شهربانو اسماعیلی

در طبقه بندی تصاویر با قدرت تفکیک مکانی متوسط، مانند لندست، تمایز اراضی کشاورزی بدون پوشش گیاهی از زمین های بایر و همچنین، شناسایی زمین های بایر از مناطق ساخته شده معمولاً دشوار و همراه با خطاست. به همین علت در این مطالعه، ترکیب های متفاوتی از ویژگی های ورودی، به روش های طبقه بندی، به منظور بررسی امکان ارتقای دقت طبقه بندی مقایسه شد. داده های ورودی شامل باندهای طیفی تصویر لندست-7، ویژگی های بافتی شامل ماتریس وقوع هم زمان گام های خاکستری و شاخص های حرارتی و مکانی پیشنهادی در این تحقیق است. در بررسی حاضر، به منظور طبقه بندی سناریوهای متفاوت، از سه روش طبقه بندی شامل بیشترین میزان شباهت، شبکة عصبی و ماشین بردار پشتیبان با هسته های متفاوت استفاده شد. نتایج نشان داد که ادغام تمامی داده های ورودی و استفاده از روش ماشین بردار پشتیبان با هستة پایة شعاعی، با صحت کلی 81/۹۸% و ضریب کاپا 25/98%، ممکن است نتایجی بهتر از دیگر روش ها و سناریوها داشته باشد. همچنین، در تحلیل اهمیت متغیرهای ورودی، با استفاده از روش انتخاب ویژگی برپایة جنگل تصادفی، مشخص شد که شاخص های پیشنهادی در این مطالعه نقش مهمی در طبقه بندی با صحت بالا و کارآمد داشته اند.

در تجزیه و تحلیل و مدل سازی رشد فیزیکی شهر معمولاً عوامل اقتصادی- اجتماعی به دلیل عدم دسترسی به این داده ها نادیده گرفته می شوند. به همین دلیل در مدل سازی رشد فیزیکی شهرها تاکنون بر ایجاد لایه های اطلاعاتی از این نوع داده ها کمتر کار شده است. این مطالعه با هدف معرفی روشی کارا به منظور ایجاد لایه های اطلاعاتی برای داده های اقتصادی- اجتماعی و استفاده از این لایه های اطلاعاتی در کنار لایه های اطلاعاتی مستخرج از تصاویر ماهواره ای لندست و اطلاعات پیمایش زمینی به منظور مدل سازی رشد فیزیکی شهر کرج انجام شد. بدین منظور پس از ایجاد لایه های اطلاعاتی مختلف با اهمیت ترین متغیرهای مؤثر در رشد شهری با روش انتخاب ویژگی جنگل تصادفی تعیین گردید و سپس مدل سازی رشد فیزیکی شهر کرج برای سال های 2000 تا 2010 با استفاده از روش های رگرسیون لجستیک چند متغیره، پرسپترون چندلایه و روش نقشه خود سازمان دهنده انجام شد. نتایج نشان داد که استفاده از با اهمیت ترین متغیرهای مؤثر به عنوان ورودی در روش نقشه خود سازمان دهنده با دقت کلی 84.47، کاپا 68.93، ROC برابر با 90.72، FOM برابر با 43.98 و PCM برابر با 84.47 از عملکرد بهتری برخوردار بود، همچنین استفاده از خصیصه های اجتماعی- اقتصادی پیشنهاد شده در این تحقیق در کنار داده های سنجش ازدور می تواند به ارتقا عملکرد روش پیش بینی کننده کمک نماید. سرانجام با استفاده از سلول های خودکار پیش بینی رشد فیزیکی شهر در سال های 2017 و 2027 انجام گردید.

معادن و صنایع وابسته به آن، در زمان بهره برداری و پس از متروکه شدن، بر محیط زیست اطراف خود تأثیرگذارند. از جمله این تأثیرات می توان به آلودگی آب های زیرزمینی و سطحی، و نیز آلودگی خاک اشاره کرد. مدل سازی غلظت فلزات سنگین با استفاده از روش های مقرون به صرفه لازمه مدیریت و اصلاح آسیب های واردشده به محیط زیست است. هدف این تحقیق ارائه چارچوبی به منظور مدل سازی فلزات سنگین در خاک با استفاده از طیف سنجی و نیز روش های مدل سازی آماری است. بدین منظور با استفاده از طیف سنجی، نمودار طیفی مربوط به 53 نمونه خاک مربوط به منطقه ای در اطراف یک معدن متروکه در ایالت نیوساوث ولز استرالیا در طول موج های مرئی تا مادون قرمز میانی برداشت شد و مشتق دوم این داده ها محاسبه شد. سپس داده های طیفی مناسب برای مدل سازی غلظت فلزات سنگین شامل سرب، نقره، کادمیوم و جیوه با استفاده از روش انتخاب ویژگی جنگل تصادفی تعیین شدند و به عنوان ورودی برای مدل سازی غلظت فلزات سنگین با استفاده از روش های رگرسیون خطی چندمتغیره، جنگل تصادفی رگرسیون و ماشین بردار رگرسیون به کار گرفته شدند. نتایج نشان داد که طول موج های مادون قرمز میانی دارای اهمیت بیشتری به منظور مدل سازی غلظت فلزات سنگین در این تحقیق هستند. همچنین روش های غیرخطی یادگیری ماشین به خصوص جنگل تصادفی رگرسیون با مقادیر مجذور میانگین مربعات خطا ppm 8/0 و ضریب تعیین 51/0 برای سرب و ppm 4/9 و 46/0 برای کادمیوم دارای عملکرد بهتری نسبت به روش رگرسیون خطی چندمتغیره هستند.