ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمینلغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه) | ||
| جغرافیا و مخاطرات محیطی | ||
| مقاله 3، دوره 1، شماره 3، پاییز 1391، صفحه 125-142 اصل مقاله (1019.56 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22067/geo.v1i3.17461 | ||
| نویسندگان | ||
| مجتبی یمانی1؛ علی احمدآبادی2؛ غلامرضا زارع* 3 | ||
| 1دانشگاه تهران | ||
| 2دانشگاه خوارزمی | ||
| 3دانشگاه تربیت مدرس | ||
| چکیده | ||
| الگوریتمSVM یا ماشینبردار پشتیبان، به عنوان یکی از روشهای غیرپارامتریک بر پایه تئوری یادگیری آماری بنا شده است. بر اساس این تئوری، میتوان کران نرخ خطای ماشین یادگیری را برای دادههای طبقهبندی نشده، به عنوان نرخ خطای تعمیم یافته، در نظرگرفت. در این تحقیق، با استفاده از توابع حلقوی، چندجملهای، شعاعی و خطی در الگوریتم SVM و معیارهای مؤثر در شناسایی مناطق حساس به زمینلغزش شامل: فاصله (از گسل، شبکه زهکشی)، لیتولوژی، شیب (مقدار، زاویه) و سطح ارتفاعی به ارزیابی قابلیت وقوع زمینلغرش در حوضه آبریز درکه در شمال شهر تهران پرداخته شده است. بدین منظور لایههای مکانی معیارهای ششگانه مذکور به پایگاه داده مکانی وارد و سپس استانداردسازی بر روی معیارها انجام شد و در نهایت توابع ماشین بردار پشتیبان اجرا گردید تا پهنههای حساس به زمینلغزش مشخص گردد. نتایج تحقیق نشان داد بر اساس تابع خطی بیشتر پهنه حوضه آبریز درکه حساسیت متوسطی به رخداد زمینلغزش دارد. نقشه خروجی بر طبق توابع چندجملهای و شعاعی نیز به ترتیب بیانگر حساسیتپذیری متوسط به بالای حوضه، حساسیت بیشتر قسمت غربی حوضه به زمینلغزش است. بر اساس خروجی حاصل از تابع حلقوی اکثر پهنه این حوضه حساسیت متوسط تا بالایی را نشان میدهد. حداکثر و حداقل مساحت احتمالی حساس به زمینلغرش با 30 و 20 کیلومترمربع به ترتیب متعلق به توابع حلقوی و شعاعی است. در بین توابع اجرا شده، تابع حلقوی به خاطر انطباق بیشتر با واقعیت، بهترین عملکرد و تابع خطی از نظرعملکرد، پایینترین دقت را نشان داد. | ||
| کلیدواژهها | ||
| زمینلغزش؛ هوش مصنوعی؛ الگوریتم SVM؛ مدیریت محیطی؛ حوضه درکه | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2,792 تعداد دریافت فایل اصل مقاله: 1,639 |
||