الگوریتم های طبقه بندی

شناخت لندفرم ها و تغییرات آن ها از نیازهای اساسی ژئومورفولوژی مناطق بیابانی به منظور مدیریت آن هاست. یکی از روش هایی که در شناخت تغییرات لندفرم ها مورداستفاده قرار می گیرد طبقه بندی پدیده ها و عوارض زمین با داده های سنجش ازدور در زمان های مختلف می باشد. هدف از این پژوهش، کارایی سه الگویتم نظارت شده حداکثر شباهت، فاصله ماهالانوبیس و حداقل فاصله برای طبقه بندی لندفرم های بخشی از دشت یزد-اردکان و بررسی تغییرات آن هاست. بدین منظور از تصاویر سنجنده های TM ، ETM و OLI ماهواره Landsat مربوط به سال های 1987، 2000 و 2016، در بازه زمانی 30 ساله استفاده شد. ابتدا تصحیحات لازم بر روی تصاویر انجام گردید و سپس با بازدیدهای میدانی و بر پایه نقشه های توپوگرافی، ژئومورفولوژی و تصاویر گوگل ارث، لندفرم های ژئومورفولوژی منطقه موردمطالعه تعریف و نمونه های آموزشی انتخاب گردید. نتایج ارزیابی دقت تصاویر طبقه بندی نشان داد الگوریتم حداکثر شباهت در سال های 1987 و2000 و 2016، به ترتیب با دقت کلی 50/91، 22/93 و 35/93 و ضریب کاپا 87/0، 89/0 و 89 /0 نسبت به دو الگوریتم دیگر، عملکرد بهتری در تهیه نقشه ژئومورفولوژی و تغییرات آن داشت. بر این اساس به منظور شناخت وضعیت تغییرات لندفرم ها از روش آشکارسازی تغییرات ""پس از طبقه بندی"" از روش الگوریتم حداکثر شباهت استفاده شد و نقشه ماهیت تغییرات تهیه شد. همچنین نتایج طبقه بندی و تحلیل تغییرات لندفرم ها  طی 30 سال با روش الگوریتم حداکثر شباهت نشان داد که سبخا و لندفرم های موجود بروی دشت سر پوشیده به جز تپه های ماسه ای مواج دارای روند نزولی تا سال 2016 بودند و در تغییرات لندفرم های بیابانی منطقه عوامل طبیعی توأم با عوامل انسانی نقش داشتند. به طورکلی این نتایج نمایانگر آن است که در محدوده موردمطالعه در طی 30 سال، نه تنها بر وسعت اراضی بیابانی افزوده نشده است، بلکه از محدوده اراضی بیابانی کاسته شده و بر دیگر کاربری ها افزوده شده است . همچنین در شرق و غرب منطقه مرز لندفرم ها تغییر کرده است.

تهیه نقشه های کاربری اراضی با دقت بالا همواره یکی از اهداف مهم محققین در زمینه مدیریت اراضی بوده است. هدف از این پژوهش ارائه روش نوینی جهت تهیه نقشه های کاریری اراضی با استفاده از پردازش تصاویر ماهواره ای بوده است. به همین منظور از تصاویر ماهواره لندست 8 به عنوان تصویر پایه و نقشه مدل رقومی ارتفاعی، داده های حاصل از تجزیه به مولفه های اصلی و شاخص های طیفی جهت استخراج نقشه کاربری اراضی در منطقه مطالعاتی استفاده گردید. پس از پیش پردازش ها و آماده سازی داده های مورد نیاز، اقدام به تهیه نمونه های آموزشی گردید. در این پژوهش نمونه های آموزشی در دو بخش به کار گرفته شدند؛ در بخش اول از آنها به عنوان ورودی جهت طبقه بندی تصویر با الگوریتم های نظارت شده حداکثر احتمال و ماشین بردار پشتیبان استفاده گردید. در بخش دوم جهت طبقه بندی با روش درخت تصمیم گیری، از این نمونه ها جهت تعیین محدوده بازتاب طیفی هر کاربری در طیف امواج الکترومغناطیس (باندهای تصویر، PCA، شاخص های طیفی و DEM) استفاده گردید. سپس با استفاده از این داده ها و شروط دودویی درخت تصمیم گیری، هر کاربری مشخص گردید و نقشه کاربری آن استخراج گردید. پس از تهیه نقشه های ذکر شده، به منظور تلفیق نتایج طبقه بندی و حصول دقت بالاتر، از روش حداکثر رای گیری به منظور تهیه نقشه تلفیقی جدید کاربری اراضی منطقه استفاده گردید. به منظور ارزیابی دقت نقشه های تولیدی از پارامترهای آماری منتج از ماتریس ابهام شامل دقت کلی، ضریب کاپا، صحت کاربر و صحت تولیدکننده استفاده گردید. بر اساس نتایج حاصله، روش تلفیقی با دقت کلی 37/93 درصد و ضریب کاپا 91/0 دارای بیشترین دقت بوده است. دقت کلی نقشه کاربری روش درخت تصمیم گیری، ماشین بردار پشتیبان و حداکثر احتمال نیز به ترتیب 61/89، 01/88 و 6/87 درصد بوده اند. با توجه به اینکه در طبیعت پوشش/کاربری خالص به ندرت مشاهده می گردد و بیشتر پوشش/کاربری ها به صورت ترکیبی وجود دارند، لذا بهتر است از روش های نوینی که همه ابعاد پدیده ها را پوشش می دهند استفاده گردد. در این پژوهش اطلاعات حاصل از طبقه بندی نظارت شده و همچنین اطلاعات حاصل از روش منطقی درخت تصمیم گیری با یکدیگر تلفیق شده و نتایج حاصله به خوبی بیانگر بهبود دقت نهایی طبقه بندی بودند.

هدف: تئوری موج الیوت، از ابزارهای تحلیل تکنیکال و مبتنی بر روان شناسی افراد است که در سال های اخیر به ابزار مهمی برای تحلیلگران و سرمایه گذاران تبدیل شده است. این تئوری، در تمام بازارهای مالی، به خصوص بازار سهام، وجود دارد که از آن استقبال عمومی شده و با حرکت توده ای همراه است. این پژوهش، برگرفته از این نظریه، در پی این هدف است که آیا از طریق نوسان نمای موج الیوت و الگوریتم های یادگیری ماشین از نوع دارای نظارت و طبقه بندی، می توان روند آتی بازار سهام ایران را پیش بینی کرد؟ روش: در این پژوهش، ابتدا داده های شاخص کل، به عنوان دماسنج اقتصاد و نمایانگر وضعیت کلی بازار سهام ایران از تاریخ 25/02/1387 تا 05/09/1399 به طور روزانه بررسی شد و با استفاده از نوسان نمای موج الیوت و شاخص قدرت حرکت، حرکات جنبشی و اصلاحی شناسایی و به سه دسته خرید، فروش و نگهداری برچسب گذاری شدند. سپس، خروجی این مرحله به سه الگوریتم یادگیری ماشین شامل درخت تصمیم، بیز ساده و ماشین بردار پشتیبان داده شد تا برای یادگیری و پس از آن، پیش بینی روند روی داده های آزمون، آزمایش شوند. یافته ها: نتایج نشان داد که در شاخص بورس اوراق بهادار تهران، شناسایی امواج الیوت امکان پذیر است و الگوریتم های ماشین بردار پشتیبان و درخت تصمیم، قادرند، روند شاخص کل را برای آینده با دقت بالای 90 درصد پیش بینی کنند. نتیجه گیری: در بازار سرمایه ایران نمودار شاخص کل رفتار الیوتی رعایت شده و تمامی افراد فعال در بورس تهران، می توانند از روش پیشنهادی برای سیستم معاملاتی خود بهره ببرند.

یکی از مهم ترین مباحث در اقتصاد جهان، استفاده از سرمایه های راکد برای توسعه اقتصادی هر کشور است و این نیازمند یک سیاست راهبردی جذب سرمایه گذاران داخلی و خارجی جهت تقویت بازار سرمایه کشور است. هدف کلی این پژوهش، بررسی انطباقپذیری رفتار بازار سهام ایران با سایر بازار های مالی خارجی طبق مدل تئوری موج الیوت از ابزارهای تحلیل تکنیکال و با استفاده از الگوریتم های طبقه بندی است. لذا در این پژوهش، روند حرکتی قیمت در شاخص کل و شاخص کل هم وزن بورس اوراق بهادار ایران بهعنوان دماسنج اقتصاد و نشانگر وضعیت کلی بازار سهام ایران، مورد بررسی قرار گرفته است. ابتدا، متغیرهای نوسان نمای موج الیوت و شاخص قدرت حرکت و تغییرات قیمت، بطور روزانه برای شاخص کل از تاریخ 25/02/1387 تا 05/09/1399 و شاخص کل هم وزن از تاریخ 14/02/1394 تا 11/09/1399 محاسبه شد و بر اساس این سه متغیر، روند حرکتی به سه دسته خرید، فروش و نگهداری برچسب گذاری شد. سپس، الگوریتم های طبقه بندی مانند درخت تصمیم، نزدیک ترین K همسایه، ماشین بردار پشتیبان خطی برای پیش بینی روند آینده استفاده شد. نتایج نشان داد دقت الگوریتم های درخت تصمیم و نزدیک ترین K همسایه در پیش بینی برچسب خرید، فروش و نگهداری بالای 90 % بوده است. بنابراین، استفاده از روش های تکنیکی و الگوریتم های پیشنهادی می تواند به سرمایه گذاران در تشخیص روند آتی شاخص کل و شاخص کل هم وزن کمک کند.