سمیه مهرآبادی

روش های کلاسیک یا روشهای سخت بر دقیق بودن محاسبات، پایه گذاری شده اند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیت ها استوار است که بیشتر با روش های محاسبات نرم مطابقت دارد، که این روش ها نیز به تنهایی نقاط ضعف و قوتی دارند و برای رفع آنها تئوری پیوند زنی مطرح شد که با عنوان سیستم های ترکیبی هوشمند شناخته می شوند. در این تئوری دو یا چند روش هوشمند با یکدیگر ترکیب می شود تا کاستی ها و نواقص روش های منفرد رفع یا تعدیل گردد. در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدل سازی شده است. برای اینکار از تصاویر سنسور TM ماهواره لندست 5 سال 1999 و سنسور OLI متعلق به لندست 8 برای سال 2017 استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در 200 نقطه نمونه برداری شد. سپس 7 فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای 200 نقطه محاسبه شد. برای ارزیابی عملکرد مدل ها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتم Levenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient به ترتیب 5 0.053، 4 0.070 و 8 0.090 بدست آمد. MSE برای مدل عصبی-فازی با الگوریتم بهینه سازی و روش ترکیبی به ترتیب 0 0.019 و 0.0102 محاسبه شد. تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیم پذیری می باشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب داده ی مناسب موفق تر بوده است.