مطالب مرتبط با کلیدواژه

شبکه عصبی مصنوعی


۱۰۱.

کاربرد روش پرسپترون چندلایه شبکه عصبی مصنوعی در مدل سازی تغییرات کاربری اراضی شرق استان مازندران(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی دوره ۲۹ زمستان ۱۳۹۷ شماره ۴ (پیاپی ۷۲) 125 - 144

کلیدواژه‌ها: شبکه عصبی مصنوعی مدل سازی تغییرات کاربری اراضی سنجش از دور ارزیابی صحت شرق استان مازندران

حوزه های تخصصی:
تعداد بازدید : ۵۳۸ تعداد دانلود : ۴۴۰
این مطالعه با هدف پیش بینی تغییرات کاربری اراضی شرق استان مازندران (شهرستان های نکا، بهشهر و توابع آنها) با استفاده از شبکه عصبی مصنوعی در محیط GIS انجام شد. تصاویر ماهواره لندست[1]  متعلق به سال های 1366 و 1380 برای آشکارسازی تغییرات منطقه به کار رفت؛ سپس با بهره گیری از پرسپترون چند لایه[2]  شبکه عصبی مصنوعی، مدل سازی پتانسیل انتقال برای 7 زیرمدل اجرا شد و درنهایت مدل سازی تغییرات کاربری اراضی با دوره واسنجی 1366- 1380 برای سال 1385 با زنجیره مارکف و مدل پیش بینی سخت انجام پذیرفت. ارزیابی صحت مدل با بهره گیری از مقادیر موفقیت خنثی، موفقیت، خطا و هشدار خطا تعیین و درنهایت پیش بینی تغییرات کاربری اراضی برای سال 1394 انجام شد. نتایج نشان داد طی سال های 1366 تا 1380، به ترتیب 1964 و 1197 هکتار از وسعت جنگل ها و باغ ها کاسته و 1182 و 1978 هکتار به وسعت اراضی کشاورزی و مناطق مسکونی اضافه شده است. نتایج مدل سازی پتانسیل انتقال در همه زیرمدل ها صحت زیادی (67- 89درصد) را نشان داد. خطای کل پیش بینی مدل 98/9درصد بود که نشان دهنده کارایی و قابلیت زیاد مدل است. همچنین نتایج پیش بینی نشان داد مساحت اراضی جنگلی در سال 1394 نسبت به 1385 کاهش و مناطق مسکونی، اراضی کشاورزی و باغ ها افزایش خواهد یافت.
۱۰۲.

پیش بینی ذخیره حرارت در سامانه گرمایشی خورشیدی و انرژی مصرفی گلخانه با شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: انرژی ایران دوره بیستم تابستان ۱۳۹۶ شماره ۲ (پیاپی ۶۲) 5-22

کلیدواژه‌ها: دمای مخزن شبکه عصبی مصنوعی گلخانه مصرف انرژی

حوزه های تخصصی:
تعداد بازدید : ۴۲۳ تعداد دانلود : ۲۵۶
در تحقیق حاضر، عملکرد یک سامانه گرمایشی خورشیدی گلخانه، مجهز به متمرکزکننده سهموی خطی و جمع کننده تخت خورشیدی دومنظوره، با استفاده از شبکه عصبی مصنوعی پیش بینی شده است. در گلخانه مورد آزمایش، گرمای مورد نیاز در شب، به وسیله حرارت ذخیره شده به وسیله سامانه خورشیدی در طول روز و یک گرم کن کمکی تأمین می گردید. حرکت سیال درون مجموعه متمرکزکننده به وسیله پمپ و در جمع کننده تخت، به صورت ترموسیفون بود. از شبکه عصبی پرسپترون چند لایه با روش یادگیری پس انتشار خطا به منظور پیش بینی مصرف انرژی ذخیره شده در روز به وسیله سامانه گرمایش خورشیدی، مصرف انرژی گرم کن کمکی و دمای مخزن ذخیره حرارت استفاده شد. ورودی های شبکه شامل شدت تابش خورشید، دمای محیط، سرعت باد، دمای سطح، دمای گلخانه، دبی سیال حامل و زمان بودند. حدود 80 درصد از مجموع داده ها به منظور آموزش، 10 درصد آزمایش و 10 درصد اعتبارسنجی مورد استفاده قرار گرفتند. برای ارزیابی عملکرد شبکه از پارامترهای ضریب تبیین ( R² ) و میانگین مربعات خطا ( MSE ) استفاده شد. ساختار شبکه 1-15-7 با R² و MSE به ترتیب برابر با 98/0 و 00017/0 بهترین نتیجه را برای پیش بینی مصرف انرژی از حرارت ذخیره شده توسط سامانه خورشیدی نشان داد. ساختار 1-10-10-7 با R² و MSE به ترتیب برابر با 99/0 و 00014/0 و ساختار 1-15-5-7 با R² و MSE به ترتیب برابر با 98/0 و 00011/0 بهترین نتیجه را به ترتیب برای پیش بینی مصرف انرژی گرم کن کمکی و دمای مخزن ذخیره حرارت ارائه کردند.
۱۰۳.

پیش بینی اختلال طیف اوتیسم از طریق طراحی شبکه عصبی مصنوعی(مقاله پژوهشی وزارت بهداشت)

نویسنده:
منبع: تحقیقات علوم رفتاری دوره شانزدهم زمستان ۱۳۹۷ شماره ۴ (پیاپی ۵۴)

کلیدواژه‌ها: اختلال طیف اوتیسم سیستم پشتیبانی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۵۹۴ تعداد دانلود : ۴۳۰
زمینه و هدف: اختلال طیف اوتیسم (Autism Spectrum Disorders) در تمام نقاط دنیا رو به افزایش است به طوری که در سال 2018 در هر 59 نفر 1 نفر مبتلا به اوتیسم گزارش شده است. با توجه به اهمیت رفتار انطباقی برای کارکرد روزمره در خانه و مدرسه و نیز هزینه های اجتماعی و مراقبت در طول عمر این افراد، اهمیت تشخیص زودهنگام اوتیسم برجسته می شود و بدین وسیله بهبود رفتارشناختی، تطبیقی و کاهش شدت اوتیسم صورت می پذیرد. مواد و روش ها: نمونه شامل 170 نفر متشکل از 100 کودک اوتیسم و 70 کودک سالم و شاداب بود. با استفاده از شبکه عصبی چندلایه پرسپترون، یک سیستم پشتیبانی از تصمیم بالینی برای پیش بینی اوتیسم بر اساس نشانه ها و علائم طراحی شد. یافته ها: میانگین صحت شبکه عصبی طراحی شده پس از 10 بار اجرا 11/96 درصد بود. درنتیجه سیستم طراحی شده با دقت مناسبی می تواند دستیار و پشتیبان قابل اعتمادی برای متخصصین این حوزه در تشخیص کودکان اوتیسم از سالم باشد. نتیجه گیری: میانگین سن تشخیص اوتیسم در 4 سال و 4 ماهگی (52 ماهگی) است به طوری که با جنسیت، نژاد و قومیت تفاوت معنی داری نمی کند. بنابراین طراحی سیستم پشتیبانی تصمیم بالینی در این مطالعه برای رنج سنی 3 تا 6 سال می تواند به عنوان یک ابزار غربالگری مهم، ضروری و قابل اعتماد به منظور جلوگیری از تأخیر در تشخیص و مداخله زودهنگام مورد استفاده قرار گیرد.
۱۰۴.

مدل سازی زوال درختان بلوط با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۸ تابستان ۱۳۹۸ شماره ۱۱۰ 65 - 76

کلیدواژه‌ها: آنالیز مؤلفه های اصلی بلوط جنگل های زاگرس زوال شبکه عصبی مصنوعی ماشین بردار پشتیبان

حوزه های تخصصی:
تعداد بازدید : ۳۹۶ تعداد دانلود : ۴۵۳
جنگل های زاگرس بیشترین تأثیر را در تأمین آب، حفظ خاک و تعدیل آب  و هوای کشور دارد. با این وجود بخش قابل توجهی از این جنگل ها دچار پدیده ی زوال درختان بلوط شده است. مشخص نبودن پارامترهای مؤثر در زوال و نحوه ی ارتباط پارامترها، از جمله عواملی هستند که باعث سخت تر شدن شناخت و مدل سازی این پدیده می شود. هدف این پژوهش تعیین پارامترهای تاثیرگذار برای مدل سازی زوال درختان بلوط و مدل سازی این پدیده با استفاده از شبکه های عصبی مصنوعی در استان لرستان است. در ا ین پژوهش، پارامترهای دما، بارش، ارتفاع، شیب، جهت، نوع خاک و میزان ریزگردها به عنوان پارامترهای اولیه انتخاب شدند. همچنین از عملگرهای ضرب، لگاریتم، تبدیلات هذلولی و آنالیز مؤلفه های اصلی برای ترکیب پارامترها استفاده شد. به دلیل معلوم نبودن نحوه ی ارتباط و میزان اثر هر پارامتر، از شبکه های عصبی مصنوعی برای مدل سازی پدیده زوال استفاده شد. در مجموع 385 ترکیب مختلف از پارامترهای اولیه، با استفاده از عملگرهای فوق تولید و در سه معماری پیش خور با سه لایه پنهان، احتمالاتی و معماری ماشین بردار پشتیبان در شبکه های عصبی، (در مجموع تعداد 1155 شبکه ی عصبی) ارزیابی شد. نتایج ارزیابی نشان داد معماری احتمالاتی ( 87 /0= R ) با ورودی های ارتفاع، جهت، شیب، ریز گرد، نوع خاک و مؤلفه ی اصلی (بارش و دما) بهترین عملکرد را در مدل سازی زوال درختان بلوط دارد. با توجه به نتایج، استفاده از شبکه های عصبی مصنوعی احتمالاتی در شرایط عدم قطعیت و وجود دانش جزئی از پدیده، توصیه می شود. همچنین نتایج نشان دادند که استفاده از مؤلفه ی اصلی پارامترهای دما و بارش، استرس ناشی از خشکی را بهتر مدل می کند. استفاده از ترکیب بهینه ی پارامترها، در مدل احتمالاتی نسبت به ترکیب عادی، باعث افزایش 05/0 ضریب همبستگی شد .
۱۰۵.

پیش بینی بارش ماهانه در منطقه ایران با استفاده از ترکیب شبکه های عصبی مصنوعی و فیلتر کالمن توسعه یافته(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۸ تابستان ۱۳۹۸ شماره ۱۱۰ 77 - 90

کلیدواژه‌ها: پیش بینی بارش منطقه ایران شبکه عصبی مصنوعی فیلتر کالمن توسعه یافته

حوزه های تخصصی:
تعداد بازدید : ۴۲۸ تعداد دانلود : ۳۱۲
بارش باران یکی از مهم ترین پدیده های جوّی است که بر زندگی بشر اثر می گذارد. پیش بینی بارش باران برای اهداف مختلفی مانند برنامه ریزی فعالیت های کشاورزی، پیش بینی سیلاب، پایش خشکسالی و تأمین آب مصرفی از اهمیت بالایی برخوردار است. هدف این مقاله پیش بینی بارش ماهانه در ایران با استفاده از روش جدید ترکیب شبکه های عصبی مصنوعی و فیلتر کالمن توسعه یافته می باشد، که برای این هدف از داده های میانگین بارش ماهانه حدود 180 ایستگاه سینوپتیک ایران که در سراسر کشور پراکنده هستند، طی سال های 1951 تا 2016 استفاده شده و به پیش بینی بارش ماهانه برای سال 2017 با استفاده از روش مقاله پرداخته شده است. در این مطالعه ایران شامل 8 پهنه اقلیمی است که به روش کوپن-گایگر تقسیم بندی شده است. از شبکه عصبی مصنوعی چندلایه با دو لایه مخفی که در هر لایه 10 نورون قرار گرفته است، برای پیش بینی در هر یک از پهنه های اقلیمی استفاده شد که برای آموزش این شبکه از فیلتر کالمن توسعه یافته استفاده گردید. اختلاف مقادیر بارش ماهانه اندازه گیری شده در سال 2017 و مقادیر حاصل از پیش بینی در تمام ایستگاه ها محاسبه گردید. جذر میانگین مربعات این اختلافات (RMSE) در حالت نرمال برای 8 پهنه اقلیمی در مراحل آزمون و پیش بینی محاسبه گردید که برای اقلیم بیابان خشک و بسیار گرم نسبت به اقلیم بیابان خشک و سرد کمتر است و برای اقلیم نیمه بیابانی خشک و سرد نسبت به اقلیم نیمه بیابانی خشک و بسیار گرم کمتر است و برای اقلیم معتدل با تابستان های خشک و بسیار گرم نسبت به اقلیم معتدل پرباران با تابستان های گرم کمتر است و برای اقلیم برفی با تابستان های خشک و بسیار گرم نسبت به اقلیم برفی با تابستان های خشک و گرم کمتر می باشد. در بیشتر موارد RMSE بدست آمده در اقلیم های بسیار گرم دارای مقدار کمتری است که نشان دهنده کارایی بهتر روش مقاله در پیش بینی بارش در این نوع اقلیم می باشد.
۱۰۶.

رتبه بندی و بررسی عوامل مؤثر بر ترجیحات مصرف کنندگان برای خرید محصولات ارگانیک در شهر مشهد(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد و توسعه کشاورزی جلد ۳۳ پاییز ۱۳۹۸ شماره ۳

کلیدواژه‌ها: استراتژی بازاریابی ترجیحات شبکه عصبی مصنوعی محصولات ارگانیک

حوزه های تخصصی:
تعداد بازدید : ۶۹۹ تعداد دانلود : ۴۲۹
کشاورزی ارگانیک از یک سو نقش بسیار مهمی در بهبود کیفیت محیط زیست و منابع طبیعی ایفا می نماید و از سوی دیگر، اثر مثبتی بر عرضه مواد غذایی با کیفیت مطلوب و ارتقاء سلامت جامعه دارد. ترجیحات مصرف کنندگان برای خرید محصولات ارگانیک به عوامل متعددی بستگی دارد و درجه اهمیت هر یک از این عوامل میان مصرف کنندگان مختلف متفاوت است. لذا، رتبه بندی و بررسی عوامل مؤثر بر ترجیحات مصرف کنندگان برای خرید محصولات ارگانیک (میوه جات، سبزی جات و صیفی جات) هدف اصلی این مطالعه می باشد. این پژوهش به صورت پیمایشی و اطلاعات آن در سال 1395 از 175 خانوار در شهر مشهد جمع آوری گردیده است. با استفاده از نرم افزار MATLAB، استفاده از مدل شبکه عصبی مصنوعی با در نظر گرفتن همزمان سه متغیر وابسته و رهیافت تحلیل حساسیت از وجوه متمایز این مطالعه نسبت به مطالعات پیشین است. در این مطالعه از متغیرهای سن، جنسیت، تحصیلات، تعداد افراد خانوار، تعداد افراد زیر 10 سال و بالای 65 سال، شناخت از محصولات ارگانیک، داشتن اطلاع از عرضه محصولات ارگانیک، ظاهر محصول، ارزش غذایی، سهولت دسترسی، قیمت، عرضه در طول ایام سال و داشتن برچسب اطلاعاتی به عنوان متغیرهای ورودی شبکه عصبی مصنوعی استفاده گردید. نتایج مطالعه نشان داد که متغیر قیمت در میان تمامی عوامل اثرگذار بیشترین تأثیر را بر تمایل به مصرف محصولات ارگانیک دارد. اثر قیمت بر تمایل به مصرف محصولات ارگانیک میان مصرف کنندگان فردی متفاوت و مستقل از محصول مورد بررسی است. لذا، برای توسعه تولید محصولات ارگانیک و رشد بازار آن پیشنهاد می گردد که استراتژی های بازاریابی مبتنی بر آمیخته قیمت طراحی و به کار گرفته شوند.
۱۰۷.

برآورد مقدار تبخیر با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک (مطالعه موردی: ایستگاه تبریز)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی سال ۲۳ تابستان ۱۳۹۸ شماره ۶۸ 71-90

کلیدواژه‌ها: تبریز قدرت تبخیر جو شبکه عصبی مصنوعی رگرسیون چند متغیره

حوزه های تخصصی:
تعداد بازدید : ۳۰۹ تعداد دانلود : ۳۲۱
به سبب تأثیر متقابل عناصر هواشناختی در محاسبه قدرت تبخیر جو، تخمین آن یک کار پیچیده و غیر خطی است. لذا برای تخمین آن باید از مدل های پیشرفته ریاضی استفاده نمود. در این مطالعه جهت برآورد قدرت تبخیر جو در سطح ایستگاه تبریز از شبکه های عصبی مصنوعی بر پایه دو الگوریتم آموزشی لونبرگ مارکوئت و الگوریتم ژنتیک، رگرسیون خطی چند متغیره و معادله پنمن فائو استفاده شده است. بر این اساس در مدل شبکه عصبی با اتخاذ یک و دو لایه پنهان و دو تابع فعال سازی تان سیگمویید و لوگ سیگمویید، 56 مدل شبکه عصبی تولید شد. ارزیابی و مقایسه نتایج این مدل ها براساس معیارهای چون ضریب تعیین و مجذور میانگین مربعات خطا نشان داد که دقت مدل ها بستگی به نوع تابع محرک، نوع الگوریتم آموزشی، تعداد لایه های پنهان و تعداد نرون های اتخاذ شده دارد. از سوی نتایج نشان داد که در مدل های تک لایه، دقت وزن دهی الگوریتم ژنتیک برای هر دو تابع فعال ساز بیش از الگوریتم لونبرگ مارکوئت است. از سویی در مدل های با دو لایه پنهان دقت وزن دهی الگوریتم آموزشی لونبرگ مارکوئت بیش از الگوریتم ژنتیک بوده؛ به طوری که دقیق ترین مدل شبکه با آرایش 5-7-7-1 با مجذور میانگین مربعات خطای 227/0 میلی متر بر اساس الگوریتم آموزشی لونبرگ مارکوئت و دو لایه پنهان و تابع فعال سازی تان سیگمویید تولید شده بود. همچنین مجذور میانگین مربعات خطای مدل رگرسیون خطی چند متغیره و معادله پنمن فائو به ترتیب به مقدار 79/0 و 34/1 بدست آمد. بنابراین مدل شبکه عصبی در قیاس با دو مدل مذکور دارای کارایی بهتر، ضریب دقت بیشتر و مقدار خطای کمتری جهت پیش بینی مقدار تبخیر ایستگاه تبریز است.
۱۰۸.

مقایسه روش های بیشترین شباهت، ماشین بردار پشتیبان و شبکه عصبی مصنوعی در آشکارسازی سطوح نفوذناپذیر شهری با استفاده از تصویر با قدرت تفکیک مکانی بالا(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و آمایش شهری - منطقه ای سال نهم پاییز ۱۳۹۸ شماره ۳۲ 185 - 200

کلیدواژه‌ها: سطوح نفوذناپذیر شبکه عصبی مصنوعی ماشین بردار پشتیبان بیشترین شباهت بندرعباس GeoEye

حوزه های تخصصی:
تعداد بازدید : ۴۱۶ تعداد دانلود : ۲۳۸
سطوح نفوذناپذیر عامل مهمی در نظارت بر توسعه شهری و کیفیت محیط زیست است. به همین دلیل، شناخت این سطوح پیش شرطی برای رسیدن به توسعه پایدار شهری خواهد بود. هر چند روش های گوناگونی برای تشخیص و مطالعه این سطوح وجود دارد ولی تعیین دقیق و مقرون به صرفه این سطوح، هنوز یک چالش مهم برای پژوهشگران شهری است. با توجه به افزایش دسترسی به داده های سنجش از دور، در این پژوهش با استفاده از تصویر سنجنده GeoEye سال 2009، دقت روش های سه گانه طبقه بندی بیشترین شباهت، شبکه عصبی مصنوعی و ماشین بردار پشتیبان را در تعیین سطوح نفوذناپذیر در بخشی از شهر بندرعباس بررسی و مقایسه شده است. به این منظور، بعد از انجام عملیات پیش پردازش های لازم بر روی تصویر، با استفاده از آلگوریتم های مورد اشاره، پنج کلاس خیابان و ساختمان (به عنوان سطوح نفوذناپذیر)، بدنه آبی، پوشش گیاهی و زمین بایر (به عنوان سطوح نفوذپذیر شهری) برای هر سه روش، استخراج شدند. برای ارزیابی نتایج، روش های دقت کلی، ضریب کاپا، دقت کاربر و تولیدکننده  مورد استفاده قرار گرفت. نتایج نشان داد که روش ماشین بردار پشتیبان با دقت کلی7/94 درصد و ضریب کاپا 93/0، نسبت به روش شبکه عصبی مصنوعی (با دقت صحت کلی 1/93 درصد و ضریب کاپا 90/0) و روش بیشترین شباهت (با دقت صحت کلی 2/92 درصد و ضریب کاپا 89/0)، دارای دقت بهتری است. مطالعه حاضر هرچند نشان داد که روش ماشین بردار پشتیبان دارای صحت بالاتری بود اما با این وجود، دقت روش های بیشترین شباهت و شبکه عصبی مصنوعی نیز در تعیین سطوح نفوذناپذیر، مناسب و قابل قبول بوده و پردازش تصاویر با قدرت تفکیک مکانی بالا با این روش ها،  می تواند سطوح نفوذناپذیر را تشخیص دهد.
۱۰۹.

ارزیابی ریسک اجرای طرح جنگلداری بر تغییرات تراکم مکانی پوشش گیاهی زیرآشکوب جنگل با رهیافت مدل سازی شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحلیل فضایی مخاطرات محیطی سال ششم تابستان ۱۳۹۸ شماره ۲ 21-34

کلیدواژه‌ها: آنالیز حساسیت ارزیابی اثرات محیط زیستی پرسپترون چندلایه پوشش گیاهی زیرآشکوب شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۳۰۴ تعداد دانلود : ۲۸۲
هدف از این پژوهش مدل سازی تغییرات مکانی تراکم پوشش گیاهی زیرآشکوب جنگل با توجه به ساختار اکوسیستم جنگل و فعالیت های طرح جنگلداری به عنوان یک مخاطره زیست محیطی می باشد. واحدهای همگن محیط زیستی با استفاده از منابع اکولوژیکی و سیستم اطلاعات جغرافیایی ، تهیه گردید . در این تحقیق به کمک شبکه های عصبی مصن وعی ، تراکم پوشش گیاهی زیرآشکوب جنگل بر اساس متغیرهای اکولوژیکی و انسانی شبیه سازی شد. شبکه پرسپترون چندلایه با یک لایه پنهان و 4 نرون در هر یک از لایه های مخفی و آرایش نهایی 1-4-23، با توجه به بیشترین مقدار ضریب تبیین آزمون شبکه (معادل 8576/0) و کمترین مقدار میانگین مربعات خطا و میانگین خطای مطلق (به ترتیب معادل 866/0 و 736/0)، بهترین عملکرد بهینه سازی توپولوژی را نشان می دهد. بر اساس نتایج آنالیز حساسیت، عوامل اکولوژیکی و انسانی شامل تراکم تاج پوشش توده، تراکم دام در جنگل، شدت فرسایش خاک و شدت کوبیدگی آن به ترتیب بیشترین تاثیر را در تغییرات پوشش گیاهی زیرآشکوب جنگل از خود نشان دادند. نتایج حاصله در این تحقیق در چهارچوب روش تجزیه و تحلیل سیستمی منجر به مدل سازی پوشش گیاهی زیرآشکوب جنگل در ارزیابی مخاطرات محیط زیستی طرح های جنگلداری و طراحی سامانه پشتیبان تصمیم گیری شده است که می تواند راه گشای تصمیم گیری در مورد ساختار طرح و اجرای پروژه های مشابه در مکان های مشابه باشد.
۱۱۰.

مقایسه مدل های لاجیت و شبکه عصبی مصنوعی در پیش بینی میزان مراجعه کنندگان بیماری آسم در ارتباط با پارامترهای اقلیمی شهر سنندج(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی سال ۲۴ بهار ۱۳۹۹ شماره ۷۱ 45-66

کلیدواژه‌ها: آسم اقلیم شبکه عصبی مصنوعی رگرسیون لوجستیک سنندج

حوزه های تخصصی:
تعداد بازدید : ۳۴۶ تعداد دانلود : ۳۱۵
یش بینی تعداد افراد مراجعه کننده به بیمارستان ها در ارتباط با پارامترهای اقلیمی از موضوعات قابل بحت و تأمل است که با تغییرات اقلیمی و گسترش شهرنشینی و آلودگی هوا در دهه های اخیر دامن گیر بسیاری از جوامع بشری شده است. استفاده از مدل های پیش بینی می تواند بعنوان ابزاری کارآمد در مدیریت و کنترل بیماری ها، کاهش مرگ و میر و برنامه ریزی ها مورد توجه قرار گیرد که در این پژوهش دو مدل شبکه عصبی مصنوعی و رگرسیون لوجستیک (لاجیت) به عنوان ابزاری کارآمد در پیش بینی فرآیندهای غیرخطی و پیچیده جهت پیش بینی میزان مراجعه کنندگان بیماری آسم در شهر سنندج در ارتباط با پارامترهای اقلیمی مورد بررسی قرار گرفت. داده های مورد بررسی در بازه زمانی 8 ساله (2008-2001) از ایستگاه هواشناسی سینوپتیک سنندج و بیمارستان های توحید و بعثت در سطح شهر سنندج اخذ گردید. سپس، پارامترهای اقلیمی به عنوان ورودی و میزان مراجعه کنندگان بیماری آسم بعنوان خروجی مدل ها در نظر گرفته شدند. نتایج حاصل از بررسی نشان داد که مدل شبکه عصبی با ورود پارامترهای متوسط فشار QFE و میانگین های حداقل و حداکثر دمای ماهانه و همچنین میانگین دمای ماهانه با دقت قابل قبولی میزان مراجعه کنندگان بیماری آسم را پیش بینی می کند به طوری که ضریب همبستگی داده های واقعی و پیش بینی شده برابر با 99/0 است که در سطح 01/0 معنی دار هستند. پارامترهای ورودی در روش لاجیت نیز نشان می دهد که میزان مراجعه کنندگان بیماری آسم از پارامترهای میانگین حداقل دما، متوسط فشار QFF و متوسط سرعت باد (نات) تأثیر می پذیرند. نسبت لگاریتمی هر کدام از پارامترهای فوق بر روی تعداد مراجعه کننده به ترتیب با ضریب بتای 517/0-، 734/0- و 977/0- معنی دارند و از میان پارامترهای اقلیمی نیز عنصر باد به مراتب بیشتر از سایر پارامترها بر روی میزان تعداد افراد مراجعه کننده به بیمارستان تأثیر گذار است. در مجموع از بین دو مدل غیرخطی مورد بررسی، مدل شبکه عصبی مصنوعی، قابلیت و دقت بیشتری را نسبت به مدل لاجیت نشان داد.
۱۱۱.

بررسی عوامل مؤثر بر قیمت مسکن شهری با استفاده از شبکه عصبی مصنوعی موردشناسی: منطقه دو تبریز(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و توسعه تابستان ۱۳۹۸ شماره ۵۹ 129 - 148

کلیدواژه‌ها: قیمت مسکن شبکه عصبی مصنوعی منطقه دو تبریز

حوزه های تخصصی:
تعداد بازدید : ۵۵۲ تعداد دانلود : ۴۳۷
مسکن، سهم پایه ای در بسته مصرفی خانوارها را داراست. در حقیقت، برای اغلب خانوارها، خرید مسکن مهم ترین تراکنش مالی آن ها محسوب می شود. همچنین، مسکن سهم قابل توجهی از هزینه های خانوار و در برخی موارد حتی کل دارایی خانوارها را تشکیل می دهد. بازار مسکن، می تواند تحت تاثیر متغیرهای کلان اقتصادی، تفاوت های فضایی، ویژگی های ساختاری جامعه و امکانات رفاهی محیط قرار گیرد. بدین سان که ناهمگن بودن مسکن و چگونگی رتبه بندی ویژگی های مختلف یک واحد مسکونی توسط خریداران سبب شده است تا قیمت مسکن دستخوش تغییرات و نوسانات گردد. پژوهش حاضر، به دنبال پاسخ گویی به این سوال است که «چه عواملی سهم بیشتری در تعیین قیمت مسکن در منطقه دو تبریز دارد؟». پژوهش حاضر به لحاظ هدف کاربردی و به لحاظ روش و ماهیت همبستگی می باشد. از شبکه عصبی مصنوعی براس سنجش همبستگی بین متغیرهای استفاده گردیده است. اطلاعات مربوط به واحدهای مسکونی از طریق مراجعه مستقیم به مشاورین املاک جمع آوری شده است. جامعه آماری، واحدهای مسکونی منطقه دو تبریز به تعداد 56107 مسکن می باشد که با استفاده از فرمول کوکران 384 نمونه برآورد شد و برای برآورد مطلوب 400 واحد مسکونی به صورت تصادفی به عنوان نمونه پژوهش انتخاب گردیده است. یافته های پژوهش نشان می دهد که سهم متغیر های کالبدی در تعیین قیمت واحدهای مسکونی 8/53 درصد، سهم متغیر های دسترسی برابر با 2/39 درصد و سهم متغی های محیطی 7 درصد می باشد. از بین کل متغیر ها، متغیر های مساحت زیربنا با 4/28 درصد، فاصله از مراکز درمانی با 4/6 درصد، فاصله از مراکز بهداشتی با 1/5 درصد و نمای ساختمان با 6/4 درصد بیشترین سهم متغیر قیمت مسکن را به خود اختصاص می دهند. در این پژوهش از نرم افزارهای MATLAB 2013 و ArcMap 10.4 بهره گرفته شده است.
۱۱۲.

پیش بینی تقاضای برق ایران با استفاده از الگوریتم های فراابتکاری(مقاله علمی وزارت علوم)

نویسنده:
منبع: انرژی ایران دوره بیست و دوم زمستان ۱۳۹۸ شماره ۴ (پیاپی ۷۲) 27-44

کلیدواژه‌ها: پیش بینی تقاضای برق شبکه عصبی مصنوعی الگوریتم ژنتیک الگوریتم بهینه سازی انبوه ذرات الگوریتم رقابت استعماری

حوزه های تخصصی:
تعداد بازدید : ۵۶۳ تعداد دانلود : ۳۴۸
هدف از پژوهش حاضر، پیش بینی تقاضای کل مصرف برق کشور ایران بر پایه شاخص های اقتصادی- اجتماعی و با استفاده از روش های فرا ابتکاری است. برای رسیدن به این هدف دو استراتژی مختلف مورد بررسی قرار گرفته است. در استراتژی اول از الگوریتم ژنتیک، الگوریتم بهینه سازی انبوه ذرات و الگوریتم رقابت استعماری برای تعیین معادلات پیش بینی تقاضای انرژی الکتریکی استفاده شده است. بدین منظور اطلاعات مربوط به شاخص های جمعیت، تولید ناخالص داخلی، قیمت برق و مصرف برق طی سال های 1347 تا 1394 مورد استفاده قرارگرفته و مدل های پیش بینی تقاضا به دو صورت خطی و غیرخطی ارائه شده است. در استراتژی دوم از شبکه های عصبی مصنوعی آموزش داده شده با الگوریتم های فراابتکاری فوق الذکر برای پیش بینی تقاضای برق بر پایه همان متغیرهای ورودی تعیین شده در استراتژی اول استفاده شده است. نتایح نشان داد مدل نمایی توسعه یافته با الگوریتم بهینه سازی انبوه ذرات، با درصد قدرمطلق میانگین خطای 85/2%، بهترین دقت را در پیش بینی تقاضای انرژی الکتریکی ایران دارد. تقاضای برق ایران تا سال 1404 پیش بینی شد و انتظار می رود به مقدار 324 تراوات ساعت برسد.
۱۱۳.

پیش بینی مصرف انرژی با تأکید بر ویژگی های جمعیتی: مقایسه چشم انداز مصرف انرژی ایران با سایر کشورهای عضو اکو(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات جمعیتی دوره ۲ بهار و تابستان ۱۳۹۵ شماره ۱ (پیاپی ۳) 181 - 202

کلیدواژه‌ها: مصرف انرژی جمعیت شاخص های اقتصادی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۳۱۵ تعداد دانلود : ۲۹۹
پیش بینی میزان مصرف انرژی موضوع مهمی در مدیریت مصرف و پاسخگویی به نیازهای انرژی است. هدف این مقاله پیش بینی روندهای آتی مصرف انرژی در ایران طی سال های 2013 تا 2030 میلادی و مقایسه آنها با کشورهای عضو اکو است. برای این منظور از داده های شبکه آماری اکو و بخش جمعیت سازمان ملل و روش شبکه عصبی مصنوعی استفاده شده، که در مدل سازی آن از شاخص های جمعیتی (جمعیت کل و نسبت جمعیت شهرنشین) و اقتصادی (تولید ناخالص داخلی سرانه) بهره گرفته است. برای بررسی تأثیر جمعیت بر روند مصرف انرژی، پیش بینی ها بر مبنای سه سناریوی جمعیتی جایگزین صورت گرفته است. پیش بینی های حاصل نشان می دهد که تا سال 2030، سطح مصرف انرژی در ایران به شکل قابل توجه ای افزایش خواهد یافت. البته در هر یک از سناریوها، الگوی رشد مصرف انرژی متفاوتی تجربه خواهد شد. اگرچه مصرف انرژی در سایر کشورهای اکو، به ویژه پاکستان و ترکیه، نیز افزایش خواهد یافت، ولی رشد مصرف آنها به مراتب کمتر از ایران خواهد بود.
۱۱۴.

پیش بینی بازده غیرعادی سهام با رهیافت شبکه های عصبی (شواهدی از بورس اوراق بهادار تهران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحقیقات حسابداری و حسابرسی پاییز ۱۳۹۸ شماره ۴۳ 187 - 202

کلیدواژه‌ها: بازده غیرعادی سهام شبکه عصبی مصنوعی شبکه عصبی فازی

حوزه های تخصصی:
تعداد بازدید : ۲۲۹ تعداد دانلود : ۲۶۳
تئوریها و مدلهای ارائهشده جهت پیشبینی بازده غیرعادی بیانگر این امر است که میان پژوهشگران اتفاقنظر مطلقی وجود ندارد. یکی از روشهای بسیار مناسب درزمینهٔ پیشبینی متغییرهای مالی ازجمله قیمت سهام، بازده سهام، سقوط بازار سهام و... بهکارگیری رویکرد شبکه عصبی است. در این پژوهش برای پیشبینی بازده غیرعادی سهام از دو رویکرد شبکه عصبی مصنوعی و شبکه عصبی فازی استفاده گردید تا از این طریق دقت پیشبینی بازده غیرعادی توسط این ابزارها موردبررسی قرار گیرد. متغیرهای ورودی جهت پیشبینی بازده غیرعادی شامل خطای پیشبینی سود، درجه اهرم مالی، نرخ بازده سرمایهگذاری، شفافیت سود حسابداری، محافظهکاری حسابداری، ارزش برند شرکت و اعتمادبهنفس بیشازحد مدیریت بودهاند. بدین منظور 452 شرکت- سال به روش غربالگری برای دوره پنج ساله(1395-1390) در شرکتهای فعال در بورس اوراق بهادار تهران مورد بررسی قرار گرفت. نتایج بیانگر این امر بود که قدرت پیشبینی کنندگی شبکه عصبی مصنوعی از شبکه عصبی فازی برای پیشبینی بازده غیرعادی سهام بیشتر بوده آن را با  درصد خطای کمتری انجام میدهد.
۱۱۵.

پتانسیل یابی منابع آبهای زیرزمینی در دشت خرم آباد با استفاده از دو روش منطق فازی و شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال نهم پاییز ۱۳۹۹ شماره ۲ (پیاپی ۳۴) 141 - 158

کلیدواژه‌ها: پتانسیل یابی منابع آب زیرزمینی شبکه عصبی مصنوعی منطق فازی دشت خرم آباد

حوزه های تخصصی:
تعداد بازدید : ۴۲۷ تعداد دانلود : ۲۷۶
در سال های اخیر با افزایش روز افزون جمعیت و توسعه صنعتی بهره برداری از منابع آب زیرزمینی چندین برابر شده است، با تداوم این عمل سطح آب های زیرزمینی روز به روز افت کرده است. بنابراین شناسایی این منابع، استفاده بهینه از آن به معنای برداشت پایدار و همیشگی از این ثروت خدادای است.هدف ازاین تحقیق ارزیابی و پتانسیل یابی منابع آب های زیر زمینی با استفاده از رو ش های منطق فازی و شبکه عصبی مصنوعی دردشت خرم آباد است. دراین تحقیق ابتدا نقشه فهرست چاه ها تهیه و بعد پارامترهای موثر درپتانسیل یابی از قبیل: لایه ارتفاع، شیب، جهت شیب، انحنای سطح، شاخص رطوبت توپوگرافی، کاربری اراضی، خاک، زمین شناسی، فاصله از رودخانه، تراکم زهکشی، فاصله از گسل، تراکم گسل مشخص و نقشه آن ها در محیط نرم افزارArc GIS  تهیه شد. جهت تهیه نقشه پتانسیل یابی منابع آب زیرزمینی از دو روش منطق فازی و شبکه عصبی مصنوعی استفاده شد. در مدل شبکه عصبی مصنوعی الگوریتم پس انتشار خطا و تابع فعالسازی سیگموئید به کار گرفته شد. ساختار نهایی شبکه دارای 11نرون درلایه ورودی، 11 نرون درلایه پنهان و 1 نرون درلایه خروجی گردید. در مدل منطق فازی از اپراتورهای عملگراجتماع فازی، عملگراشتراک فازی، عملگرضرب جبری فازی، عملگرجمع جبری فازی، عملگرگاما فازی استفاده شد. سپس نتایج هر دو مدل مورد ارزیابی قرار گرفت و در نهایت با مقایسه نتایج به دست آمده روش مناسب جهت پتانسیل یابی منابع آب های زیرزمینی به دست آمد و همچنین مهمترین عوامل موثر در پتانسیل یابی منابع در منطقه مشخص گردید. نتایج ارزیابی شبکه عصبی با چاه هایی با دبی بالا نشان می دهد که حدود80 درصد ازچاه ها درمناطق با پتانسیل متوسط به بالا است درحالی که نقشه منطق فازی حدود 75  درصد چاه ها درمناطق با پتانسیل متوسط به بالا را نشان می دهد. نتایج این پژوهش نشان داد که روش شبکه عصبی جهت پتانسیل یابی منابع آب زیرزمینی نسبت به روش منطق فازی مناسب ترو کاربردی تراست.
۱۱۶.

مدل سازی ارزش های زیبایی شناختی مناظر روستاهای توریستی با استفاده از شبکه های عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت گردشگری سال پانزدهم پاییز ۱۳۹۹ شماره ۵۱ 145 - 172

کلیدواژه‌ها: گردشگری روستایی ارزیابی زیبایی شناختی شبکه عصبی مصنوعی محور صور-توتاخانه

حوزه های تخصصی:
تعداد بازدید : ۳۵۷ تعداد دانلود : ۳۱۱
هدف این پژوهش، ارزیابی ارزش های زیبایی شناختی جاذبه های گردشگری محور توریستی صور- توتاخانه در دو بعد عینی و ذهنی بوده است. بدین منظور، هشت مؤلفه شناسایی گردید. برای تعیین زیبایی شناختی عینی از شبکه عصبی مصنوعی و برای تعیین زیبایی شناختی ذهنی از آزمون های اسپیرمن و رگرسیون چندگانه استفاده شد. جامعه آماری پژوهش، 3324 گردشگر وارد شده به روستا است که با استفاده از فرمول کوکران، 275 نفر به روش تصادفی ساده به عنوان نمونه انتخاب شد. پایایی پرسش نامه با استفاده از فرمول آلفای کرونباخ 898/0 به دست آمد. نتایج یافته های پژوهش با استفاده از روش شبکه عصبی مصنوعی نشان داد که قابلیت دید قلل مرتفع پیرامون دارای بیشترین ارزش و قابلیت دید رودخانه های جاری دارای کمترین ارزش است. نتایج رگرسیون چندگانه در زمینه زیبایی شناختی ذهنی نشان داد که 8 مؤلفه، توانایی تبیین 9/68 درصد از تغییرات واریانس را دارد. همچنین نتایج هردو روش حاکی از ارزش بالای جاذبه های گردشگری این محور است.
۱۱۷.

ارتباط یابی نقش عوامل سازمانی بی عدالتی و بدبینی در طفره روی مجازی کارکنان دانشگاهی با شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: مدیریت سازمان های دولتی سال هشتم پاییز ۱۳۹۹ شماره ۴ (پیاپی ۳۲) 145 - 158

کلیدواژه‌ها: طفره روی مجازی بی عدالتی سازمانی بدبینی سازمانی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۴۶۸ تعداد دانلود : ۳۴۰
پژوهش حاضر با هدف ارتباط یابی نقش عوامل بی عدالتی سازمانی و بدبینی سازمانی در طفره روی مجازی انجام گرفت. این پژوهش از نظر راهبرد اصلی، کمی و از نظر تکنیک تحلیلی، توصیفی- همبستگی بود. جامعه آماری این مطالعه شامل تمامی کارکنان ستادی دانشگاه های جامع وابسته به وزارت علوم در چهار سطح طراز عملکرد بین المللی، ملی، منطقه ای و محلی در سراسر کشور بود. روش نمونه گیری از نوع خوشه ای چندمرحله ای بود. حجم نمونه با توجه به مدل کرجسی- مورگان و با در نظر گرفتن خطای 05/0 =α، 430 نفر در نظر گرفته شد. برای جمع آوری داده ها از پرسشنامه طفره روی مجازی بلا و همکاران (2006)، پرسشنامه بدبینی سازمانی کالاگان (2009) و پرسشنامه بی عدالتی سازمانی کیم و لیونگ (2007) استفاده شد. روایی ابزارها با نظر استادان علوم تربیتی و روانشناسی تأیید شد. داده ها با شبکه عصبی مصنوعی با روش پرسپترون چندلایه (MPL) در نرم افزار Spss.v.24 تحلیل شد. نتایج نشان داد ارتباط یابی عوامل سازمانی مؤثر بر طفره روی مجازی دارای یک لایه ورودی با هشت گره و یک لایه پنهان با دو گره است و شبکه عصبی مصنوعی به خوبی قادر است پرش ها و روند طفره روی مجازی کارکنان دانشگاهی را از روی عوامل سازمانی بدبینی و بی عدالتی؛ پیش بینی نماید. ازاین رو، لازم است در هدایت رفتار منابع انسانی (جلوگیری از بروز رفتار انحرافی طفره روی مجازی) به این مؤلفه ها و اثراتشان در سازمان توجه شود.
۱۱۸.

مدل و روش بررسی تأثیر توسعه اجتماعی بر رشد و تحقق اقتصاد مقاومتی(مقاله علمی وزارت علوم)

نویسنده:
منبع: معرفت اقتصاد اسلامی سال یازدهم بهار و تابستان ۱۳۹۹ شماره ۲ (پیاپی ۲۲) 155-172

کلیدواژه‌ها: توسعه اجتماعی اقتصاد مقاومتی رشد اقتصادی شبکه عصبی مصنوعی شاخص های توسعه اجتماعی

حوزه های تخصصی:
تعداد بازدید : ۳۱۶ تعداد دانلود : ۳۳۳
رابطه توسعه اجتماعی و اقتصاد مقاومتی، موضوعی دوسویه است. اما در یک ساده سازی برای بررسی بهتر این رابطه فرض بر این گذاشته شده است که توسعه اجتماعی برپایه مبانی اسلامی، مسیر تحقق اقتصاد مقاومتی است. بر اساس این فرض، این مقاله به دنبال الگاریتم، مدل و روش بررسی مسیرهای این تأثیرگذاری است. ازاین رو، پس از بررسی ادبیات نظری تحقیق، به مؤلفه های مدل پرداخته شده و با تجمیع آنها، مدل بررسی به دست آمده است. یافته های پژوهش حاکی از این است که، مدل به دست آمده دارای چهار متغیر ورودی، یک متغیر خروجی و سه لایه پنهان است. در لایه پنهان اول، ده گره، در لایه پنهان دوم، شش گره و در لایه پنهان سوم، دو گره وجود دارد. از آنجا که مدل با شش ورودی به دست آمده است. روش بررسی آن روش شبکه عصبی مصنوعی شناخته شد که هم قدرت بررسی همزمان ورودی های متعدد را دارد، و هم قدرت پیش بینی احتمالات دیگر که در تحقیق دیگر باید به آن پرداخته شود را دارا می باشد.
۱۱۹.

ارزیابی حساسیت زمین لغزش با استفاده از روش های شبکه عصبی مصنوعی و الگوریتم ماشین بردار پشتیبان (مطالعه موردی: جاده ی حیران- استان اردبیل)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهش های ژئومورفولوژی کمی سال نهم زمستان ۱۳۹۹ شماره ۳ (پیاپی ۳۵) 18 - 33

کلیدواژه‌ها: حساسیت زمین لغزش شبکه عصبی مصنوعی الگوریتم ماشین بردار پشتیبان محور ارتباطی حیران

حوزه های تخصصی:
تعداد بازدید : ۳۸۴ تعداد دانلود : ۳۰۴
زمین لغزش ها همواره موجب خسارات جانی و مالی، از دست رفتن منابع طبیعی و زیرساخت های زیربنایی از قبیل جاده ها، پل ها و خطوط ارتباطی می شوند. جاده ارتباطی حیران در حال حاضر تحت تأثیر فرایند لغزش و گسیختگی دامنه ای دستخوش تغییر می باشد. در این پژوهش حساسیت زمین لغزش محور ارتباطی حیران با استفاده مدل های شبکه عصبی مصنوعی و توابع خطی، چندجمله ای، شعاعی و حلقوی الگوریتم ماشین بردار پشتیبان موردبررسی قرار گرفت. معیارهای مؤثر در شناسایی حساسیت زمین لغزش در سطح منطقه موردمطالعه شامل لایه های استخراج شده از سطوح ارتفاعی، زمین شناسی، کاربری اراضی، فاصله از گسل، شیب، جهت شیب و فاصله از جاده می باشد. لایه های اطلاعاتی بعد از آماده سازی در محیط نرم افزار SPSS Modeler اجرا شد و نقش و ارزش هرکدام از پارامترها بر اساس روش های مختلف به دست آمد. بر اساس نتایج ارزیابی مدل به ترتیب عامل زمین شناسی، ارتفاع، جهت شیب و کاربری اراضی، بیشترین ارزش را در ناپایداری دامنه ها در این محدوده داشته اند. همچنین نتایج نشان داد، کاربری های که در طبقه حساسیت زیاد قرارگرفته اند عمدتاً مربوط به اراضی مرتع، زمین کشاورزی و جاده های ارتباطی ( بالاتر از 1400 متر) می باشند که در قسمت های غربی گردنه حیران واقع شده اند. سازندهای تحت تأثیر لغزش در محدوده موردمطالعه عمدتاً تناوب توف، ماسه سنگ توفی به همراه گدازه های برشی و گدازه های پیروکسن آندزیت می باشد. در قالب مقایسه بین مدل ها جهت ارزیابی مطابقت آن با واقعیت منطقه به نظر می رسد مدل ماشین بردار پشتیبان نسبت به شبکه عصبی مصنوعی کارایی بهتری جهت ارزیابی حساسیت زمین لغزش در محور ارتباطی گردنه حیران دارد. شایان ذکر است، لزوم توجه به نقشه های حساسیت زمین لغزش طی عملیات جاده سازی و تعریض آن می تواند سبب کاهش ریسک مخاطره ی زمین لغزش در محدوده مسیر جاده حیران-آستارا گردد.
۱۲۰.

تحلیل الگوی توزیع فضایی تولید پسماند شهری در مناطق 22 گانه تهران با استفاده از تکنیک رگرسیون موزون جغرافیایی و شبکه عصبی مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اطلاعات جغرافیایی سپهر دوره ۳۰ بهار ۱۴۰۰ شماره ۱۱۷ 203 - 222

کلیدواژه‌ها: پسماند شهری مناطق 22 گانه تهران رگرسیون موزون جغرافیایی شبکه عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۵۲۲ تعداد دانلود : ۵۹۰
پسماند شهری یکی از چالش های پیش روی شهرها و کلان شهرها در قرن  21  به شمار می رود. چالشی که کیفیت های محیط شهری، اقتصاد شهری و سلامت شهری را تحت تأثیر قرار می دهد. برنامه ریزی پیرامون مدیریت کارا در راستای کاهش و مدیریت پسماند شهری از جمله اهداف بانک جهانی در سال  2016  برای شهر های بزرگ بود؛ اما برای برنامه ریزی و مدیریت مناسب، بحث شناخت متغیرهای اثرگذار بر پسماند شهری مطرح می گردد. چالش مدیریت و برنامه ریزی مناسب پسماند شهری برای شهر تهران و مناطق 22 گانه آن نیز مطرح می باشد. این پژوهش با هدف تحلیل الگوی توزیع فضایی تولید پسماند شهری (متغیرهای مستقل) و میزان پسماند شهری (متغیروابسته) به دنبال بررسی متغیرهای اثرگذار بر پسماند شهری در سطح شهر تهران و مناطق 22 گانه آن است. پژوهش حاضر از نوع کاربردی و توسعه ای و روش آن توصیفی - تحلیلی (قیاسی) مبتنی بر تحلیل های فضایی و مکانی می باشد. سطح اطلاعات مورد استفاده، 123 ناحیه است که داده های آن از سازمان پسماند شهرداری تهران، مرکز آمار و شهرداری تهران تهیه شده است. تکنیک های مورد استفاده در این پژوهش شامل رگرسیون حداقل مربعات و رگرسیون موزون جغرافیایی برای بررسی رابطه و پیش بینی مبتنی بر آن و شبکه عصبی مصنوعی برای پیش بینی بر اساس ماهیت متغیرها می باشد. نتایج به دست آمده بیان کرد که متغیر قیمت زمین با ضریب منفی 0.96 رابطه معناداری با پسماند شهری نداشته است و متغیرهای مهاجرت و کاربری های شهری - بهداشتی درمانی به ترتیب با ضرایب (0.123 و 0.186) بر میزان پسماند شهری در مناطق شمالی اثرگذار می باشد. از بُعد روشی نیز تحلیل واریانس میان رگرسیون ها بیان کرد که رگرسیون موزون جغرافیایی با ضریب 2.355 برتری به نسبت رگرسیون حداقل مربعات داشته است. همچنین ضرایب تعیین نهایی مدل ها بیان کرد که شبکه عصبی مصنوعی با ضریب 0.967 عملکرد بهتری در بُعد غیرمکانی برای پیش بینی مدل و میزان پسماند شهری داشته است.