اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهره گیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)
- سال انتشار: 1402
- محل انتشار: فصلنامه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، دوره: 14، شماره: 2
- کد COI اختصاصی: JR_GIRS-14-2_001
- زبان مقاله: فارسی
- تعداد مشاهده: 190
نویسندگان
دانشجوی دکتری تخصصی سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات،
دانشیار دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران
استادیار دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران
استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،
استاد، مهندسی منابع طبیعی، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران
چکیده
خشک سالی یکی از مهم ترین بلایای طبیعی است که اثرات مخرب و زیان باری در زمینه های مختلف اقتصادی، اجتماعی و زیست محیطی به جای می گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال ها پس از وقوع می تواند در منطقه باقی بماند. اکثر بحران های طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دوره ای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشک سالی ماهیت آرام و خزشی دارد و آثار مخرب آن به تدریج و در مدت طولانی تری ظاهر می شود. ازاین رو با مدل سازی خشک سالی می توان طرح هایی جهت آماده سازی در مقابل خشک سالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتم های هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیم یافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدل سازی خشک سالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدل سازی ها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدل ها بود که در SPI ۴۸ ماهه بهترین دقت مدل سازی حاصل گردید و مقدار RMSE و R۲ به ترتیب برابر ۰۹۳/۰ و ۹۹۱/۰ به دست آمد. همچنین مدل های GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدل سازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینه سازی کرنل بر رفتار مدل سازی پدیده خشک سالی در مدل سازی به روش رگرسیون بردار پشتیبان است.کلیدواژه ها
هوش محاسباتی, شبکه عصبی, کرنل, رگرسیون بردار پشتیباناطلاعات 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.