برآورد عمق برف به عنوان یکی از پیامدهای تغییرات آب و هوایی با استفاده از رویکرد مدل ترکیبی حداقل مربعات ماشین بردار پشتیبان و الگوریتم ژنتیک

از جمله اثرات مستقیم و مشهود تغییرات آب و هوایی، دگرش در میزان بارش برف در مناطق مختلف جغرافیایی است. این در حالی است که بارش برف در حوضه های کوهستانی همواره به عنوان مهم ترین منبع تامین منابع آب در فصول خشک تلقی می شود. یکی از آشکارترین ویژگی های پوشش برف کوهستان، ناهمگنی مکانی آن می باشد. به دلیل محدودیت های عملی، جمع آوری داده ها به ویژه در مقیاس های وسیع، دشوار و گاهی غیرممکن بوده و استفاده از روش های غیرمستقیم توصیه می شود. در این پژوهش کارایی حداقل مربعات ماشین بردار پشتیبان در مدل سازی عمق برف و همچنین اثر کاهش ویژگی با مدل الگوریتم ژنتیک در منطقه کوهستانی چلگرد ایران مورد بررسی قرار گرفت. ابتدا با استفاده از روش هایپرکیوب محل ۱۰۰ نقطه مشخص و داده های عمق برف در نقاط موردنظر و همچنین در ۱۹۵ نقطه دیگر به صورت تصادفی برداشت گردید. سپس با استفاده از مدل رقومی ارتفاع ۲۵ پارامتر ژئومورفومتری استخراج گردید و همراه با شش باند تصاویر ماهواره لندست هشت و شاخص تفاوت نرمال شده برف به عنوان ورودی های مدل ها انتخاب گردید. در این پژوهش از الگوریتم ژنتیک برای افزایش سرعت و آماده سازی شبکه ماشین بردار پشتیبان که به عنوان یک دسته بندی کننده عمل می کند و همچنین انتخاب متغیرهایی که بیشترین همبستگی را با عمق برف دارند استفاده گردید. ازآنجایی که کاهش ویژگی های غیر موثر می تواند سبب افزایش دقت یادگیری شود، در این پژوهش از الگوریتم ژنتیک برای فرایند بهینه سازی استفاده گردید. نتایج نشان داد روش حداقل مربعات ماشین بردار پشتیبان با میزان ضریب تعیین ۳۶/۰ و جذر میانگین مربعات خطای ۸/۱۷ مدل سازی عمق برف را انجام داده است؛ اما الگوریتم ژنتیک با انتخاب ویژگی های موثر توانست با ضریب تعیین ۹۵/۰ و جذر میانگین مربعات خطا برابر با ۹۷/۳ سانتی متر و بادقت بهتری نسبت به استفاده از تمامی ویژگی ها تغییرات عمق برف را مدل کند.

کلیدواژه ها:

عمق برف ، هوش مصنوعی ، سنجش از دور ، هایپرکیوب ، چلگرد