مقایسه رویه های شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت در مدل سازی و پیش بینی جنگل زدایی مطالعه موردی: حوزه آبخیز گرگانرود- استان گلستان
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 181
فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESTJ-21-11_017
تاریخ نمایه سازی: 19 مهر 1400
چکیده مقاله:
زمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا میکند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیشبینی روند مکانی تغییرات پوشش جنگل است. روش بررسی: در این مطالعه از نقشههای کاربری اراضی تولید شده از ماهواره Landsat سنجنده TM مربوط به سالهای ۱۹۸۴ و ۲۰۱۲ استفاده شد. مدلسازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیشبینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. بهمنظور برآورد صحت مدلسازی از آمارههای ROC، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد. یافتهها: نتایج بیانگر صحت بالای شبکه عصبی مصنوعی با میزان ROC برابر ۹۷۵/۰ ، نسبت موفقیت به هشدار خطا ۶۳ درصد و عدد شایستگی ۱۲ درصد میباشد. بحث و نتیجهگیری: شبکههای عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کمتری در مدلسازی و پیشبینی تغییرات جنگل برخوردارند.
کلیدواژه ها:
جنگل زدایی ، شبکه عصبی مصنوعی ، رگرسیون لجستیگ ، یادگیری بر مبنای نمونه وزنی مشابهت ، حوزه آبخیز گرگانرود
نویسندگان
زینب مرادی
دانش آموخته کارشناسی ارشد محیط زیست، گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
علیرضا میکاییلی تبریزی
دانشیار، گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران (مسوول مکاتبات).
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :