آمار

تعداد نشریات27
تعداد شماره‌ها364
تعداد مقالات3,223
تعداد مشاهده مقاله4,741,491
تعداد دریافت فایل اصل مقاله3,238,624
قنواتی, رویت, سلاجقه, علی, پورقاسمی, حمیدرضا, خلیقی سیگارودی, شهرام, کشت کار, حمیدرضا. (1403). ارزیابی روش‌های یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان. سامانه مدیریت نشریات علمی, (), -. doi: 10.22098/mmws.2024.15566.1485
رویت قنواتی; علی سلاجقه; حمیدرضا پورقاسمی; شهرام خلیقی سیگارودی; حمیدرضا کشت کار. "ارزیابی روش‌های یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان". سامانه مدیریت نشریات علمی, , , 1403, -. doi: 10.22098/mmws.2024.15566.1485
قنواتی, رویت, سلاجقه, علی, پورقاسمی, حمیدرضا, خلیقی سیگارودی, شهرام, کشت کار, حمیدرضا. (1403). 'ارزیابی روش‌های یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان', سامانه مدیریت نشریات علمی, (), pp. -. doi: 10.22098/mmws.2024.15566.1485
قنواتی, رویت, سلاجقه, علی, پورقاسمی, حمیدرضا, خلیقی سیگارودی, شهرام, کشت کار, حمیدرضا. ارزیابی روش‌های یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان. سامانه مدیریت نشریات علمی, 1403; (): -. doi: 10.22098/mmws.2024.15566.1485

ارزیابی روش‌های یادگیری ماشین (SVM، GLM، FDA و RF) در تهیه نقشه حساسیت سیل بخشی از استان خوزستان

مدل سازی و مدیریت آب و خاک
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 10 شهریور 1403
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22098/mmws.2024.15566.1485
نویسندگان
رویت قنواتی* 1؛ علی سلاجقه2؛ حمیدرضا پورقاسمی3؛ شهرام خلیقی سیگارودی4؛ حمیدرضا کشت کار5
1گروه احیا مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران
2استاد دانشگاه تهران
3دانشگاه شیراز
4دانشکده منابع طبیعی دنشگاه تهران
5دانشگاه تهران
چکیده
سیل یکی از مخرب‌ترین بلایای طبیعی است که خسارات جدی به منابع طبیعی و زیرساخت‌ها وارد کرده و تلفات انسانی بسیاری به‌همراه دارد. مدل‌های یادگیری ماشین به‌منظور شناسایی و مدیریت مناطق در معرض خطر سیل به‌طور گسترده‌ای مورد توجه بوده است. هدف از این تحقیق ارزیابی عملکرد چهار مدل ماشین بردار پشتیبان (SVM)، خطی تعمیم‌یافته (GLM)، آنالیز تفکیکی انعطاف‌پذیر (FDA) و جنگل تصادفی (RF) در مدل‌سازی پراکنش خطر وقوع سیل بخشی از استان خوزستان بود. برای این منظور 13 عامل مؤثر بر سیل شامل عوامل توپوگرافی، هیدرواقلیمی، سنگ‌شناسی و انسانی تعیین شد. سپس موقعیت 334 نقطه محل وقوع و عدم وقوع سیلاب براساس بازدیدهای میدانی و گزارش‌های موجود مشخص شد؛ که 70% از این نقاط برای آموزش و 30% باقیمانده جهت اعتبارسنجی مدل‌ها، بصورت تصادفی در نظر گرفته شد. نتایج ارزیابی عملکرد مدل‌های مورد بررسی براساس شاخص مساحت زیر منحنی مشخصه عامل گیرنده (ROC) برای مدل‌های RF، GLM و FDA بالاتر از 7/0 بدست آمد؛ که مدل RF با سطح زیر منحنی 8/98 درصد از دقت بالاتری نسبت به سایر مدلها برخوردار بود. براساس نقشه حساسیت خطر سیل حاصل از این مدل به‌ترتیب در 7/4% و 4/12% از سطح منطقه احتمال وقوع سیل خیلی‌زیاد و زیاد بوده است. نتایج این تحقیق به مدیران در کاهش تهدیدهای مرتبط با سیل و اجرای راهکارهای مدیریتی مؤثر در جهت کاهش خسارات آن کمک می‌کند.
کلیدواژه‌ها
مدل‌های یادگیری ماشین؛ نقشه حساسیت خطر سیل؛ مدل جنگل تصادفی؛ استان خوزستان
آمار
تعداد مشاهده مقاله: 118


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب