تحلیل تطبیقی الگوریتمهای طبقه بندی یادگیری ماشین برای پایش ساختاری تونلها از طریق تصاویر SAR

پایش تغییرات ساختاری در پروژه های تونل سازی به ویژه در محیط های شهری از اهمیت بالایی در کاهش خطرات ژئوتکنیکی و تضمین ایمنی زیر ساختها برخوردار است در سالهای اخیر داده های سنجش از دور راداری (SAR) به عنوان یکی از منابع اصلی در شناسایی جابه جایی های سطح زمین مورد استفاده قرار گرفته اند اما تحلیل موثر این داده ها نیازمند بهره گیری از الگوریتم های پیشرفته یادگیری ماشین است. پژوهش حاضر با هدف مقایسه و ارزیابی تطبیقی پنج الگوریتم طبقه بندی شامل شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، درخت تصمیم (DT) و الگوریتم نزدیکترین همسایه (KNN) در شناسایی تغییرات ساختاری تونل با استفاده از تصاویر SAR طراحی شده است برای انجام این مطالعه داده های سری زمانی Sentinel-۱ از یک پروژه تونل سازی شهری گردآوری و با روش D-InSAR پردازش شد. پس از استخراج ویژگی های مکانی زمانی مدل ها آموزش داده شدند و با استفاده از شاخص های دقت، حساسیت، ویژگی F۱-score و تحلیل ماتریس درهم ریختگی مورد ارزیابی قرار گرفتند. نتایج نشان داد که الگوریتم RF با دقت کلی ۹۴.۲ و کمترین نرخ خطای مثبت کاذب عملکرد برتری نسبت به سایر مدل ها دارد در مقابل ANN در تشخیص تغییرات موضعی و غیرخطی موفق عمل کرد ولی نیازمند داده های آموزشی حجیمتری بود. این مطالعه تاکید می کند که انتخاب مدل مناسب باید با توجه به ویژگی های داده، شرایط محیطی و اهداف پروژه صورت گیرد. نتایج میتوانند مستقیما در طراحی سامانه های پایش خودکار برای تونل های شهری مورد استفاده قرار گیرند همچنین این مقاله زمینه را برای توسعه سیستم های هشدار سریع مبتنی بر داده در پروژه های ژئوتکنیکی فراهم می سازد.

کلیدواژه ها:

یادگیری ماشین ، تغییرات ساختاری تونل ، الگوریتم طبقه بندی ، تداخل سنجی راداری