پهنه بندی خطر سیلاب در حوضه خرم آباد با استفاده از مدل یادگیری ماشین (SVM)
- سال انتشار: 1401
- محل انتشار: هجدهمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات
- کد COI اختصاصی: CECCONF18_031
- زبان مقاله: فارسی
- تعداد مشاهده: 285
نویسندگان
کارشناس ارشد سیستم اطلاعات جغرافیایی.دانشگاه خوارزمی تهران
دانش یار گروه سیستم اطلاعات جغرافیا، دانشگاه خوارزمی تهران
کارشناس ارشدسیستم اطلاعات جغرافیایی. دانشگاه خوارزمی تهران
کارشناس ارشدسیستم اطلاعات جغرافیایی» دانشگاه خوارزمی تهران
کارشناس جغرافیا.دانشگاه خوارزمی تهران
چکیده
در سال های اخیر روش های یادگیری ماشین به طور گسترده در مدلسازی مسائل علوم مختلف مورد استفاده قرار گرفته اند. روش ماشین بردار پشتیبان نیزیکی از روش های نسبتا جدید یادگیری ماشینی است که در مدلسازی مسائل مهندسی به طور موفقیت آمیز عمل کرده است. در این پژوهش از روشماشین بردار پشتیبان برای پیش بینی و تهیه ی نقشه حساسیت سیلاب استفاده شده است. این پژوهش از یک مجموعه داده ژئومورفولوژیکی و هیدرولوژیکیشامل شیب، جهت شیب، طبقات ارتفاعی، کاربری اراضی، بارندگی، تراکم و فاصله از آبراهه برای گسترش مدل ماشین بردار پشتیبان استفاده می شود. تهیه-ی نقشه حساسیت سیلاب ضروری و اولین قدم در کاهش خسارت های ناشی از سیل می باشد . به علت کمبود اطلاعات در اکثر حوضه ها. بسیاری از تحقیق هااز تکنیک های داده کاوی برای مطالعه های هیدرولوژی به ویژه سیلاب استفاده می کنند. هدف این پژوهش، توسعه وبررسی دقت و شناسایی مناطق حساسبه سیل گیری با استفاده از مدل ماشین بردار پشتیبان (SVM) در حوضه خرم آباد است. نقاط سیل گیر برداشت شده و در نهایت همه متغیرها و نقاطبرداشت شده با اندازه پیکسل یکسان (۱۲.۵ متر) وارد زبان برنامه نویسی Python شدند. به منظور ارزیابی صحت مدل از محاسبه ویژگی های عامل نسبی(ROC) از زبان برنامه نویسی پایتون استفاده شد. نتایج ارزیابی نشان داد که مدل SVM با دقت ۹۵.۵ توانست پهنه های حساس به سیلاب در منطقه موردمطالعه را شناسایی کند. همچنین در نقشه نهایی تهیه شده با استفاده از مدل SVM مناطق حساس به سیلاب به ۵ گروه (خیلی پر خطر، پرخطرخطرناک، کم خطر و بی خطر) تقسیم و مشخص شدند. با استفاده از این نقشه می توان مناطق حساس به سیل را شناسایی و برای مهار آن برنامه ریزی کرد.نتایج این پژوهش می تواند به برنامه ریزان و محققان برای انجام اقدام های مناسب به منظور جلوگیری و کاهش خطر سیلاب در آینده کمک کند. همچنینمی توان از آن به منظور شناسایی مناطق مناسب و امن برای توسعه های عمرانی استفاده کرد.کلیدواژه ها
ماشین بردار پشتیبان (SVM)، حوضه خرم آباد، نقشه حساسیت به سیل، ROCمقالات مرتبط جدید
- شناسایی شناورها از تصاویر ماهواره ای با الگوریتم
- بهبود عملکرد مدل ماشین بردار پشتیبان با بهینه سازی پارامترهای تابع هسته و جریمه در تشخیص نرخ انتقال رسوب موازی ساحل
- بررسی سری زمانی تغییرات دریاچه ی خزر بر اساس روش ترکیبی SWM و شاخص آب از سال ۲۰۱۴ تا ۲۰۲۲ (مطالعه موردی: ورودی خلیج گرگان)
- بهبود سیستم تشخیص نفوذ شبکه مبتنی بر شبکه های عصبی با انتخاب ویژگی های بهینه
- Bearing Fault Detection Based on Audio Signal Using Pre-Trained Deep Neural Networks
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.