الگوریتم درخت تصمیم گیری

زمین بستر تمامی فعالیت های انسان و یکی از نهاد های اثربخش در نظام های تولید و دستیابی به پایداری توسعه به شمار می رود. از سوی دیگر با بروز تحولات اجتماعی و اقتصادی در جوامع انسانی و بهره برداری نامتعارف از منابع، شرایط ناپایداری زمین تشدید می یابد. سنجش تحولات بهره برداری از زمین با موضوعاتی همچون نظام کاربری زمین و پوشش اراضی و الگوهای پایش همراه است. الگوهای کاربری زمین و پوشش اراضی، با فراهم سازی پایش و شناخت روند تحولات نظام بهره برداری از طریق بکارگیری فنون سنجش از دور، امکان اصلاح و تغییر سیاست گذاری، مدیریت مطلوب و آینده نگاری منابع محیطی را تسهیل می نماید. هدف این پژوهش، پایش تحولات نظام LULC در زیرحوضه آبریز کوهپایه-سگزی با بهره گیری از تصاویر ماهواره ای در دوره زمانی 2000 الی 2023 میلادی (1379-1402 خورشیدی) و به روزرسانی اطلاعات مکانی است. نتایج ارزیابی نقشه های نظام کاربری و پوشش اراضی با بهره گیری از الگوریتم درخت تصمیم گیری نشانگر افزایش وسعت بیش از 97 درصد اراضی ساخته شده، 173 درصد اراضی مرتع، 230 درصد عرصه های آبی، 72 درصد اراضی کشاورزی و کاهش وسعت بیش از 14 درصد از اراضی بایر است. البته 913 هکتار از اراضی بایر، 244 هکتار از اراضی مرتع، 44 هکتار از اراضی کشاورزی و 155/0 هکتار از عرصه های آبی به اراضی ساخته شده تغییر یافته است. پایداری منابع محیطی به ویژه کاهش روند تغییر کاربری و پوشش اراضی و تثبیت نظام بهره برداری مستلزم اعمال مدیریت مطلوب از منابع با بکارگیری الگوهای حفاظت از زمین با مشارکت و توانمند سازی جوامع محلی روستایی است.

هدف این پژوهش، مقایسه رویکرد الگوریتم های یادگیری ماشین در پیش بینی هزینه های نگهداشت راهبردهای معاملاتی است. این تحقیق از نظر هدف کاربردی و روش جمع آوری داده ها، در دسته تحقیقات غیرآزمایشی قرار می گیرد و روابط بین متغیرها را بررسی و توصیف می کند و در نهایت، یک مدل ارائه می دهد که با استفاده از روش استقرایی قابل تعمیم به کل جامعه آماری خواهد بود. در این تحقیق، برای جمع آوری داده ها و اطلاعات، از روش کتابخانه ای استفاده شده است و با مراجعه به صورت های مالی، یادداشت های توضیحی و ماهنامه بورس اوراق بهادار، داده های شرکت های نمونه جمع آوری شده است. با استفاده از روش حذف سیستماتیک، 150 شرکت به عنوان نمونه آماری انتخاب شده است. برای توصیف و خلاصه داده های جمع آوری شده، از آمار توصیفی و استنباطی استفاده شده است. همچنین، برای تحلیل داده ها از روش های غیرخطی مانند درخت تصمیم گیری و شبکه های عصبی استفاده و برای تایید یا رد فرضیه های تحقیق، از نرم افزارهای Excel 2016، Weka 9 و Matlab 2019 استفاده شده است. نتایج نشان می دهند که الگوریتم های یادگیری ماشین مانند درخت تصمیم گیری و شبکه های عصبی، توانایی بالایی در پیش بینی هزینه های نگهداشت راهبردهای معاملاتی دارند. همچنین، توانایی این الگوریتم ها از لحاظ آماری برابر است و تفاوت معنی داری بین آن ها مشاهده نشده است