پیوندهای مفید
آمار
| تعداد نشریات | 24 |
| تعداد شماره‌ها | 236 |
| تعداد مقالات | 2,046 |
| تعداد مشاهده مقاله | 3,305,852 |
| تعداد دریافت فایل اصل مقاله | 2,216,989 |
شبیه‌سازی توزیع مکانی عمق برف با استفاده از هوش مصنوعی و رگرسیون خطی مبتنی بر کاهش ویژگی‌ها (مطالعه موردی: حوزه آبخیز چلگرد) | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 14 آبان 1401 اصل مقاله (1.65 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2022.11560.1141 | ||
| نویسندگان | ||
مصطفی آصفی 1؛ علی فتح‌زاده  2
| ||
| 1دانشگاه اردکان | ||
| 2گروه مهندسی طبیعت / دانشگاه اردکان | ||
| چکیده | ||
| دست‌یابی به توزیع مکانی عمق برف باید از راه مشاهده‌ای و در مقیاسی فشرده صورت گیرد. لیکن بهدلیل محدودیت‌های عملی، جمع‌آوری اطلاعات، به‌ویژه در مقیاس‌های مذکور، دشوار و گاهی غیرممکن است. اما با توجه به مشکلات موجود در مناطق مرتفع، استفاده از روش‌های غیرمستقیم توصیه می‌شود. در این پژوهش کارایی شبکه عصبی مصنوعی و رگرسیون خطی در مدل‌سازی عمق برف و هم‌چنین اثر کاهش ویژگی‌ها با مدل آنالیز مؤلفه اصلی در منطقه چلگرد ایران سنجیده شد. به‌همین منظور ابتدا با استفاده از روش هایپرکیوب، محل 100 نقطه مشخص و طی یک عملیات صحرایی داده‌های عمق برف در نقاط مورد نظر و هم‌چنین در 195 نقطه دیگر به‌صورت تصادفی و با نمونه‌بردار مدل فدرال برداشت شد. سپس با استفاده از مدل رقومی ارتفاع 25 پارامتر ژئومورفومتری استخراج و همراه با 6 باند تصاویر ماهواره لندست 8 و شاخص NDSI به‌عنوان ورودی‌های مدل‌ها انتخاب شد. نتایج حاصل از این پژوهش نشان داد که مدل شبکه عصبی مصنوعی با آرایش 1-6-32، ضریب تبیین 62/0 و میانگین مربعات خطا برابر با 57/19 توانسته است بادقت بهتری تغییرات عمق برف را مورد شبیه‌سازی قرار دهد و هم‌چنین کاهش ویژگی‌های ورودی با PCA در مدل‌سازی عمق برف تأثیر نداشته است. بنابراین، پیشنهاد می‌شود از سایر روش‌های کاهش ویژگی جهت دست‌یابی به مهم‌ترین پارامترهای مؤثر در عمق برف استفاده شود. | ||
| کلیدواژه‌ها | ||
| آنالیز مؤلفه اصلی؛ توزیع مکانی؛ سنجش‌ازدور؛ شبکه عصبی؛ عمق برف | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 231 تعداد دریافت فایل اصل مقاله: 89 |
||
