برآورد عمق برف به عنوان یکی از پیامدهای تغییرات آب و هوایی با استفاده از رویکرد مدل ترکیبی حداقل مربعات ماشین بردار پشتیبان و الگوریتم ژنتیک (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
از جمله اثرات مستقیم و مشهود تغییرات آب و هوایی، دگرش در میزان بارش برف در مناطق مختلف جغرافیایی است. این در حالی است که بارش برف در حوضه های کوهستانی همواره به عنوان مهم ترین منبع تأمین منابع آب در فصول خشک تلقی می شود. یکی از آشکارترین ویژگی های پوشش برف کوهستان، ناهمگنی مکانی آن می باشد. به دلیل محدودیت های عملی، جمع آوری داده ها به ویژه در مقیاس های وسیع، دشوار و گاهی غیرممکن بوده و استفاده از روش های غیرمستقیم توصیه می شود. در این پژوهش کارایی حداقل مربعات ماشین بردار پشتیبان در مدل سازی عمق برف و همچنین اثر کاهش ویژگی با مدل الگوریتم ژنتیک در منطقه کوهستانی چلگرد ایران مورد بررسی قرار گرفت. ابتدا با استفاده از روش هایپرکیوب محل ۱۰۰ نقطه مشخص و داده های عمق برف در نقاط موردنظر و همچنین در ۱۹۵ نقطه دیگر به صورت تصادفی برداشت گردید. سپس با استفاده از مدل رقومی ارتفاع ۲۵ پارامتر ژئومورفومتری استخراج گردید و همراه با شش باند تصاویر ماهواره لندست هشت و شاخص تفاوت نرمال شده برف به عنوان ورودی های مدل ها انتخاب گردید. در این پژوهش از الگوریتم ژنتیک برای افزایش سرعت و آماده سازی شبکه ماشین بردار پشتیبان که به عنوان یک دسته بندی کننده عمل می کند و همچنین انتخاب متغیرهایی که بیشترین همبستگی را با عمق برف دارند استفاده گردید. ازآنجایی که کاهش ویژگی های غیر مؤثر می تواند سبب افزایش دقت یادگیری شود، در این پژوهش از الگوریتم ژنتیک برای فرایند بهینه سازی استفاده گردید. نتایج نشان داد روش حداقل مربعات ماشین بردار پشتیبان با میزان ضریب تعیین 36/0 و جذر میانگین مربعات خطای 8/17 مدل سازی عمق برف را انجام داده است؛ اما الگوریتم ژنتیک با انتخاب ویژگی های مؤثر توانست با ضریب تعیین ۹۵/۰ و جذر میانگین مربعات خطا برابر با ۹۷/۳ سانتی متر و بادقت بهتری نسبت به استفاده از تمامی ویژگی ها تغییرات عمق برف را مدل کند.Snow depth estimating as one of the consequences of climate change using the combined least squares model approach of support vector machine and genetic algorithm
One of the direct and evident impacts of climate change is the change in the amount of snowfall in different geographical areas. It is worth mentioning that snowfall in mountain basins is always taken into account as the most important source of water supply in dry seasons. Due to some restrictions, data collection, particularly on a large scale, is difficult and at sometimes impossible. Consequently, using indirect methods is recommended. In this study, the efficiency of least squares support vector machine in modeling the depth of snow and the impact of feature reduction with genetic algorithms model in Chelgerd , Iran was investigated. At first, with using the Hypercube model, the locations of 100 points were specified, and the data of snow depth at certain points as well as other 195 points were randomly collected. Afterwards, with using DEM,, 25 Geomorphomety parameters were extracted, and these parameters with six bands, eight Landsat satellite images and the difference index of normalized snow were chosen as the inputs of models. In this study, genetic algorithm is used to increase the speed of support vector machine which is considered as a classifier and make it ready. Also, genetic algorithm is utilized to choose the variants having the most coherence with the snow depth. Since the reduction of ineffective features can increase the accuracy of learning, genetic algorithm was used in this study for the optimization process. The results showed that the least squares method of the S.V.M with the coefficient of determination of 0.36 and the SMSE of 17.8 has modeled the snow depth. However, the genetic algorithm by selecting the effective features was able to model snow depth changes better with a determination coefficient of 0.95 and RMSE equal to 3.97 cm which is more accurate than using all features.
تبلیغات
