مطالب مرتبط با کلیدواژه

جنگل تصادفی


۱.

بهبود آشکارسازی تغییرات شئ گرا در تصاویر با قدرت تفکیک مکانی بالا بر مبنای روش جنگل تصادفی در فضای ویژگی های بهینه(مقاله علمی وزارت علوم)

نویسنده:
منبع: سپهر دوره ۲۶ زمستان ۱۳۹۶ شماره ۱۰۴

کلیدواژه‌ها: آشکارسازی تغییرات شئ گرا جنگل تصادفی ماشین های بردار پشتیبان آنالیز مؤلفه های اصلی

حوزه های تخصصی:
  1. حوزه‌های تخصصی جغرافیا جغرافیای طبیعی جغرافیای زیستی
  2. حوزه‌های تخصصی جغرافیا فنون جغرافیایی سنجش از راه دور GIS
تعداد بازدید : ۳۹۴ تعداد دانلود : ۳۵۰
آشکارسازی تغییرات با رویکرد شیءگرا در تصاویر با قدرت تفکیک مکانی بالا به این دلیل که علاوه بر ویژگی های طیفی از ویژگی های مکانی، هندسی و بافتی استفاده می کند در مقایسه با رویکرد پیکسل مبنا  نتایج بسیار خوبی به همراه داشته است. با این وجود، انتخاب الگوریتم و ویژگی های بهینه همچنان به عنوان چالشی اساسی باقی مانده است. در این تحقیق، جهت بهبود آشکارسازی تغییرات با رویکرد شیءگرا از الگوریتم جنگل تصادفی ( RF ) در فضای ویژگی های بهینه استفاده شده است. در این راستا، نخست ویژگی های بافت بر روی تصاویر مربوط به دو زمان متفاوت استخراج می شود و از PCA جهت انتخاب ویژگی های بافتی مناسب استفاده می گردد. سپس، قطعه بندی چند مقیاسه در فضای ترکیب یافته از باندهای طیفی و ویژگی های بافتی مناسب در چهار سطح مختلف با استفاده از نرم افزار Ecognition انجام شده و بهترین سطح قطعه بندی تعیین می شود. در ادامه، ویژگی های بافتی، مکانی و هندسی از روی تصویر قطعه بندی شده در بهترین سطح استخراج می گردد و بر اساس محاسبه ی فاصله اقلیدسی مربوط به نمونه های آموزشی در کلاس های مختلف، ویژگی های بهینه شناسایی می شوند. کارایی الگوریتم RF شیءگرا در مقایسه با روش های متداول SVM و KNN بر اساس معیار کاپا و صحت کلی و مدت زمان محاسبات مورد بررسی قرار گرفته است. در این تحقیق، از تصاویر ماهوارهای GeoEye-1 و Quick Bird-1 مربوط به سال های 2002 و 2015 جهت آشکارسازی تغییرات در جزیره قشم استفاده شده است. بر اساس نتایج تجربی، برای الگوریتم های RF شیءگرا، SVM  و KNN صحت کلی به ترتیب 57/86، 76/83 و 75 درصد و ضریب کاپا به ترتیب97/0,  75/0 و 63/0 به دست آمد. همچنین، RF به دلیل استفاده از آستانه گذاری بر روی باندهای مختلف و تولید طبقه بندی کننده های درختی با تنوع بالا و وزن دهی مناسب، نسبت به هر یک از نتایج طبقه بندی کننده ها توانست بالاترین دقت را تولید کند.
۲.

طبقه بندی تصاویر چندطیفی با قدرت تفکیک مکانی متوسط، با استفاده از شاخص های مکانی و حرارتی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال نهم تابستان ۱۳۹۶ شماره ۲ (پیاپی ۳۴)

کلیدواژه‌ها: ماشین بردار پشتیبان شاخص های مکانی دمای روشنایی لندست 7 جنگل تصادفی اطلاعات بافت

حوزه های تخصصی:
تعداد بازدید : ۵۲۹ تعداد دانلود : ۴۳۵
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.
۳.

مقایسه دقت روش های ماشین بردار پشتیبان و جنگل تصادفی در تهیه نقشه کاربری اراضی و محصولات زراعی، با استفاده از تصاویر چندزمانه سنتینل-2(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال دوازدهم زمستان ۱۳۹۹ شماره ۴ (پیاپی ۴۸) 73 - 92

کلیدواژه‌ها: ماشین بردار پشتیبان جنگل تصادفی تصاویر چندزمانه سنتینل-2 کاربری اراضی محصولات زراعی

حوزه های تخصصی:
تعداد بازدید : ۳۶۲ تعداد دانلود : ۲۵۵
نقشه های پوشش/کاربری اراضی، برای پایش تغییرات عوارض و برنامه ریزی صحیح، هرساله مورد نیاز مدیران حوزه کشاورزی، منابع طبیعی و زیست محیطی است. روش برداشت میدانی با جی پی اس (GPS) و نقشه برداری زمینی مستلزم صرف زمان و هزینه های بسیار است. بنابراین، اغلب از تصاویر ماهواره ای، که دارای پوشش سراسری و توالی برداشت، هزینه کم و اطلاعات به هنگام اند، استفاده می شود تا نقشه های پوشش/کاربری زمین به دست آید. تهیه نقشه دقیق با روش مناسب روز موضوعی کلیدی است. طی سال های اخیر، استفاده از تصاویر ماهواره ای جدید و روش های نوین طبقه بندی، به ویژه یادگیری ماشین، رشد فزاینده ای داشته و کارآیی آنها در تهیه نقشه های پوشش/کاربری اراضی بسیار موفقیت آمیز بوده است. یکی دیگر از مزایای تصاویر ماهواره ای برداشت های متوالی است و براساس آن، می توان از تغییرات پوشش گیاهی در طول زمان، برای تفکیک نوع پوشش، استفاده کرد. ماهواره سنتینل-2، با امتیاز پیکسل 10متری، یکی از ابزارهای مناسب برای تفکیک نوع پوشش محسوب می شود. در این تحقیق، برای تفکیک انواع کاربری اراضی و محصولات زراعی دشت سنجابی روانسر، از تصاویر چندزمانه سنتینل-2 و روش های طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی استفاده و دقت آنها با یکدیگر مقایسه شد. بدین منظور، پس از نمونه برداری، تحلیل مؤلفه های اصلی برای چهار تاریخ دوره رشد محصولات اجرا شد و باندهای PC 1 ، PC 2 و PC 3 تصاویر با هم ترکیب شدند. دو روش روی ترکیب باند های PC 1 ، PC 2 و PC 3 تصاویر و نمونه های تعلیمی اعمال شدند. ارزیابی دقت ها نشان داد ماشین بردار پشتیبان، با صحت کلی 91.36% و ضریب کاپای 0.8927، نقشه کاربری اراضی و محصولات دقیق تری، در قیاس با روش جنگل تصادفی، تولید می کند.
۴.

تهیه نقشه پوشش گیاهی مناطق کران رودی با استفاده از طبقه بندی پیکسل مبنا و شیءمبنا تصاویر چندزمانه ماهواره سنتینل-2(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال سیزدهم پاییز ۱۴۰۰ شماره ۳ (پیاپی ۵۱) 19 - 32

کلیدواژه‌ها: ماهواره سنتینل -2 تصاویر چندزمانه جنگل تصادفی پوشش گیاهی کران رودی

حوزه های تخصصی:
تعداد بازدید : ۲۴۹ تعداد دانلود : ۱۳۷
پوشش های گیاهی مناطق کران رودی، با وجود مساحت کم، خدمات اکوسیستمی فراوانی عرضه می کنند. نظر به اینکه برنامه های نظارتی و آماربرداری پیوسته ای برای این پوشش های گیاهی در کشور وجود ندارد، تهیه نقشه و پایگاه داده مکانی برای آنها امری ضروری است. اما آمیختگی این پوشش های گیاهی با سایر کاربری های زمین سبب ایجاد چالش ها و مشکلاتی در تهیه نقشه برای آنها شده است. بنابراین، انتخاب روش مناسب طبقه بندی بسیار حائز اهمیت است. در این زمینه و در تحقیق حاضر، دو روش پیکسل مبنا و شیء مبنا در طبقه بندی این پوشش های گیاهی، با استفاده از تصاویر رایگان ماهواره سنتینل -2، مقایسه شده است. بدین منظور، پنج منطقه کران رودی متفاوت در استان چهارمحال و بختیاری انتخاب شد و برای آموزش مدل های طبقه بندی به کار رفت. در فرایند مدل سازی، از الگوریتم طبقه بندی جنگل تصادفی و داده های چندزمانه ماهواره سنتینل -2 استفاده شد. اعتبارسنجی مدل ها به صورت گسترده، با استفاده از نقاط صحت سنجی مستقل در سطح استان، انجام شد. نتایج نشان داد که تصاویر ماهواره سنتینل -2 قابلیت بالایی در تهیه نقشه پوشش گیاهی در مناطق کران رودی کوه های زاگرس دارد و روش طبقه بندی پیکسل مبنا (صحت کلی 83.9%) بهتر از روش شیءمبنا (صحت کلی 76.7%) بوده است. در مجموع، تحقیق حاضر استفاده از روش طبقه بندی پیکسل مبنا روی تصاویر چندزمانه ماهواره سنتینل -2 را به منزله ابزاری ارزان و مناسب در آشکارسازی این پوشش های گیاهی پیشنهاد می دهد. حائز اهمیت است که در این روش، تا جای ممکن، از پیکسل های دارای خلوص بیشتر به منزله پیکسل های آموزشی در توسعه مدل ها استفاده شود.
۵.

بررسی اثرات تغییرات اقلیمی بر کشت کلزا در استان همدان(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات جغرافیایی مناطق کوهستانی سال دوم تابستان ۱۴۰۰ شماره ۲ ۱۲۴-۱۰۹

کلیدواژه‌ها: روند و تغییرات اقلیمی ماشین بردار پشتیبان جنگل تصادفی کشت کلزا همدان

حوزه های تخصصی:
تعداد بازدید : ۲۳۱ تعداد دانلود : ۱۷۲
یکی از پیامدهای مهم تغییرات اقلیمی تاثیرات آن بر محصولات و اقتصاد کشاورزی است. استان همدان به عنوان یکی از استانهای با محصولات عمده کشاورزی همواره از این پیامد متاثر گردیده است. این پژوهش به منظور آشکار سازی پیامدهای تغییر اقلیم بر کشت کلزا در استان همدان با استفاده از مدل های جدید داده کاوی (RF,SWM) انجام گرفته است. دوره مورد مطالعه 2020-2001 می باشدکه علاوه بر روند تغییرات اقلیمی میزان عملکرد و سطح زیر کشت این محصول و تاثیرات تغییر اقلیم بر آن مورد بررسی قرار گرفته است. با توجه به نتایج بدست آمده مشخص گردید بیشترین تاثیرات بر عملکرد کشت کلزا مربوط به تغییرات ساعات آفتابی و بارش است که این اثر بیشتر در مناطق جنوب غربی و شمال استان دیده می شود. در نقشه های ترسیم شده از مدل RF,SWM مشخص گردید نتایج هر دو مدل تا حدود زیادی منطبق بر هم هستند و برحسب خروجی های مدل جنگل تصادفی و ماشین بردار پشتیبان مشخص شد که این مدل ها کارایی لازم برای بررسی ارتباط عملکرد محصولات کشاورزی با پارامتر های اقلیمی را دارند. طبق نتایج بیشترین ارتباط بین عملکرد محصول کلزا با تغییرات ساعات آفتابی و کمترین آنها با حداقل دما می باشد. بر اساس مدل SVM نیز ساعات آفتابی بیشترین تاثیر گذاری و ارتباط با عملکرد کلزا را دارد. نتایج نشان داد بین عملکرد محصول کلزا و تغییرات اقلیمی در استان همدان ارتباط معنا داری وجود دارد. نتایج این تحقیق می تواند در برنامه ریزی کشاورزی و توسعه اقتصادی مناطق استان همدان سودمند باشد.
۶.

پهنه بندی احتمال رخداد بیماری فوزاریوم گندم با استفاده از روش جنگل تصادفی(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال سیزدهم زمستان ۱۴۰۰ شماره ۴ (پیاپی ۵۲) 1 - 14

کلیدواژه‌ها: فوزاریوم گندم اینترنت اشیا GIS جنگل تصادفی مدل سازی مکانی زمانی

حوزه های تخصصی:
تعداد بازدید : ۲۶۰ تعداد دانلود : ۱۳۲
با توجه به رشد بالای جمعیت در جهان و نیاز به اطمینان از امنیت غذایی، افزایش تولید در واحد سطح محصولات زراعی به منزله راهبردی اساسی در حل مسئله تأمین غذا به شمار می رود. از سوی دیگر، با وجود محدودیت در افزایش سطح زیرکشت و پایین بودن میانگین عملکرد برخی محصولات کشاورزی مانند گندم در کشور، افزایش عملکرد محصول می تواند راهکاری عملی در پاسخ به نیاز کشور محسوب شود. یکی از مهم ترین بیماری های گندم فوزاریوم است که، با توجه به نقش پیش بینی این بیماری در جلوگیری از کاهش بهره وری محصول، مدل هایی به منظور پیش بینی فوزاریوم در کشورهای آمریکا، کانادا، آرژانتین و برزیل توسعه یافته است اما در ایران، به رغم لزوم توجه به این بیماری، تاک نون مدلی در این زمینه مطرح نشده است. بدین منظور، پهنه بندی مناطق رخداد بیماری فوزاریوم، با به کارگیری پارامترهای محیطی و داده های هواشناسی و نیز استفاده از تحلیل مکانی، در دشت مغان صورت گرفت. همچنین، برای افزایش دقت و کالیبراسیون دقیق مدل، شبکه اینترنت اشیا (IoT) در دشت مغان استفاده شد تا داده های محیطی شامل رطوبت نسبی، بارندگی و دمای هوا جمع آوری شود. سپس شاخص های ترکیبی مناسب تهیه شد و (RF)برای اولویت بندی شاخص ها و تعیین اهمیت نسبی آنها و نیز پیش بینی شدت بیماری فوزاریوم گندم، روش جنگل تصادفی به کار رفت. برای این کار، از داده های ایستگاه های هواشناسی و سنسورهای زمینی در فاصله سال های 1389 تا 1396 استفاده شد. نتایج ارزیابی حاکی از کارآیی مدل توسعه داده شده در پیش بینی بیماری فوزاریوم گندم است. همچنین، طبق نتایج، به کارگیری IoT به همراه تحلیل های مکانی روشی مؤثر در پیش بینی فوزاریوم است.
۷.

مدلی برای مدیریت رویگردانی مشتریان یک شرکت ارایه دهنده سرویس اینترنت(مقاله علمی وزارت علوم)

نویسنده:
منبع: مطالعات مدیریت کسب و کار هوشمند سال دهم بهار ۱۴۰۱ شماره ۳۹ 67 - 95

کلیدواژه‌ها: پیش بینی رویگردانی مشتریان ویژگی های موثر جنگل تصادفی سرویس اینترنت شرکت مخابراتی

حوزه های تخصصی:
تعداد بازدید : ۳۶۵ تعداد دانلود : ۱۵۳
رویگردانی مشتری یکی از مسایل مهمی است که شرکت های ارایه دهنده سرویس اینترنت در بازار رقابتی و به سرعت درحال اشباع با آن روبه رو هستند. به دلیل هزینه های بالای مرتبط با جذب مشتری جدید، این شرکت ها به رویکرد حفظ مشتری که صریحا به دنبال کاهش رویگردانی است، روی آورده اند. این تحقیق، رویگردانی مشتریان سرویس های اینترنت یکی از بزرگ ترین شرکت های مخابراتی ایران را مورد بررسی قرار داده است. به منظور پیش بینی رویگردانی، داده های مشتریان طی شش ماه جمع آوری شده و رویگردانی آن ها در یک بازه یک ساله بررسی شده است. علاوه بر پیش بینی رویگردانی، مهم ترین ویژگی های موثر در طبقه بندی رویگردان ها و غیررویگردان ها نیز تعیین شده است. در مرحله پیش پردازش از روش "کم نمونه برداری تصادفی" برای متعادل سازی مجموعه داده و از روش "حداقل افزونگی، حداکثر ارتباط" برای انتخاب ویژگی استفاده شده است. سپس الگوریتم های "جنگل تصادفی"، "ماشین بردار پشتیبان" و "کا نزدیک ترین همسایگان" برای طبقه بندی مشتریان رویگردان و غیررویگردان به کار رفتند که معیارهای ارزیابی، نشان دهنده برتری الگوریتم جنگل تصادفی است. مدل نهایی که از ترکیب روش های متعادل سازی، انتخاب ویژگی و طبقه بندی به دست آمد تحت عنوان مدل RUS-mRMR-RF به عنوان یک مدل کارآمد در پیش بینی رویگردانی مشتریان و شناسایی مهم ترین ویژگی های موثر در طبقه بندی رویگردان ها و غیررویگردان ها محسوب می گردد. نتایج این مطالعه بینش ارزشمندی را جهت تدوین استراتژی های حفظ مشتری به سازمان ارایه می دهد.
۸.

طبقه بندی شیءگرای مناطق شهری با تلفیق تصاویر سنتینل- 1 و سنتینل- 2(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال چهاردهم پاییز ۱۴۰۱ شماره ۳ (پیاپی ۵۵) 105 - 121

کلیدواژه‌ها: سنجش از دور سنتینل 1 سنتینل 2 طبقه بندی مبتنی بر شیء ماشین بردار پشتیبان جنگل تصادفی

حوزه های تخصصی:
تعداد بازدید : ۱۶۳ تعداد دانلود : ۱۲۰
نقشه های کاربری زمین، توزیع فضایی منابع طبیعی، مناظر فرهنگی و سکونتگاه های انسانی را توصیف می کنند که به منزله ابزار برنامه ریزی مهمی برای تصمیم گیرندگان عمل می کند؛ بنابراین دقت نقشه های حاصل از طبقه بندی تصاویر ماهواره ای در عدم قطعیت به منظور مدیریت شهری بسیار تأثیرگذار است. با توجه به کیفیت یکنواخت تصاویر در مناطق بزرگ در مراحل زمانی منظم، تصاویر سنجش از دور ورودی ضروری در تولید نقشه های کاربری زمین شمرده می شوند. هدف اصلی از این تحقیق پیشنهاد کردن روشی به منظور ایجاد نقشه پوشش اراضی دقیق در مناطق شهری، با استفاده از تلفیق داده های سنتینل 1 و سنتینل 2 است. به این منظور، ویژگی های ضریب بازپراکنش راداری VV و دو پارامتر حاصل از روش تجزیه H-α (آنتروپی، آلفا) از تصاویر راداری سنتینل 1 و ویژگی های باند آبی، سبز، قرمز، شاخص های NDVI، NDWI، MNDWI و SWI از تصاویر اپتیک سنتینل 2 استخراج و به منزله مؤلفه های تأثیرگذار در طبقه بندی منطقه شهری استفاده شد. در این مطالعه، با هدف جداسازی مناطق کشاورزی از سایر پوشش ها، از شاخص رطوبت SWI استفاده شد. همچنین داده های ارتفاعی برای تفکیک بهینه کلاس های پیچیده با توپوگرافی متفاوت به کار رفت. استخراج شاخص های تأثیرگذار از این دو مجموعه داده، در رویکردی شیءگرا مبتنی بر الگوریتم های ماشین بردار پشتیبان و جنگل تصادفی، برای طبقه بندی کاربری زمین ارزیابی شد. نتایج نشان داد که به کارگرفتن ویژگی های استخراج شده از تصاویر راداری و اپتیک به طور هم زمان، در روش طبقه بندی شیء گرا، می تواند ویژگی های شیء را به طور کامل در ناحیه مورد مطالعه استخراج کند. در مورد هر دو الگوریتم طبقه بندی، زمانی که از داده های اپتیک و راداری به طور هم زمان استفاده شد، دقت کلی طبقه بندی افزایش داشت. در مورد روش جنگل تصادفی که بیشترین دقت ها را دربر داشت، دقت کلی برای رویکرد ترکیب داده های راداری و اپتیک به میزان 13 و 5%، به ترتیب به نسبت رویکرد تنها ویژگی راداری و تنها رویکرد ویژگی اپتیک، افزایش پیدا کرده است. همچنین اختلاف معنی داری در دقت طبقه بندی، در تمامی سطوح، بین الگوریتم طبقه بندی ماشین بردار پشتیبان و جنگل تصادفی دیده می شود. نتایج نشان داد که دقت کلی درمورد روش طبقه بندی جنگل تصادفی و ماشین بردار پشتیبان به ترتیب برابر 3/83 و 8/79% و ضریب کاپا به ترتیب 72/0 و 68/0% بوده است.
۹.

تأثیر طرح های متفاوت نمونه برداری خوشه ای در برآورد مشخصه های کمّی جنگل های زاگرس، با استفاده از تصاویر سنجنده سنتینل - 2(مقاله علمی وزارت علوم)

نویسنده:
منبع: سنجش از دور و GIS ایران سال چهاردهم زمستان ۱۴۰۱ شماره ۴ (پیاپی ۵۶) 71 - 86

کلیدواژه‌ها: استان جنگل اولادقباد جنگل تصادفی روش های ناپارامتریک سنجش از دور نمونه برداری خوشه ای

حوزه های تخصصی:
تعداد بازدید : ۱۷۸ تعداد دانلود : ۱۵۱
گردآوردی اطلاعات میدانی دقیق، به منظور مدیریت پایدار مناطق جنگلی، مستلزم صرف زمان و هزینه بالایی است؛ بنابراین استفاده از روش های نمونه برداری و تصاویر ماهواره ای جایگزین مناسبی برای این کار خواهد بود. هدف پژوهش حاضر تأثیر طرح های گوناگون نمونه برداری خوشه ای در برآورد مشخصه های کمّی جنگل های سامان عرفی اولادقباد شهرستان کوهدشت، استان لرستان، با استفاده از تصاویر سنجنده سنتینل 2 است. به منظور برآورد مشخصه های مورد بررسی، 150 خوشه در قالب شش طرح (مثلث، مربع، ستاره ای 1، خطی، اِل شکل و ستاره ای 2) در منطقه ای به مساحت تقریبی 4500 هکتار ایجاد شد. هر خوشه شامل چهار ریزقطعه نمونه، با مساحت هفتصد مترمربع (شعاع ریزقطعه نمونه دایره ای برابر با پانزده متر و فاصله بین ریزقطعه نمونه ها از هم، شصت متر) بود. سپس در هر ریزقطعه نمونه ، مشخصه های تعداد و مساحت تاج درختان اندازه گیری شد. پس از پیش پردازش و پردازش تصاویر (تجزیه مؤلفه اصلی، آنالیز بافت و ایجاد شاخص های گیاهی)، ارزش های رقومی متناظر با قطعات نمونه زمینی از باندهای طیفی استخراج و به منزله متغیرهای مستقل، در نظر گرفته شد. مدل سازی با استفاده از روش های ناپارامتریک جنگل تصادفی، ماشین بردار پشتیبان و نزدیک ترین همسایه انجام شد. نتایج نشان داد میانگین تراکم در هکتار 51 اصله و سطح تاج پوشش 3294 مترمربع در هکتار است. نتایج اعتبارسنجی نشان داد که درمورد هر دو مشخصه تراکم و سطح تاج پوشش، الگوریتم جنگل تصادفی به همراه طرح های نمونه برداری خطی و ستاره ای 2، به ترتیب با درصد مجذور میانگین مربعات خطا 00/46 و 44/10 و اریبی (02/0- و 82/2%)، عملکرد بهتری در مدل سازی داشته است. به طورکلی نتایج اعتبارسنجی مشخص کرد استفاده از طرح های متفاوت نمونه برداری خوشه ای، روش های مدل سازی ناپارامتریک جنگل تصادفی و تصاویر سنجنده سنتینل 2 کارآیی بهتری در برآورد مشخصه تاج پوشش دارد اما، در مقابل، عملکرد مناسبی در برآورد تعداد در هکتار را نداشته است.
۱۰.

بررسی ریزش مشتریان بیمه های زندگی با استفاده از روش های داده کاوی (مطالعه موردی: یکی از شرکت های بیمه ایران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بیمه سال سی و هفتم زمستان ۱۴۰۱ شماره ۴ (پیاپی ۱۴۸) 551 - 566

کلیدواژه‌ها: بیمه زندگی جنگل تصادفی درخت تصمیم رگرسیون لجستیک ریزش مشتری شبکه عصبی

حوزه های تخصصی:
تعداد بازدید : ۲۶۶ تعداد دانلود : ۱۵۱
پیشینه و اهداف: حفظ مشتریان همواره به عنوان مهم ترین شاکله در همه صنایع تلقی می شود و صنعت بیمه نیز از این امر مستثنی نیست. طی سال های اخیر در ایران و با افزایش فروش بیمه نامه های زندگی، حفظ مشتریان بیمه به گونه ای مورد توجه مدیران و صاحب نظران صنعت بیمه قرار گرفته است که با ارائه پوشش های متنوع بیمه ای طیف وسیعی از مشتریان خود را راضی نگه دارد. امروزه، ایجاد حس رضایت در مشتریان بیمه های زندگی توسط شرکت های بیمه یک هنر محسوب می شود و هر چه شرکت بیمه مشتریان بیشتری را راضی نگه دارد، دیگر نگران بازخرید و خارج شدن مشتریان خود نیست. هدف اصلی مقاله، پیاده سازی روش های داده کاوی در پیش بینی ریزش مشتری و شناسایی عوامل تاثیرگذار بر ریزش مشتری در محصولات بیمه زندگی یکی از شرکت های بیمه در ایران است. منظور از پیش بینی ریزش مشتری شناسایی مطلوب طبقه یا کلاس مربوط به بیمه نامه هایی است که قبل از پایان یافتن زمان پوشش بیمه، به درخواست بیمه گذار، متوقف و پایان می یابد. روش شناسی: در مقاله حاضر، سعی شده است با بهره گیری از الگوریتم های داده کاوی مانند جنگل تصادفی، درخت تصمیم، رگرسیون لجستیک و شبکه عصبی به طبقه بندی مشتریان بیمه های زندگی بر اساس ریزش و یا عدم ریزش بپردازیم. داده های مورد استفاده در این تحقیق، شامل اطلاعات بیمه نامه های زندگی یک شرکت بیمه پایلوت در سال 1398 در استان تهران است که سهم مناسب و بالایی در پرتفوی صنعت بیمه دارد. یافته ها: نتایج تحقیق حاکی از عملکرد بالای الگوریتم های جنگل تصادفی، درخت تصمیم ، رگرسیون لجستیک و شبکه عصبی در پیش بینی کلاس مربوط به ریزش مشتریان دارد. براساس نتایج حاصل از تحقیق، احتمال باز خرید در زنان و افراد دارای مشاغل پر ریسک و سن بالاتر، ببشتر است. از طرف دیگر، افرادی که در ابتدا پرداخت حق بیمه را به صورت سالانه، حق بیمه کمتر و درصد ضریب تغییر سرمایه و ریسک سرمایه بیشتری را انتخاب کرده اند، احتمال بازخرید آن ها کمتر بوده است. نتیجه گیری: با توجه به بلندمدت بودن بیمه های زندگی و نیاز به نقدینگی مشتریان با توجه به شرایط اقتصادی، شرکت های بیمه باید توجه بیشتری به مشتریان بیمه های زندگی داشته باشند و ضمن رصد رفتار مشتری در طول بیمه نامه، برنامه های وفاداری به جهت حفظ مشتری را در دستور کار خود قرار دهند.
۱۱.

ارائه یک چارچوب جهت پیش بینی غلظت آلاینده های هوا با استفاده از داده های سنجش ازدور مبتنی بر شبکه عصبی مصنوعی- موجکی در کلان شهر تهران(مقاله علمی وزارت علوم)

نویسنده:
منبع: برنامه ریزی منطقه ای سال دوازدهم پاییز ۱۴۰۱ شماره ۴۷ 115 - 130

کلیدواژه‌ها: مدل سازی آلودگی هوا جنگل تصادفی تبدیل موجک شبکه عصبی مصنوعی پرسپترون چندلایه

حوزه های تخصصی:
تعداد بازدید : ۱۴۶ تعداد دانلود : ۸۱
در کشورهای درحال توسعه، اکثر شهرهای بزرگ به طور فزاینده ای با آلودگی هوا به عنوان عاملی تأثیرگذار بر کیفیت زندگی و سلامت عمومی جامعه مواجه هستند. ناحیه کلان شهری تهران نیز به واسطه تراکم جمعیتی بالا یکی از مناطق مهم در ایران محسوب می گردد. صنایع آلاینده به همراه استفاده از وسایل نقلیه از جمله مهم ترین عواملی محسوب می گردد که موجب شده است تا این شهر به عنوان آلوده ترین کلان شهر کشور محسوب گردیده و متعاقباً لازم است تا در جهت کاهش آلودگی هوا در این شهر برنامه ریزی مؤثری انجام شود. یکی از مهم ترین اقدامات در زمینه کاهش آلودگی هوا، پیش بینی مقادیر غلظت آلاینده ها می باشد که می تواند تصمیم گیری و برنامه ریزی و ارائه راهکارهای مناسب را بهبود بخشد. ازآنجایی که نیاز به روش های دقیق تر برای پیش بینی آلاینده های هوا جهت مدیریت بهتر این مقوله وجود دارد، به نظر می رسد استفاده از روش های ترکیبی جهت مدل سازی آلاینده ها می تواند حرکتی مهم در این راستا باشد. در این پژوهش، پارامترهای تأثیرگذار بر غلظت آلاینده ها در قالب ۴ دسته عوامل ترافیکی، غلظت آلاینده ها در روزهای قبلی، داده های هواشناسی و عوامل مکانی به عنوان ورودی مدل ها مورداستفاده قرار گرفتند و ماکزیمم غلظت آلاینده ها در هر روز به عنوان خروجی مدل در نظر گرفته شد. هدف این پژوهش بررسی عملکرد روش های انتخاب ویژگی جنگل تصادفی و تبدیل موجک در ترکیب با روش های رگرسیون چندمتغیره و شبکه عصبی مصنوعی پرسپترون چندلایه، جهت دستیابی به مدلی کارا به منظور پیش بینی آلاینده های منو اکسید کربن، دی اکسید نیتروژن، دی اکسید گوگرد و PM2.5 می باشد. نتایج به دست آمده نشان داد که مدل سازی همه آلاینده ها با استفاده از شبکه عصبی پرسپترون چندلایه در ترکیب با روش تبدیل موجک صحت بالاتری را نسبت به مدل های دیگر ارائه می نماید. همچنین صحت پیش بینی آلاینده منو اکسید کربن (خطای استاندارد برابر با 8/19 درصد) نسبت به آلاینده های دیگر پایین تر بود درحالی که صحت پیش بینی آلاینده PM2.5 (خطای استاندارد برابر با 0/17 درصد) بالاتر از سایر آلاینده ها بود. علاوه بر این، باتوجه به پارامترهای انتخاب شده توسط روش انتخاب ویژگی با استفاده از جنگل تصادفی، پارامترهای غلظت آلاینده ها در روزهای قبل از اهمیت بالایی به منظور پیش بینی آلاینده های مختلف برخوردارند.
۱۲.

مقایسه دقت الگوریتم های یادگیری آماری در پیش بینی جهت حرکت قیمت سهام شرکت بیمه سامان به عنوان یک شرکت بیمه بورسی(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشنامه بیمه دوره ۱۲ تابستان ۱۴۰۲ شماره ۳ 181 - 196

کلیدواژه‌ها: الگوریتمKNN بیمه جنگل تصادفی درخت تصمیم قیمت سهم

حوزه های تخصصی:
تعداد بازدید : ۹۶ تعداد دانلود : ۹۲
پیشینه و اهداف: یکی از معیارهای تصمیم گیری برای سرمایه گذاری در یک شرکت بورسی، میزان یا تغییرات قیمت سهام آن شرکت در روزها و ماه های آتی است. روش های متعددی برای پیش بینی قیمت سهام و ریسک سرمایه گذاری در یک شرکت، مورد مطالعه قرار گرفته است. در اکثر این روش ها، قیمت سهام به عنوان یک متغیر پاسخ پیوسته پیش بینی شده است. برای این منظور، از مدل های سری زمانی استفاده می شود که در آنها پذیره هایی ازجمله نرمال بودن اغتشاش ها و یا خطی بودن مدل اهمیت دارد. هدف از این پژوهش، معرفی یک متغیر پاسخ دو رده ای براساس جهت حرکت قیمت سهم در روز آتی و معرفی چند روش رده بندی آماری برای پیش بینی آن است. این مدل ها، محدودیت های مدل های گذشته را ندارند و به همین دلیل مورد توجه هستند. پیاده سازی روش های مورد مطالعه و مقایسه دقت آنها در پیش بینی جهت حرکت قیمت سهام شرکت های بیمه بورسی هدف اصلی این مقاله است. روش شناسی: در پژوهش حاضر با استفاده از الگوریتم های K-نزدیک ترین همسایه ها، درخت تصمیم و جنگل تصادفی که در زمره روش های ناپارامتری رده بندی یادگیری آماری می باشند، به پیش بینی جهت حرکت قیمت سهام پرداخته ایم. داده های مورد استفاده در این تحقیق شامل اطلاعات قیمت سهام یکی از شرکت های بیمه در طی سال های 1390 تا 1400 است که سهم مناسب و بالایی در پرتفوی صنعت بیمه دارد. برای تعیین دقت مدل های مورد مطالعه، داده ها به صورت تصادفی به دو دسته آموزشی و آزمایشی تقسیم شدند. سپس مدل های یادگیری آماری روی داده های آموزشی اجرا و اعتبار آنها با استفاده از داده های آزمایشی سنجیده شد. یافته ها : نتایج تحقیق حاکی از دقت بالای هر سه مدل ناپارامتری در پیش بینی رده قیمت سهام شرکت بیمه مورد نظر است. همچنین در بین مدل های مورد مطالعه، الگوریتم K-نزدیک ترین همسایه ها نسبت به سایر الگوریتم ها در پیش بینی جهت حرکت قیمت سهام عملکرد بهتری از خود نشان داد. نتیجه گیری: با توجه به اهمیت ریسک سرمایه گذاری در یک شرکت بیمه برای مشتریان، یافتن مدل مناسب برای رده بندی قیمت سهام و مشخص نمودن متغیرهای مؤثر در افزایش یا کاهش قیمت، می تواند به مشتریان و شرکت های بیمه در تصمیم گیری بهتر کمک کند.
۱۳.

توسعه الگوریتم های یادگیری ماشین جهت پیش بینی شاخص کیفیت هوای شهری (منطقه مطالعاتی: شهر تهران)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و مخاطرات محیطی تابستان ۱۴۰۲ شماره ۴۶ 165 - 186

کلیدواژه‌ها: آلودگی هوا یادگیری ماشین جنگل تصادفی ماشین بردار پشتیبان الگوریتم ژنتیک

حوزه های تخصصی:
تعداد بازدید : ۲۰۵ تعداد دانلود : ۱۲۵
با توجه به مضرات آلودگی هوا بر سلامت انسان ها و محیط، کاهش و حل این معضل براساس شناخت دقیق آلاینده ها و عوامل تأثیرگذار بر آن و مشخص نمودن پهنه های آلوده ضروری به نظر می رسد؛ بنابراین استفاده از مدل های ریاضی در قالب یادگیری ماشینی رویکردی بهینه و مقرون به صرفه برای مدل سازی آلودگی هواست. این تحقیق به لحاظ هدف کاربردی بوده و روش بررسی آن توصیفی-تحلیلی است. نوآوری تحقیق حاضر ارائه یک رویکرد ترکیبی جدید جهت تعیین معیارهای مؤثر در پیش بینی میزان آلودگی هوا می باشد. لذا هدف از تحقیق حاضر ارزیابی و مقایسه قابلیت دو مدل یادگیری ماشین، یعنی ماشین بردار پشتیبان ( SVM) و جنگل تصادفی ( RF) در ترکیب با الگوریتم ژنتیک (GA) جهت پیش بینی میزان آلودگی هوا در شهرستان تهران است. داده های مورداستفاده در این تحقیق شامل ذرات معلق و آلاینده های گازی شهر تهران مرتبط با سال 1399 می باشد که از شرکت کنترل ترافیک شهر تهران اخذ گردیده است. به منظور تجزیه وتحلیل داده ها از نرم افزارهای Matlab و ArcMap استفاده شد. مقدار ضریب تشخیص (R2)  حاصل از روش ترکیبی RF-GA برابر 997/0 به دست آمد که نشان دهنده سازگاری بالای این مدل با داده های این تحقیق است. همچنین مقدار ریشه میانگین خطای مربعات (RMSE) برابر 153/0 به دست آمد که نشان دهنده دقت بالای این مدل می باشد. بر اساس اطلاعات گرفته شده از شرکت کنترل ترافیک شهر تهران، نتایج حاصل از روش RF بیانگر مناسب بودن انتخاب مدل مذکور جهت برآورد میزان آلودگی هوای شهر تهران بوده است.
۱۴.

بررسی عوامل مؤثر بر موفقیت روش عرضه اولیه بهامُهر با الگوریتم جنگل تصادفی(مقاله علمی وزارت علوم)

نویسنده:
منبع: اقتصاد و تجارت نوین سال ۱۸ پاییز ۱۴۰۲ شماره ۳ 169 - 199

کلیدواژه‌ها: تأمین مالی رمز ارز فناوری بلاک چین روش عرضه اولیه سکه جنگل تصادفی

حوزه های تخصصی:
تعداد بازدید : ۱۳۸ تعداد دانلود : ۸۶
در برهه زمان فعلی تشدید معضل رکودتورمی در کشور سبب تأکید بیشتر بر همه ی سیاست های طرف عرضه و در رأس آن تأمین مالی بنگاه ها با تأکید بر کاهش تورم گشته است.روش عرضه اولیه بهامُهر روشی نوین جهت تأمین مالی بنگاه ها بر بستر فناوری بلاکچین است که در زمان کوتاهی امکان جذب سرمایه ی بالایی را در مقایسه با سایر روش ها محقق می نماید. در این بین، بنگاه های کوچک و متوسط که علی رغم نیاز به سطوح خرد منابع، نقش انکارناپذیر در تولید کشورها ایفاء می نمایند، می توانند کاندیدهای خوبی برای به کار بستن این روش باشند. تبیین این روش و شناسایی عوامل اثرگذار بر موفقیت آن برای رفع خلأ های اطلاعاتی موجود می تواند، فرآیند استفاده صحیح و بهره مندی حداکثری از پتانسیل های آن را فراهم آورد. ازاین رو در این مقاله با جمع آوری 307 کمپین تأمین مالی به روش عرضه اولیه بهامُهر در سال های 2016 تا انتهای 2018، عوامل اثرگذاری بر موفقیت آن ها شامل خصیصه های تیم، پروژه، کمپین و شبکه های اجتماعی در روندی تجمعی با استفاده از الگوریتم جنگل تصادفی موردبررسی قرارگرفته است. در مقاله اخیر کل سرمایه جمع آوری شده و میزان دستیابی به هاردکپ به عنوان ملاک موفقیت طی دو سری مدل مجزا در نظر گرفته شده است. با تفکیک سطح اولویت خصیصه ها به سه سطح، یافته ها نشان می-دهند 3 خصیصه ی مجموع تعداد توکن های پروژه، تعداد صفحات وایت پیپر،مشخص بودن سهم تیم از توکن از اولویت سطح یک برخوردارند و بالاترین نقش را در موفقیت یک عرضه اولیه بهامُهر ایفاء می نمایند.:JEL طبقه بندیF34 ،G38 ،G32 ،G24
۱۵.

پیش بینی اختلال اضطراب فراگیر در بین زنان دانشجو با استفاده از رویکرد جنگل تصادفی

نویسنده:
منبع: پژوهش های میان رشته ای زنان دوره ۵ بهار ۱۴۰۲ شماره ۱ (پیاپی ۱۴) 35-44

کلیدواژه‌ها: داده کاوی اختلال اضطراب فراگیر جنگل تصادفی

حوزه های تخصصی:
تعداد بازدید : ۱۳۲ تعداد دانلود : ۸۴
سلامت روان یکی از بزرگترین چالش ها برای نسل کنونی است. اختلال اضطراب فراگیر (GAD) یکی از بسیاری از مشکلات سلامت روان است. افراد مبتلا به این اختلال نگرانی ها و تنش های اغراق آمیزی را در مورد رویدادهای روزمره تجربه می کنند. گزارش شده است که حدود 5 درصد از جمعیت کشورهای توسعه یافته به GAD مبتلا هستند و زنان دو برابر بیشتر از مردان به این بیماری مبتلا می شوند و یک اتفاق رو به رشد در بین زنان بالاخص زنان دانشجو است. این پژوهش با هدف پیش بینی اختلال اضطراب فراگیر در بین زنان دانشجو با رویکرد جنگل تصادفی، انجام شده است. از روش داده کاوی جهت پیش بینی استفاده شد.جامعه پژوهشی را زنان دانشجوی دانشگاه آزاد شیرازتشکیل دادند. تعداد 150 نفر از دانشجویان زن به روش تصادفی ساده انتخاب و با پرسشنامه DSM-IV, مورد ارزیابی قرار گرفتند. در این فرآیند، الگوریتم جنگل تصادفی برای تولید مدل پیش بینی پیشنهاد شده است. NetBeans IDE ابزاری بود که برای ساخت این پیاده سازی استفاده شد. جاوا زبان برنامه نویسی انتخاب شده برای کدگذاری این نمونه اولیه بود و از کتابخانه WEKA در این پیاده سازی استفاده شد. نتایج نشان داد که دقت پیش بینی با روش جنگل تصادفی بالای 0.9 است که نشان می دهد رویکرد جنگل تصادفی قادر به پیش بینی دقیق اختلال اضطراب فراگیر GAD است. برای ارزیابی ویژگی، رویکرد جنگل تصادفی در پیش بینی دقیق فردی که از GAD رنج نمی برد سازگاری نشان می دهد. نتایج به دست آمده از نمونه اولیه در مقایسه با خط پایه که در ابزار R پیاده سازی شده است، نسبتاً سازگار است. به طور خلاصه، رویکرد جنگل تصادفی عملکرد پیش بینی بالایی تولید می کند و می تواند روابط مهم بین پارامتر پیشنهادی و پارامتر وابسته را استخراج کند.
۱۶.

مدل سازی خطر مکانی پیشروی پهنه های ماسه ای با استفاده از الگوریتم های خبره و هوش مصنوعی(مقاله علمی وزارت علوم)

نویسنده:
منبع: تحلیل فضایی مخاطرات محیطی سال ۱۰ پاییز ۱۴۰۲ شماره ۳ ۸۴-۷۱

کلیدواژه‌ها: تکنیک های داده کاوی شبکه عصبی مصنوعی جنگل تصادفی پهنه های ماسه ای سرخس

حوزه های تخصصی:
تعداد بازدید : ۹۱ تعداد دانلود : ۸۳
شناسایی پهنه های ماسه ای، ابزار مهمی برای برنامه ریزی در راستای توسعه پایدار به شمار می رود. با توجه به شرایط اقلیمی شهرستان سرخس، پارامترهایی مانند خشک سالی، طوفان های گرد و غبار از یک طرف، توسعه اراضی کشاورزی و تبدیل مراتع به دیم زارهای کم بازده از سوی دیگر سبب پیش روی و توسعه این پهنه ها گردیده است. با توجه به هدف پژوهش، عوامل موثر و پویا مانند پوشش گیاهی، خشک سالی و تعداد روزهای گرد و غبار، به عنوان متغیرهای دینامیک و سایر پارامترهای طبیعی منطقه مانند زمین شناسی، شیب، جهت، پستی و بلندی و خاک به عنوان متغیرهای استاتیک ورودی به مدل انتخاب گردیدند. در مدل سازی از الگوریتم های جنگل تصادفی (RF) و شبکه عصبی پرسپترون (MLP) استفاده شد. برای ساخت مدل ها 8 لایه اطلاعاتی به عنوان متغیر پیش گو و متغیر وجود یا عدم وجود پهنه های ماسه ای بعنوان متغیر هدف تعیین گردید. ارزیابی الگوریتم های مدل سازی با استفاده از منحنی ROC انجام گردید. نتایج نشان داد که الگوریتم RF با سطح زیر منحنی بطور میانگین بیش از 90 درصد عملکرد بهتری نسبت به MLP با سطح زیر منحنی میانگین 75 درصد، داشته است. در رتبه بندی متغیرهای بکار رفته در مدل، متغیر پوشش گیاهی در همه دوره ها در رتبه اول قرار گرفت و پس از آن متغیر SPI در سال های 2000 و 2015 و متغیر DSI در سال های 2005 و 2010 در درجه دوم اهمیت قرار داشتند. در متغیرهای استاتیک استفاده شده در مدل، متغیرهای شیب و جهت از اهمیت کمتری نسبت به سایر متغیرها در همه دوره ها برخوردار و در رتبه پایین تری قرار گرفت.
۱۷.

تهیه نقشه نوع محصول کشاورزی از سری زمانی تصاویر لندست-8 با استفاده از روش های یادگیری ماشین (مطالعه موردی: مرودشت استان فارس)(مقاله علمی وزارت علوم)

نویسنده:
منبع: جغرافیا و برنامه ریزی محیطی دوره ۳۵ تابستان ۱۴۰۳ شماره ۲ (پیاپی ۹۴) 45 - 66

کلیدواژه‌ها: هیه نقشه نوع محصول کشاورزی تخمین سطح زیرکشت ماهواره لندست-8 یادگیری ماشین جنگل تصادفی ماشین بردار پشتیبان آنالیز انحراف زمانی پویا سنجش از دور

حوزه های تخصصی:
تعداد بازدید : ۴۴ تعداد دانلود : ۳۱
یکی از اولویت های مهم وزارت جهاد کشاورزی، تهیه نقشه نوع محصول کشاورزی برای تخمین میزان سطح زیرکشت محصولات استراتژیک و برآورد سالیانه میزان تولید آنهاست. در دهه های اخیر، فناوری سنجش از دور به دلیل تهیه تصاویر و داده های به هنگام با تفکیک پذیری های متنوع مکانی، زمانی و طیفی و با بهره گیری از الگوریتم های یادگیری ماشین بهبودیافته در تخمین میزان سطح زیرکشت محصولات کارایی زیادی را نشان داده است. در پژوهش حاضر با استفاده از سری زمانی تصاویر ماهواره لندست-8 و الگوریتم های یادگیری ماشین پیشرفته یک چهارچوب تهیه نقشه نوع محصول کشاورزی مرودشت استان فارس ارائه شد. الگوریتم های به کار گرفته شده شامل الگوریتم درخت تصمیم، جنگل تصادفی، جنگل دورانی، ماشین بردار پشتیبان و آنالیز انحراف زمانی پویا بود. نتایج نشان داد که روش های آنالیز انحراف زمانی پویا و جنگل تصادفی نسبت به روش های دیگر کارایی بسیار بیشتری (با افزایش دقت کلی به میزان 10% تا 12% بیشتر) در تهیه نقشه نوع محصول کشاورزی منطقه مطالعه شده داشتند. همچنین، در این پژوهش قابلیت باندهای 2 تا 5 ماهواره لندست-8 در شناسایی کارا و مطمئن همه محصولات این منطقه با استفاده از روش های مذکور اثبات شد.
۱۸.

مدل سازی بارش روزانه و ماهانه تبریز با استفاده از مدل های یادگیری جمعی و رگرسیون درخت تصمیم(مقاله علمی وزارت علوم)

نویسنده:
منبع: پژوهشهای تغییرات آب و هوایی سال ۵ تابستان ۱۴۰۳ شماره ۲ (پیاپی ۱۸) 31 - 48

کلیدواژه‌ها: بارش جنگل تصادفی درختان اضافی یادگیری جمعی شبکه های عصبی مصنوعی

حوزه های تخصصی:
تعداد بازدید : ۵۶ تعداد دانلود : ۶۲
بارش یکی از مهم ترین مولفه های هیدرولوژی و هواشناسی است که پیش بینی مقادیر آن در زمینه های مختلفی همچون کشاورزی، شرب، صنعت، بهداشت، اقلیم و محیط زیست از اهمیت ویژه ای برخوردار است. با توجه به اینکه وقوع، نوع و میزان بارش به عوامل بسیار زیادی بستگی دارد، مدل سازی و پیش بینی مقدار بارش همواره دارای پیچیدگی ها و چالش های فراوان بوده است. در این پژوهش از داده های پارامترهای هواشناسی ایستگاه همدیدی تبریز شامل دماهای کمینه، بیشینه و میانگین، رطوبت نسبی میانگین، فشار هوای میانگین، سرعت باد بیشینه و بارش در مقیاس های زمانی روزانه و ماهانه در یک دوره 35 ساله (2020-1986) استفاده شد. از روش های یادگیری ماشین و یادگیری جمعی شامل شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)، جنگل تصادفی (RF)، آدابوست (AB)، تقویت گرادیان (GB)، درختان اضافی (ET) و مدل رگرسیون درخت تصمیم (DTR) برای مدل سازی بارش استفاده شد. بدین منظور 70 درصد از داده ها برای آموزش و 30 درصد از داده ها نیز برای آزمون مدل ها در نظر گرفته شدند. برای ارزیای مدل های مورد استفاده، از معیارهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطاها (RMSE)، میانگین خطای مطلق (MAE) و کلینگ گوپتا (KGE) استفاده شد. مطابق نتایج این تحقیق در مقیاس روزانه مدل MLP با 993/0R=، 184/0RMSE= میلی متر، 184/0MAE= میلی متر و 82/0KGE= و مدل ET با 986/0R=، 324/0RMSE= میلی متر، 324/0MAE= میلی متر و 75/0KGE= و در مقیاس ماهانه به ترتیب مدل MLP با 999/0R=، 153/0RMSE= میلی متر، 222/0MAE= میلی متر و 88/0KGE= و مدل ET با 981/0R=، 266/0RMSE= میلی متر، 197/0MAE= میلی متر و 71/0KGE= از بیشترین دقت و کمترین خطا برخوردارند. به طورکلی نتایج این پژوهش نشان دهنده عملکرد بسیار مناسب مدل های یادگیری ماشین و یادگیری جمعی در مدل سازی بارش در هر دو مقیاس زمانی روزانه و ماهانه است.
۱۹.

بررسی پهنه های متاثر از سیل خوزستان در بازه زمانی 16 اسفند 1397 تا 4 اردیبهشت 1398 با استفاده از شاخص های NDVI، NDBaI و NDWI و تحلیل روند تخریب تالاب هورالعظیم از سال 2000 تا 2022 با بهره گیری از مدل جنگل تصادفی (RTC)

نویسنده:
منبع: جغرافیا و روابط انسانی دوره ۷ بهار ۱۴۰۳ شماره ۲۴ 423 - 449

کلیدواژه‌ها: شاخص طیفی سیل دمای سطح زمین جنگل تصادفی تالاب هورالعظیم

حوزه های تخصصی:
تعداد بازدید : ۴۰ تعداد دانلود : ۳۴
پهنه آبی تالاب هورالعظیم یکی از منابع آبی مرزی ایران و عراق است که در سالهای اخیر شاهد وقوع سیل های شدید و کاهش شدید سطح آب بوده و بحران های زیست محیطی را به شکل خشکسالی، نابودی مزارع و طوفان های گرد و غبار تجربه کرده است. در این تحقیق برای بررسی روند تغییرات تالاب هورالعظیم در سال 2000 تا 2023 از الگوریتم جنگل تصادفی استفاده شده و در کنار آن برای بررسی گسترش پهنه های آبی ناشی از سیل فروردین 1398 از شاخص های طیفی NDWI، NDVI و NDBaI در بازه زمانی 7 مارس، 8 آوریل و 24 آوریل 2019 بهره گرفته شد. با کاهش سطح تالاب، دمای 77 درجه سانتیگراد در ماه می 2023 در برخی نقاط شمال شرق تالاب به ثبت رسید. شاخص LST با شاخص NDBaI بیشترین همبستگی مثبت را به میزان 72/0 در 7 مارس 2019 نشان داده و بیشترین همبستگی منفی بین شاخص NDVI و LST به میزان 73/0- در سال 2000 به دست آمد. سطح تالاب هورالعظیم در سال 2000 معادل 256 کیلومتر مربع بوده و این میزان در سال 2023 به 780 کیلومتر مربع افزایش یافت. با این وجود در زمان وقوع سیل فروردین 1398 در بیشترین شدت سیل، سطح آب تالاب به همراه آب خروجی رودخانه کرخه به 3200 کیلومتر مربع افزایش یافته است. در زمان وقوع سیل، پوشش گیاهی کمترین میزان خود را تجربه کرده و بیشترین مساحت که به میزان 11843 کیلومتر مربع اختصاص به زمین های بایر داشته است. نتایج نشان می دهد که مدل جنگل تصادفی با دقت بالایی انواع مختلف کاربری ها را تشخیص داده است.
۲۰.

مدل سازی فضایی توان آب زیرزمینی با استفاده از تلفیق روش آنتروپی بیشینه و روش جنگل تصادفی در محیط سامانه اطلاعات جغرافیایی مطالعه موردی: حوضه آبریز قوریچای اردبیل(مقاله علمی وزارت علوم)

نویسنده:
منبع: هیدروژئومورفولوژی سال ۹ تابستان ۱۴۰۱ شماره ۳۱ 116 - 95

کلیدواژه‌ها: آبهای زیرزمینی جنگل تصادفی پهنه بندی مدل سازی فضایی سامانه اطلاعات جغرافیایی شمالغرب ایران

حوزه های تخصصی:
تعداد بازدید : ۱۶ تعداد دانلود : ۱۶
آب های زیرزمینی از مهم ترین منابع طبیعی در مناطق خشک و نیمه خشک محسوب می شوند. هدف از این پژوهش شناسایی مناطقی است که توان آب زیرزمینی دارند و اولویت بندی عوامل موثر بر آن هست. در این پژوهش 11 شاخص تأثیرگزار بر توان آب زیرزمینی شامل شیب، ارتفاع، جهت شیب، فاصله از آب راه، تراکم زه کشی، فاصله از گسل، شاخص رطوبت پستی و بلندی، موقعیت پستی و بلندی، سنگ شناسی، کاربری زمین و موقعیت شیب نسبی به کاربرده شد. به روش تصادفی30 درصد از مجموع 58 چشمه در گروه داده های اعتبارسنجی و 70 درصد آن در گروه داده های آموزش گذاشته شد. برای اولویت بندی عامل های مؤثر و پهنه بندی توان آب زیرزمینی در آبخیز قوریچای، روش جنگل تصادفی ارتقاء یافته با بیشینه آنتروپی با بهره گیری از سامانه اطلاعات جغرافیایی به کار برده شد و برای ارزیابی مدل منحنی تشخیص عمل کرد نسبی (ROC) و سطح زیر منحنی (AUC )به کاربرده شد. نتیجه نشان داد که توان آب زیرزمینی در حدود هشت درصد حوضه آبخیز، بیش تر در خروجی حوضه است. بر اساس نمودار VIP لایه TWI با مقدار 329/0 و لایه فاصله از رودخانه با مقدار 175/0 به ترتیب بیش ترین و کمترین عامل های تأثیرگزار بر توان آب زیرزمینی با مقادیر بود. سطح زیر منحنی AUC نشان دهنده ی دقت 87 درصدی در مرحله ی آموزش برای شناخت منطقه های دارای توان آب زیرزمینی بود. نتیجه ی این پژوهش می تواند در مدیریت آب زیرزمینی در حوضه آبخیز قوریچای در رابطه با افزایش جمعیت و همچنین گسترش ساخت و ساز انسانی و توسعه کشاورزی منطقه به کار برده شود.