SVM

در طبقه بندی تصاویر، از اطلاعات بافت و واریانس استفاده شده؛ ولی اطلاعات قابل استخراج از واریوگرام کمتر به کار رفته و به تغییرات زمانی واریوگرام کمتر توجه شده است. در این تحقیق، برای تهیة نقشة کاربری و پوشش اراضی منطقة دهگلان واقع در استان کردستان، از تصاویر چند زمانة SPOT و ASTER استفاده شده است. مجموعه ای از شاخص های استخراج شده از واریوگرام معرفی، و پاره ای شاخص جدید استخراج شده و روش SVM برای طبقه بندی به کار رفته است. به طور کلی، این تحقیق در دو مرحله انجام شده است: 1- طبقه بندی باندهای طیفی؛ 2- طبقه بندی باندهای طیفی به همراه پارامترهای استخراج شده از واریوگرام. پس از ارزیابی دقت و مقایسة آن ها، شاخص های مناسب معرفی شده است. بعضی از شاخص ها باعث افزایش دقت اکثر کلاس ها می شوند و برخی از آن ها هم در بعضی کلاس ها بی تأثیرند که این ها را می توان شاخص های عمومی قلمداد کرد. برخی از شاخص ها نیز باعث افزایش دقت برخی کلاس ها و کاهش دقت برخی دیگر از آن ها می شوند که به آن ها شاخص های تخصصی می گویند. بررسی ها نشان می دهد هنگام استفاده از شاخص های استخراج شده از واریوگرام، دقت کلی حدود4 درصد و دقت در برخی از کلاس ها بیش از 9 درصد افزایش می یابد و دقت کلی از 88/98 درصد به 744/92 می رسد.

تهیه نقشه کاربری و پوشش اراضی برای برنامه ریزی و مدیریت منابع طبیعی امری ضروری می باشد. در این بین استفاده از داده های سنجش از دور با توجه به ارائه اطلاعات به روز، پوشش تکراری، کم هزینه بودن در ارزیابی منابع طبیعی جایگاه خاصی دارد. لذا در این پژوهش، تصاویر لندست 8 به عنوان داده ورودی برای تهیه نقشه کاربری اراضی در سطح 2و1 مورد استفاده قرار گرفت. در این بین، با توجه به جدید بودن این تصاویر، تصحیحات رادیومتریک با استفاده از روابط موجود در محیط مدل از نرم فزار Erdas فرمول نویسی شد. هم چنین از شاخص های گیاهی NDVI، خاک بایر (BI) و سه مولفه اصلی آنالیز مولفه های اصلی (PCA) به عنوان ورودی در کنار دیگر باندها ب رای افزایش دقت طبقه ب ندی مورد استفاده قرار گرفت. از طرفی توابع کرنل ها و رتبه های چندجمله ای روش ماشین بردار پشتیبان (SVM) مورد ارزیابی قرار گرفت و بهترین نتیجه این روش با روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفت. نتایج نشان داد که دقت روش ماشین بردار پشتیبان 92٪ با ضریب کاپا 91/0 و روش شبکه عصبی 89٪ با ضریب کاپا 87/0 می باشد هم چنین جایی که کلاس ها رفتار طیفی مشابهی را از خود نشان می دهند روش SVM کارایی بهتری از خود نشان می دهد.

تهیة اطلاعات دقیق و به روز از منابع جنگلی یکی از عوامل اساسی در مطالعه و مدیریت پایدار این منابع است و این اطلاعات را می توان به آسانی و با صرف هزینه و زمان کمتر، از راه طبقه بندی داده های دورسنجی تهیه کرد. در این مطالعه به منظور ارزیابی عملکرد الگوریتم های ماشین بردار پشتیبان و حداکثر احتمال در تهیه نقشه کاربردی اراضی جنگل های رودخانه ای، از داده های ماهواره لندست 8 استفاده شد. برای این کار، پنجره ای از تصاویر چندطیفی سنجندة OLI جنگل های رودخانة مارون بهبهان، در استان خوزستان، انتخاب شد. پس از عملیات پیش پردازش، شامل رفع خطای رادیومتریک و تصحیح اتمسفریک، طبقه بندی تصاویر به روش نظارت شده و با استفاده از الگوریتم های حداکثر احتمال و ماشین بردار پشتیبان و با هفت کلاس کاربری جنگل، مرتع، کشاورزی، آیش، رودخانه، مسکونی و جاده، و همچنین سه کلاس کاربری جنگل، رودخانه و دیگر مناطق، روی مجموعة باندهای اصلی صورت پذیرفت. برای ارزیابی عملکرد الگوریتم ماشین بردار پشتیبان، از سه گروه نمونة تعلیمی با تعداد 241، 141 و 41 نمونه و همچنین از چهار هستةخطی، چندجمله ای، شعاعی و حلقوی استفاده شد. نتایج حاصل نشان داد که تهیة نقشة طبقه بندی جنگل های رودخانه ای مارون و تفکیک کاربری ها با استفاده از تصاویر سنجندة OLI امکان پذیر است و بهترین نتیجه مربوط به طبقه بندی، با استفاده از الگوریتم - PolynomialSVM در باندهای اصلی سنجندة OLI و با سه کلاس کاربری و صحت کلی 24/99 و ضریب کاپای 97/0 است. همچنین مشخص شد که با کاهش تعداد کلاس ها از هفت به سه، کاربری صحت طبقه بندی افزایش می یابد ولی با کاهش تعداد نمونه ها تا حد میانگین، تغییر محسوسی در کیفیت طبقه بندی رخ نمی دهد و در صورت کاهش زیاد تعداد نمونه ها، از صحت طبقه بندی نیز کاسته می شود.

ایران یکی از کشورهای خشک و نیمه خشک به شمار می رود که به خشکسالی دچار است. کمبود اطلاعات هواشناسی طولانی مدت در پهنه وسیعی از کشور یکی از بزرگ ترین مشکلات برای مشاهده و پیش بینی کوتاه مدت خشکسالی در ایران است. در این مقاله، با به کار بردن روش ماشین بردار پشتیبان (SVM) و با استفاده از داده های 42 ایستگاه سینوپتیک منتخب در ایران، عملکرد شاخص های پوشش گیاهی طیفی پهن باند NDVI، NDVI-DEV، VCI و TCI در پیش بینی خشکسالی بررسی شد. بدین منظور، از شاخص خشکسالی (SPI) برای بیان خشکسالی استفاده شد که نشان دهنده شدت و دوره خشکسالی، از سال 1985 تا 2008 است. شاخص های پوشش گیاهی یادشده از تصاویر سنجنده NOAA-AVHRR محاسبه و استخراج شدند. این شاخص ها، به صورت ورودی، به مدل SVM وارد شدند و مقادیر SPI را به دست دادند. با این روش، شاخص های TCI و NDVI، به ترتیب، دارای بالاترین و پایین ترین همبستگی با شرایط خشکسالی شناخته شدند

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.

در این مقاله، به منظور رفع برخی محدودیت های شناسایی ساختمان در تصاویر چندطیفی، از داده SAR به منزله داده مکمل استفاده می شود. در روش پیشنهادی، برای استفاده هم زمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنی بر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح می شود. همچنین، ازآن جاکه انتخاب ویژگی نقش بسزایی در شناسایی و طبقه بندی عوارض دارد، اغلب روش های مرسوم و رایج در این زمینه، مانند الگوریتم ژنتیک، نیازمند داده های آموزشی اند؛ اما دردسترس نبودن همیشگی این نوع داده های آموزشی یکی از دغدغه های مهم محققان به شمار می آید. پس در این تحقیق، دو روش انتخاب ویژگی فیلترمبنا بررسی می شود تا مشخص شود آیا روش های یادشده می توانند، در مواقع لازم (نبودِ داده آموزشی)، جایگزین الگوریتم ژنتیک شوند؟ بنابراین، در پژوهش حاضر، ابتدا بردار ویژگی بهینه از تصویر چندطیفی و SAR، با سه روش MNF وPCA  و ژنتیک، تعیین و هریک جداگانه وارد هر دو طبقه بندی کننده شبکه عصبی و SVM می شود. سپس به منظور رفع مشکلاتی، همچون تشابه طیفی پشت بام ها با پوشش آسفالت خیابان ها، در تصاویر چندطیفی و بهبود نتایج، دو تصویر چندطیفی و SAR در سطح ویژگی تلفیق می شود. در نهایت و در مرحله بعدی، بهترین تصاویر طبقه بندی شده با شبکه عصبی و SVM، در تمامی بررسی های صورت گرفته تا به این مرحله، وارد تلفیق در سطح تصمیم گیری می شوند. نحوه تلفیق در سطح تصمیم گیری بدین صورت است که اطلاعات همسایگی هر پیکسل در قالب پنجره مکانی متحرک در ابعاد متفاوت، با هدف تصمیم گیری درمورد ماهیت هر پیکسل، استفاده می شود. بنابراین، نتایج حاصل شده در این تحقیق، با صحت کلی و دقت شناسایی ساختمان، به ترتیب 92.82% و 80.14% بیانگر عملکرد مناسب این روش است.

هدف این مطالعه ارزیابی کارایی دو مدل داده کاوی شبکه عصبی مصنوعی و الگوریتم ماشین پشتیبان بردار در سه حالت استفاده از شاخص های مورفومتریک شامل شاخص خیسی توپوگرافی، شاخص موقعیت توپوگرافی، شاخص توان آبراهه، شاخص طول شیب، شاخص ناهمواری زمین، شاخص تعادل جرم، شاخص انحنای پروفیل و شاخص انحنای سطح ؛ استفاده از عوامل محیطی و انسانی شامل بارندگی، ارتفاع حوضه، درجه شیب ، جهت شیب، لیتولوژی، کاربری اراضی، شاخص تفاضل نرمال شده پوشش گیاهی ( NDVI )، فاصله از آبراهه، فاصله از جاده و فاصله از گسل؛ و ترکیبی از دو حالت فوق، در پهنه بندی حساسیت زمین لغزش های حوضه آبخیز چریک آباد ارومیه است. برای این منظور با استفاده از بازدیدهای میدانی و تصاویر گوگل ارث، تعداد 92 نقطه لغزشی در حوضه شناسایی شدند. نقشه شاخص های مورفومتریک و عوامل محیطی و انسانی در SAGA_GIS6.4 و ArcGIS10.5 تهیه و رقومی شدند. نتایج ارزیابی دو مدل با استفاده از منحنی ROC نشان داد که در حالت استفاده از شاخص های مورفومتریک دو مدل SVM و ANN به ترتیب با سطح زیر منحنی 742/0 و 763/0 دارای عملکرد خوب در پهنه بندی حساسیت زمین لغزش ها بوده اند. در حالت استفاده از عوامل انسانی و محیطی، دو مدل فوق به ترتیب با سطح زیر منحنی 876/0 و 929/0 دارای عملکرد خوب و خیلی خوب؛ و در حالت استفاده از هر دو عوامل انسانی و محیطی به همراه شاخص های مورفومتریک، دو مدل با سطح زیر منحنی 940/0 و 936/0 دارای عملکرد تقریباً یکسان با رتبه عالی در پهنه بندی مناطق حساس بوده اند. بالاترین مقدار مجموع کیفیت (Qs) و نسبت تراکمی ( Dr ) بیشترین همبستگی بین رده های خطر برای مدل SVM در حالت سوم بوده است. نتایج حاصل از شاخص کاپا در حالت برتر نشان داد که به ترتیب عوامل لیتولوژی، LS و ارتفاع حوضه بیشترین تأثیر را بر وقوع زمین لغزش ها داشته اند؛ بنابراین تأثیر عوامل طبیعی نسبت به عوامل انسانی و در حالت کلی شاخص های مورفومتری در مقایسه با عوامل محیطی و انسانی در وقوع لغزش ها بیشتر بوده و حوضه ذاتاً حساس به وقوع لغزش است.

بحث تبیین حریم یا جانمایی صحیح محدوده عرصه یکی از عوامل مهم حفاظتی محوطه های باستانی و از مباحث مهم در حوزه میراث فرهنگی است، اما به دلیل اینکه این محدوده ها به صورت صحیح و با مختصات واقعی جانمایی نشده اند، دخل و تصرف های گسترده ای به محدوده های مبهم آنها در سال های گذشته صورت گرفته است. در این راستا، این پژوهش با استفاده از امکانات و ابزارهای سنجش ازدور و فتوگرامتری به ارزیابی تغییرات محدوده عرصه تپه باستانی هگمتانه در دوره های مختلف اقدام کرده است. با استفاده از تصاویر هوایی، نقشه تغییرات و روند تغییرات تپه باستانی هگمتانه تولید و مشخص شد که به راحتی می توان اطلاعات سال های بسیار دور را بار دیگر بازخوانی و با دقتی بالا مطالعه کرد. در این خصوص، تصاویر سال های ۱۳۱۴، ۱۳۳۵، ۱۳۵۱، ۱۳۷۷ و ۱۳۸۱ با ضریب دقت بالا (به ترتیب ۸۵، ۸۹، ۸۲، ۸۰ و ۵۸ درصد) ارزیابی شد. نتایج نشان می دهد، استفاده از تصاویر ماهواره ای به تنهایی نمی تواند پاسخ گوی توسعه تحقیقات مربوط به میراث فرهنگی و ابنیه تاریخی باشد و دلیل آن هم قدرت تفکیک زمانی پایین آن است. همان طور که در این پژوهش مشخص شد، یک بازه ۸۴ ساله مطالعه شد که نشان دهنده قدرت تصاویر هوایی در مطالعات باستان شناسی است. از سویی دیگر توان تفکیک بالای تصاویر هوایی کار را به منظور نقشه برداری محدوده عرصه هگمتانه در سال های مختلف بسیار آسان کرده است.

فرونشست یک مخاطره محیطی که سبب ریزش و پایین رفتن سطح زمین می شود و در بازه زمانی طولانی نشست زمین را به همراه دارد؛ توسعه آن در کشورهای جهان سوم از جمله ایران به دلیل استفاده بی حد و حصر از منابع آب زیرزمینی در زمینه فعالیت های کشاورزی رو به افزایش است دشت نورآباد یکی از دشت های مهم استان فارس از لحاظ توسعه ی کشاورزی به شمار می آید که در چند سال اخیر با پدیده ی فرونشست زمین در اثر برداشت ی رویه از منابع آب زیرزمینی روبرو بوده است. الگو کشت نقش موثری در میزان فرونشست زمین دارد در این پژوهش به بررسی نوع کشت در میزان فرونشست حوضه آبریز نورآباد از روش های تداخل سنجی راداری، ماشین بردار پشتیبان و رگرسیون فضایی استفاده گردید. نتایج حاصل از تحلیل داده ها نشان داد که بیشترین میزان فرونشست زمین در مناطقی که به کشت گونه های برنج اختصاص یافته به حداکثر میزان حدود 10سانتیمتر در سال رسیده است. نتایج حاصل از الگو کشت و ارتباط آن با فرونشست زمین نشان ازوجود همبستگی مثبت ضریبR2 برابر90/0 و کمترین میزان خطا حدود 0.001 را به خود اختصاص داده است.

آب های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه ی آنها، لازم است پیش بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. از تبدیل موجک و روش خوشه بندی به ترتیب برای پیش پردازش زمانی و مکانی استفاده گردید. روش مدل سازی مورد استفاده در این تحقیق، ماشین بردار پشتیبان و شبکه عصبی مصنوعی برای پیش بینی یک ماه آینده می باشد. در ابتدا پیزومترهای موجود با روش خوشه بندی نقشه خود سازمانده کلاس بندی شده و برای پیزومترهای مرکزی هر کلاس دو مدل فوق به صورت تکی و در ترکیب با تبدیل موجک به کار رفت. نتایج حاصله ضریب تبیین متوسط 94/0 برای آموزش و 89/0 برای صحت سنجی را در مرحله ی مدل سازی با ماشین بردار پشتیبان نشان داد. استفاده از تبدیل موجک باعث افزایش 5/3 درصدی دقت مدل گردید. در ضمن مدل سازی از طریق شبکه عصبی مصنوعی نیز با ضریب تبیین متوسط 94/0 برای آموزش و 88/0 برای صحت سنجی از دقت بالایی برخوردار بوده و استفاده از تبدیل موجک باعث افزایش 5 درصدی دقت مدل شد.

در این تحقیق با استفاده از تکنیک های سنجش از دور و سیستم های اطلاعات جغرافیایی GIS، تغییرات سطح آب دریاچه زریوار ارزیابی شده است. برای ارزیابی این تغییرات تصاویر ماهواره لندست 5 و 8 برای سال های 1993، 2010 و 2023 دانلود گردیده و سطح آب دریاچه با دو روش ماشین بردار پشتیبانی SVM و حداکثر احتمال MLC تخمین زده شده است. علاوه بر این از شاخص های طیفی جدید آب (NWI) و شاخص نسبت آب (WRI) نیز استفاده گردید. نتایج نشان داد که شاخص های طیفی فوق به نتایج مشابهی دست یافتند. به طوری که پهنه دریاچه برای سال 2023 برای شاخص NWI و WRI به ترتیب معادل 0/26 و0/06 کیلومتر مربع براورد گردید. در حالیکه در سال 1993 این مقادیر به ترتیب معادل8/21 و 8/2 کیلومتر بوده و این امر افزایش جزئی را نشان می دهد. مقادیر براورد شده برای الگوریتم SVM و MLC متفاوت بوده و برای سال 2023 به ترتیب مقادیر 12/75 و6/21 کیلومتر مربع را نشان داد. مقدار ضریب کاپا برای این سال برای مدل های فوق به ترتیب معادل 0/94 و 0/87 به دست آمده و دقت بالای مدل SVM را نشان داد. مقادیر ضریب همبستگی بین دو شاخص طیفی WRI و NWI نیز معادل 0/97 به دست آمد. همچنین مشاهده شد که بین شاخص NWI و باندهای 7 گانه لندست 8 همبستگی منفی برقرار بوده و بیشترین همبستگی بین این شاخص و باند مادون قرمز نزدیک معادل 0/95- می باشد. بررسی ها نشان داد که سطح آب دریاچه زریوار در حال کاهش بوده است.

خستگی و خواب آلودگی به عنوان عامل مهمی در تصادفات جاده ای در نظر گرفته می شود. سالانه تعداد کثیری از رانندگان وسایل نقلیه ی سنگین به علت خستگی و خواب آلودگی مصدوم و فوت می شوند و هزینه سنگینی در زمینه های مختلف به جامعه تحمیل می گردد. در این پژوهش به بررسی کارایی مدل ماشین بردار پشتیبان (SVM) در برآورد تصادفات ناشی از خستگی و خواب آلودگی محور سمنان – شاهرود پرداخته شد. داده های تصادف مورد مطالعه از سال 1395 الی 1401 می باشد. داده های ورودی به مدل شامل ماه، وضعیت روشنایی، ایام هفته، وضعیت جاده، وضعیت آب و هوا، نوع مسیله سواری، وضعیت ماشین، بسته بودن کمربند ایمنی، نوع صدمه وارد شده، جنسیت و میزان تحصیلات راننده در نظر گرفته شد. 70 درصد داده ها برای آموزش و 30 درصد دیگر برای آزمون مدل لحاظ شد. عملکرد مدل با معیارهای ارزیابی R2، RMSE و MAE ارزیابی شد. نتایج نشان داد که مدل SVM می تواند در شبیه سازی داده های تصادفات ناشی از خستگی و خواب آلودگی محور سمنان – شاهرود کارایی مناسبی داشته باشد. مقادیر R2، RMSE و MAE مدل در مرحله آزمون به ترتیب 9153/0 و 6745/2 و 8512/3حاصل شد که نشان از عملکرد خوب مدل را می دهد.