با استفاده از روش ماشین بردار (نمونه موردی: حوزه 2 شهر کرمان) (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه : انسان امروزی با توجه به پیشرفت روزافزون خود و نیز رشد جمعیت اقدام به س اخت ش هرهای جدی د جهت اسکان بخشی از جمعیت نموده است و با توج ه ب ه این ک ه ش هرها مانن د سیس تمی ب ا س اختاری هماهنگ و پویا می باشد، می بایست همه اصول دفاعی را رعایت نم ود ت ا بش ر پیش رفته و متم دن دارای تکنول وژی در ای ن س کونت گاه ه ا کم ت رین احساس خط ر را بنمای د و در مواق ع بح ران بتوان د بهترین مدیریت بحران را ارائه نماید. لذا با توجه به اینکه ایران جز ده کشور بلاخیز و ششمین کشور زلزله خیز دنیا است و بافت فرسوده شهر کرمان نیز از این قاعده مستثنی نیست لزوم استفاده از تکنیک های سنجش از دور شهری مثل ماشین بردار برای شناسایی و مدیریت بحران زلزله ضروری می باشد. داده و روش : مقاله حاضر از نظر هدف کاربردی و از نظر روش ترسیمی - تحلیلی می باشد. در این پژوهش ابتدا با استفاده از تصاویر ماهواره ای ASTER سال 2007 به شناسایی بافت های فرسوده شهر کرمان با استفاده از روش طبقه بندی ماشین بردار پشتیبان پرداخته شد. در این بررسی با ضریب کاپای 76 درصد برای تمامی طبقات تعیین شده و ضریب کاپای 59 درصد بافت فرسوده شهر کرمان شناسایی گردید. یافته ها : یافته های تحقیق و نقشه نهایی میزان آسیب پذیری حوزه دو بافت فرسوده نشان داد مناطق با آسیب پذیری زیاد 87/29 درصد از کل مساحت حوزه می باشد، که این میزان نشان دهنده نامناسب بودن بافت حوزه در هنگام وقوع زلزله می باشد. رتبه های بعدی این بررسی به ترتیب شامل 15/29 درصد آسیب پذیری متوسط، 01/28 درصد آسیب پذیری بسیار کم، 74/6 درصد آسیب پذیری بسیار زیاد و 21/6 درصد آسیب پذیری کم می باشد. نتیجه گیری : نتایج این پژوهش نشان داد که روش طبقه بندی ماشین بردار پشتیبان (SVM) توانایی تشخیص نزدیک به 75 درصد از بافت فرسوده محدوده را دارا بوده است. که این شناسایی قدرت بالای روش ماشین بردار پشتیبان در شناسایی حوزه دو بافت فرسوده شهری را نشان داده است.Assessing the degree of vulnerability of worn tissue against the natural hazard of earthquake using vector machine technique (Case Study: District 2 of Kerman city)
Demonstrate that advanced and civilized people with technology in these settlements show the least sense of danger and can provide the best crisis management in times of crisis.Therefore, considering that Iran is one of the ten most devastating countries and the sixth most earthquake-prone country in the world, and the dilapidated fabric of Kerman is no exception to this rule, it is necessary to use remote sensing techniques such as vector machines to identify and manage earthquakes.Methods: The present article is applied in terms of purpose and graphical-analytical method. In this study, first, using ASTER satellite images of 2007, worn tissues of Kerman city were identified using the support vector machine classification method. In this study, with a kappa coefficient of 76% for all classes and a kappa coefficient of 59%, the worn texture of Kerman was identified. Results: Findings of the research and the final map of the vulnerability of the two worn-out areas showed that areas with high vulnerability are 29.87% of the total area of the area, which indicates the inadequacy of the area during the earthquake. The next ranks of this study include 29.15% moderate vulnerability, 28.01% very low vulnerability, 6.74% very high vulnerability and 6.21% low vulnerability.The results of this study showed that the support vector machine classification (SVM) method was able to detect nearly 75% of the worn tissue of the area. This identification has shown the high power of the support vector machine method in identifying the area of two urban worn-out structures.
تبلیغات
