MLP

رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند، یا اینکه به یکی از صور لغزش، غلتیدن، پرش حرکت مینمایند که به آنها بار بستر می گویند. شبکه عصبی مصنوعی روشی است که بر پایه شبیه سازی عملکرد مغز انسان ب رای ح ل م سایل متنوع ارایه و از لایه های نرون ورودی، خروجی و میانی و وزنهای مربوط به مقادیر ورودی و بایاس و تابع تحریک تشکیل شده است. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه گِلِرود است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی ست. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) و شبکه عصبی برپایه تابع شعاعی (RBF) به مدل سازی تخمین رسوب پرداخته شده است.پس از محاسبه شاخص هایRMSE وMAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعیMLP دقت بهتری را نسبت به دو مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخصR2 که برای سه مدل محاسبه شده است دقت تخمین مدل به مقدار 0.409 برای مدلMLP محاسبه شده است، مقدارR2 برای این مدل برابر 0.88 است. پس از مدل شبکه عصبی مصنوعیMLP، مدل شبکه مصنوعیRBF نتایج بهتری ارائه می دهد. در این مدل مقدارR2 برابر است با 0.4 که نشان دهنده دقت تخمین حدود نصف مدلMLP است. و در رتبه سوم نیز مدل رگرسیون خطی چند متغیره با مقدارR2 برابر با 0.3 قرار دارد.مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد دارد بیشترین میزان خطا است.

رشد سریع شهرنشینی و توسعه شهری به ویژه در کشورهای درحال توسعه، به درک الگو و فرایندهای پیچیده رشد شهری با روش علمی و کارآمد نیاز دارد. لازمه ایجاد رشد شهری پایدار و برنامه ریزی توسعه شهری، درک الگوهای صحیح رشد شهری است. کرمانشاه نهمین شهر پرجمعیت کشور و یکی از چهار شهر نخست ایران از نظر حادبودن معضل حاشیه نشینی است. هدف این پژوهش، بررسی پتانسیل توسعه شهری در این شهر است. بدین منظور، شبکه عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ- مارکوات به کار رفت و داده های مؤثر در توسعه شهری به عنوان لایه های ورودی به شبکه تعیین شد. این لایه ها که در سه گروه اجتماعی-اقتصادی، کاربری زمین و بیوفیزیک قرار می گیرند، شامل 16 لایه هستند. در ادامه، پانصد نقطه به عنوان نقاط آموزشی شبکه تهیه و ۱۲ لایه میانی نیز تعیین شدند. مطابق نتایج، با دورشدن از امکانات و مناطق شهری، پتانسیل ها به شدت کاهش پیدا می کنند و بیشتر مناطق دارای پتانسیل توسعه شهری در نزدیک ترین فاصله این امکانات و مناطق شهری قرار دارند. بیشترین مناطق پتانسیل دار توسعه شهری، در جنوب غرب شهر کرمانشاه و در اطراف جاده های اصلی کرمانشاه-اسلام آباد و کرمانشاه-کنگاور واقع است. مناطق شمالی شهر به دلیل ارتفاع و شیب زیاد، پتانسیل اندکی برای توسعه دارند. همچنین ضریب رگرسیون کلی 9۵ درصدی شبکه که حاصل شرکت تمامی داده ها در شبکه است، کارایی زیاد شبکه عصبی پرسپترون چندلایه را در این مطالعه نشان می دهد.

هدف از مطالعات رسوب گذاری در یک سد مخزنی یافتن دیدی کلی درمورد میزان حجم ازدست رفتة مخزن است. در این میان، بررسی و پیش بینی حجم رسوب واردشده به مخزن اهمیت ویژه ای دارد. در این پژوهش، با استفاده از روش آماری ریزمقیاس کردن، بارش و دما در محدودة حوضة آبریز سد ستارخان با مساحت 950 کیلومترمربع، واقع در استان آذربایجان شرقی، در بلند مدت پیش بینی شده اند. با توجه به اطلاعات بارش و دمای پیش بینی شده، به کمک مدل [1]SWAT، رسوب ورودی به سد شبیه سازی شده است. مقایسة نتایج این مدل و مقادیر مشاهداتی نشان می دهد گرچه مدل SWAT با دقت بالای 80% می تواند روند جریان رسوب ورودی به مخزن را شبیه سازی کند، قادر به شبیه سازی مقادیر واقعی رسوب نیست. برای رفع این اختلاف، باید پارامتر فرسایش نیز، برای رسیدن به نتیجة مطلوب، در محاسبات لحاظ شود. بنابراین ابتدا با کمک مدل شبکة عصبی پرسپترون چندلایه (MLP) بارش مورد نظر پیش بینی شده و سپس نقشة کاربری به منظور تعیین میزان تأثیر کاربری و، به تبع آن، فرسایش در محیط GIS تهیه شده است. ترکیب پارامتر کاربری در محیط GIS و بارش پیش بینی شده می تواند خروجی SWAT را به مقدار واقعی نزدیک تر کند. نتایج حاصل نشان می دهد که با یکپارچه سازی و استفاده از مدل های به کاررفته و قابلیت های GIS می توان نتایج و برآورد میزان حجم رسوب را با دقت بالای 95% محاسبه کرد.

حمل و نقل همواره یکی از مهمترین عوامل اثرگذار بر ساختار شهرها بوده است. اما بویژه در یک سده اخیر با گسترش انواع وسایل نقلیه موتوری و تغییرات فزاینده جمعیتی به یکی از اصلی ترین مشکلات شهرنشینی بدل گردیده است. با توجه به حجم مسافرت های درون شهری در شهر کرمانشاه طراحی ایستگاههای اتوبوس به صورت استاندارد، از جمله مواردی است که باعث پهلوگیری مناسب اتوبوس در ایستگاه ها، کاهش زمان پیاده و سوار شدن کاربران و تاثیر منفی کمتر این سیستم بر تردد سایر وسایل نقلیه می شود. در این پژوهش از شبکه عصبی پرسپترون برای پیش بینی بهترین مکان ها برای ایستگاه اتوبوس استفاده است. از جمله ساختارهای مهم شبکه های عصبی، پرسپترون چند لایه Multilayer PerceptTron)) با الگوریتم پس انتشار خطا (error back-propagation ) است که برای انجام پژوهش استفاده شده است. داده های موثر در مکان یابی ایستگاه های اتوبوس شامل ۱۵ لایه: تراکم جمعیت، فاصله از بیمارستان، فاصله از پارکینگ، فاصله از درمانگاه و کلینیک، فاصله از مراکز تجاری-اداری، فاصله از ترمینال، فاصله از رود خانه، فاصله از مراکز آموزشی، فاصله از مراکز نظامی، فاصله از مراکز مذهبی، فاصله از مراکز ورزشی، فاصله از فضای سبز، فاصله از معابر شهری، فاصله از مراکز صنعتی، فاصله از مراکز گردشگری می باشند. در ادامه ۵۰۰ لایه به عنوان نقاط آموزشی شبکه تهیه و تعداد ۱۰ لایه میانی نیز تعیین شد. سپس با اجرای شبکه پهنه های مستعد جهت احداث ایستگاه بدست آمدند. در نهایت با مشخص معابر موجود در پهنه های مستعد، معابر مستعد جهت احداث ایستگاه مشخص گردیدند. هم چنین مشاهده شد که معابر مستعد در نزدیکی نقاط پرتراکم جمعیتی، مرکز شهر، مراکز فرهنگی و تجاری قرار دارند.

در این پژوهش، برای اولین بار در ایران، تابش کل خورشیدی (GSR) با به کارگیری داده های ساعتی رطوبت خاک و بدون استفاده از داده های ساعت آفتابی و مقدار ابرناکی برآورد شد. بدین منظور، از هشت متغیر روزانه شامل میانگین دمای هوا، بیشینه دما، کمینه دما ، فشار هوا، رطوبت نسبی هوا، بارندگی، دمای میانگین خاک، و رطوبت خاک در کنار تابش کل روزانه در ایستگاه تحقیقاتی هواشناسی دانشگاه بوعلی سینا در یک دوره 435روزه (ثبت شده توسط واقعه نگاشت GEONICA) و مدل های رگرسیون خطی، سیستم استنتاج عصبی- فازی تطبیفی (ANFIS)، شبکه عصبی پرسپترون چندلایه (MLP)، و شبکه عصبی رگرسیون تعمیم یافته (GRNN) استفاده شد. نمونه های ورودی- هدف به دو صورت تصادفی و غیرتصادفی وارد مدل ها شد که نتایج گواه بر دقت بهتر مدل ها در نمونه های تصادفی شده تحت شرایط استفاده از کل متغیرها به عنوان ورودی بود. بررسی ها حاکی از برتری مدل MLP با 04/3RMSE= مگاژول بر متر مربع در روز و %33/86=R2 بود. افزون براین، به کارگیری کمترین متغیرهای هواشناسی شامل سه متغیر دمای میانگین هوا، رطوبت نسبی هوا، و دمای خاک در مدل GRNN توانست با 45/3RMSE= مگاژول بر مترمربع در روز و %52/82R2= عملکرد بسیار مطلوبی در تخمین GSR ارائه دهد. رگرسیون خطی چند متغیره نیز فقط توانست یافتن ورودی ها را تسهیل کند.

رشد جمعیت شهرنشین با افزایش فضاهای شهری و به طورکلی، با رشد اندازه شهرها همراه بوده است. این امر به صورت ساخت وساز بیشتر و تغییر اراضی موجود به نفع فضاهای ساخته شده بروز می یابد. موقعیت خاص شهر ارومیه در مجاورت دریاچه ارومیه و شرایط نامساعد این دریاچه لزوم توجه به برنامه ریزی صحیح کاربری اراضی را، در این شهر، ناگزیر می کند. یکی از ابزارهای مورد نیاز برای برنامه ریزی مناسب، در این زمینه، بهره گیری از تکنیک های سنجش از دور است. پژوهش حاضر با هدف ارزیابی این تغییرات (دوره 2015-1989) و پیش بینی روند آتی آن صورت گرفته است. از روش های SVM و شبکه عصبی برای ارزیابی تغییرات در پنج کلاس استفاده شده است. ضریب تعیین (0.73) و منحنی راک (82.55%) نیز بیانگر دقت بالای مدل شبکه عصبی برای پیش بینی تغییرات گسترش شهری اند. با توجه به دقت بالای این مدل، که می تواند نتایج واقعی تری ارائه دهد، از نتایج این نوع طبقه بندی در پیش بینی تغییرات برای افق 2045 استفاده شده است. اراضی ساخته شده در سال 1989 برابر با 7469.1 هکتار بوده که در سال 2002 و 2015، به ترتیب، به 9217.3 و 9436.9 هکتار رسیده است. در سال 2045، براساس مدل پیش بینی شبکه عصبی، برابر با 22449.6 هکتار خواهد بود که 13012.7 هکتار افزایش را در اراضی ساخته شده نشان می دهد. نتایج حاصل گویای این است که تمامی این ساخت وسازها برمبنای نیاز واقعی شهر نبوده و پدیده اسپرال (گستردگی شهری) اتفاق افتاده است.

رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه ونایی است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی است. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه ( MLP ) به تخمین بار رسوب پرداخته شد. پس از محاسبه شاخص های RMSE و MAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعی MLP دقت بهتری را نسبت به مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص R2 که برای دومدل محاسبه شده است دقت تخمین مدل به مقدار90.47 برای مدل MLP محاسبه شده است، مقدار R2 برای این مدل برابر 0.89 است. پس از مدل شبکه عصبی مصنوعی MLP . مدل رگرسیون خطی چند متغیره با مقدار R2 برابر با 0.353 قرار دارد. و این نشان دهنده ی دقت سه برابری مدل MLP نسبت به مدل رگرسیون می باشد مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد بیشترین میزان خطا را دارد.

رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه ونایی است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی است. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) به تخمین بار رسوب پرداخته شد. پس از محاسبه شاخص های RMSE و MAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعی MLP دقت بهتری را نسبت به مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص R2 که برای دومدل محاسبه شده است دقت تخمین مدل به مقدار90.47 برای مدل MLP محاسبه شده است، مقدار R2 برای این مدل برابر 0.89 است. پس از مدل شبکه عصبی مصنوعی MLP. مدل رگرسیون خطی چند متغیره با مقدار R2 برابر با 0.353 قرار دارد. و این نشان دهنده ی دقت سه برابری مدل MLPنسبت به مدل رگرسیون می باشد مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد بیشترین میزان خطا را دارد.