شبکه عصبی پرسپترون چند لایه

برآورد رواناب در یک حوضه آبریز اهمیت زیادی در مدیریت منابع آب حوضه دارد. با وجود مدل های فیزیکی و آماری که هر کدام برخی از پارامترهای حوضه را به منظور برآورد رواناب را در بر می گیرند، استفاده از شبکه های عصبی به عنوان یک مدل جعبه سیاه نیز یکی از روش های مناسب محسوب می شود. هدف این تحقیق استفاده از شبکه عصبی پرسپترون چند لایه به منظور برآورد میزان رواناب روزانه از روی بارندگی روزانه حوضه آبریز پلاسجان است. ابتدا سری های بارندگی روزانه سه ایستگاه واقع در منطقه و سری روزانه دبی ایستگاه پلاسجان به سری نرمال تبدیل و با توجه به خود همبستگی و همبستگی عرضی بارندگی و رواناب، شش متغیر به عنوان ورودی به شبکه انتخاب شد. در پایان مشخص شد شبکه عصبی پرسپترون با چهار لایه مخفی اعتبار بیشتری در برآورد رواناب نسبت به سایر شبکه ها دارد.

در چند دهه اخیر سرعت لجام گسیخته شهرنشینی و متقابلاً گسترش کالبدی شهرها و دست اندازی آن ها به زمین های مستعد کشاورزی حومه شهری تخریب های غیر قابل جبرانی بر محیط زیست داشته است. ضرورت مدل سازی و مهار این گسترش های خارج از برنامه، محققین زیادی را از حوزه های مختلف بر آن داشته است تا جهت جلوگیری از چنین گسترش هایی، مدل های پایش و پیش بینی مختلفی را ارائه دهند. هدف از پژوهش حاضر، مدلسازی رشد شهری شهر بجنورد بر اساس تلفیق طبقه بندی شبکه عصبی مصنوعی پرسپترون چند لایه و مدل زنجیره مارکوف با استفاده از مدلساز تغییرات زمین بوده است. از تصاویر لندست 5 مربوط به سال 1384 و لندست 8 مربوط به سال 1392 جهت تهیه نقشه کاربری اراضی به روش شبکه عصبی پرسپترون چند لایه استفاده گردید و با اعمال متغیرهای فاصله از جاده، شیب و متغیر های کیفی مدلسازی رشد شهری برای سال 1410 انجام گرفت. نتایج مدلسازی پتانسیل تبدیل در همه زیر مدل ها صحت بالای 2/95 درصد را نشان داد. اعتبار سنجی مدل با محاسبه ضرایب کاپا (ضرایب کاپای بالای 86 درصد) بیانگر اعتبار مدل می باشند. نتایج بدست آمده از بررسی تغییرات و پیش بینی کاربری اراضی نیز، گویای رشد توسعه مناطق شهری و متقابلاً کاهش کلاس های دیگر کاربری اراضی بوده و با توجه به نتایج حاصل این روند در آینده نیز ادامه خواهد داشت. اراضی شهری از 38/1529 هکتار در سال 1384 به 1837 هکتار در سال 1392 افزایش یافته است. این روند صعودی در آینده نیز ادامه خواهد داشت و طبق نتایج بدست آمده به 31/2856 هکتار می رسد.

در کشور های در حال توسعه، تمایل زیاد برای تمرکز جمعیت در مناطق شهری و به تبع آن رشد سریع و ناموزون شهر ها سبب شده است که طراحان و برنامه ریزان شهری، استفاده از سیاست ها و راهکار های مناسب را جهت اجتناب از تأثیرات مخرب زیست محیطی و اجتماعی- اقتصادی در دستور کار قرار دهند. در این راستا، اطلاعات مکانی و زمانی مرتبط با الگوهای نرخ رشد، درک بهتری را از فرآیند رشد شهری فراهم نموده و ابزار های مناسب را جهت اخذ سیاست های مدیریتی و برنامه ریزی در اختیار مدیران شهری  قرار می دهند. لذا هدف اصلی این پژوهش، محاسبه احتمال تغییر رشد شهر مشهد با استفاده از روش های رگرسیون لجستیک و شبکه عصبی مصنوعی می باشد. برای این منظور، جهت تهیه نقشه کاربری اراضی، از تصاویر ماهواره ای لندست 7 (سال 2002) و لندست 8 (سال 2015) استفاده شد. سپس با استفاده از شبکه عصبی مصنوعی پرسپترون چند لایه (MLP)، طبقه بندی تصاویر انجام شد و نقشه های کاربری اراضی شهری با دقت کلی 948/0 و شاخص کاپای 936/0 برای سال 2002 و همچنین دقت کلی 817/0 و شاخص کاپای  775/0 برای سال 2015 استخراج شدند. در نهایت، با اجرای رگرسیون لجستیک بین نقشه کاربری اراضی شهری سال 2015 (به عنوان متغیر وابسته) و فاکتور های مؤثر از جمله عوامل فیزیکی و عوامل انسانی به همراه نقشه اراضی سال 2002 (به عنوان متغیر های مستقل)، نقشه پتانسیلی پیشرفت اراضی شهری تهیه شد. ارزیابی مدل رگرسیونی ایجاد شده با استفاده از دو شاخص Pseudo-R² و ROC نشان داد که این مدل با مقدار ROC معادل 87/0 و مقدار Pseudo-R² برابر 345/0 دارای قابلیت بالایی جهت نمایش تغییرات و تعیین مناطق مستعد تغییر می باشد و می توان برازش مدل را نسبتاً خوب در نظر گرفت.

پیش بینی دقیق مدیریت سود بمنظورکشف وشناسایی دستکاری صورت های مالی، همواره یکی از اساسی ترین چالش های پیش روی کاربران گزارش های مالی بوده است. بکارگیری مدل بنیش می تواند یکی از مدل های مناسب برای مدلسازی در زمینه پیش بینی مدیریت سود باشد. به همین منظور در این پژوهش مدل بنیش (1999) با ترکیب متغیر های نظام راهبری شرکتی مشتمل بر ویژگی های ساختار کمیته حسابرسی و حسابرس مستقل، هیات مدیره و مالکیت شرکتی توسعه یافته است. داده های 81 شرکت پذیرفته شده در بورس اوراق بهادار تهران طی سال های 1397-1391 با روش ترکیبی شبکه عصبی پرسپترون چند لایه و الگوریتم های بهینه سازی مبتنی برجغرافیای زیستی، رقابت استعماری و چرخه آب مورد تحلیل قرار گرفته است. دقت پیش بینی مدل با روش ترکیبی شبکه و الگوریتم های چرخه آب، رقابت استعماری و بهینه سازی مبتنی بر جغرافیای زیستی به ترتیب از 59/08 ،59/96 و 59/79 درصد به 92/06 ، 89/24 و 79/72 درصد افزایش پیدا کرده است. نتایج حاکی از بهبود دقت مدل پیشنهادی در کشف شرکت های مدیریت کننده سود و نیز کارایی بالاتر الگوریتم چرخه آب نسبت به دو الگوریتم دیگر در بهینه سازی شبکه عصبی پرسپترون چند لایه می باشد.

از جمله عوامل مهم در برنامه ریزی و مدیریت شهری، به ویژه در راستای نیل به توسعه ی پایدار در نواحی شهری و استفاده بهینه از سرزمین، اطلاع بهنگام از وضعیّت پوشش اراضی برای این مناطق است. داده های سنجش از دور به جهت ارائه ی اطلاعات به هنگام و رقومی، تنوع اشکال و امکان پردازش پتانسیل بالایی برای تهیه ی نقشه های به روز کاربری اراضی شهری دارند. در این تحقیق با استفاده از تصویر ماهواره ای Landsat/ETM + و دو الگوریتم طبقه بندی نظارت شده شامل حداکثر احتمال و شبکه عصبی مصنوعی، نقشه کاربری اراضی تهیه و با یکدیگر مقایسه گردید. در طبقه بندی با استفاده از الگوریتم شبکه عصبی از یک شبکه پرسپترون با یک لایه پنهان و 7 نرون ورودی، 9 نرون میانی و 4 نرون خروجی استفاده شده است که تعداد نرون های ورودی همان تعداد باندهای تصویر ماهواره ای لندست و تعداد نرون های خروجی همان تعداد کلاس های نقشه کاربری اراضی می باشد. در نهایت نقشه پوشش اراضی منطقه به چهار طبقه ی مناطق مسکونی، اراضی بایر، پوشش گیاهی و جادّه طبقه بندی شد. برای ارزیابی صحّت نتایج طبقه بندی، برداشت های زمینی با استفاده از GPS انجام گرفت. نتایج حاصل از ارزیابی دقت این دو روش با استفاده از صحت کلی و ضریب کاپا نشان داده است که الگوریتم شبکه عصبی پرسپترون با دقت کلی 24/98 و ضریب کاپای 9703/0 نسبت به الگوریتم حداکثر احتمال با دقت کلی 23/94 و ضریب کاپای 9034/0 از دقت بیش تری برخوردار است. همچنین در این تحقیق ارزیابی شد که روش طبقه بندی شبکه ی عصبی پرسپترون چند لایه، نسبت به روش حداکثر احتمال، از توان تفکیک و قابلیت بیش تری برای تهیه ی نقشه پوشش اراضی در مناطق شهری برخوردار می باشد.