مقایسه مدل های هوش مصنوعی در پیش بینی فرونشست زمین با تمرکز بر تحلیل عدم قطعیت ها و شرایط عملکرد

فرونشست زمین به عنوان یکی از مخاطرات جدی زمین ساختی در نواحی خشک و نیمه خشک شناخته شده که اغلب تحت تاثیر بهره برداری بی رویه از منابع آب زیرزمینی، تغییرات اقلیمی و ویژگی های زمین شناسی رخ می دهد. در سال های اخیر با توسعه فناوری های هوش مصنوعی در بستر داده های سنجش از دور (RS) و سامانه های اطلاعات جغرافیایی (GIS) امکان شناسایی، تحلیل و پیش بینی دقیق تر این پدیده فراهم گردیده است. در این مطالعه مدل های مختلف یادگیری ماشین و یادگیری عمیق شامل XGBoost، Support Vector Machine، Random Forest، شبکه های عصبی مصنوعی، LSTM، CNN و مدل های ترکیبی مورد ارزیابی قرار گرفته اند و عملکرد آن ها از نظر دقت، مزایا، محدودیت ها و میزان عدم قطعیت در شرایط مختلف تحلیل شده است. مرور مطالعات منتخب نشان داد که مدل های ترکیبی یادگیری عمیق در صورت وجود داده های زمانی و مکانی گسترده نتایج دقیق تری ارائه می دهند. در این مدل ها دسترسی به دقت ۹۲ تا ۹۷ درصد در پیش بینی ها و همبستگی خطی قابل توجه (ضریب تعیین در محدوده ۰/۹۵ - ۰/۸۸) این مدل ها را از سایر مدل ها متمایز می سازد. در ادامه نیز راهکارهایی برای بهبود نتایج، کاهش خطا و افزایش کارایی مدل ها در پیش بینی فرونشست زمین پیشنهاد گردید.

کلیدواژه ها:

فرونشست ، زمین ، منابع آب زیرزمینی ، سامانه اطلاعات جغرافیایی ، سنجش از دور