ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه)
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، ش...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Ferdowsi University of Mashhad
2012-11-01
|
| Series: | جغرافیا و مخاطرات محیطی |
| Subjects: | |
| Online Access: | https://geoeh.um.ac.ir/article_25960_87e7a73a910f5d6f3c8f04d680ff3d3a.pdf |
| _version_ | 1797664522016653312 |
|---|---|
| author | مجتبی یمانی علی احمدآبادی غلامرضا زارع |
| author_facet | مجتبی یمانی علی احمدآبادی غلامرضا زارع |
| author_sort | مجتبی یمانی |
| collection | DOAJ |
| description | 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. |
| first_indexed | 2024-03-11T19:30:29Z |
| format | Article |
| id | doaj.art-216edc6734884e38b53153f80a424740 |
| institution | Directory Open Access Journal |
| issn | 2322-1682 2383-3076 |
| language | English |
| last_indexed | 2024-03-11T19:30:29Z |
| publishDate | 2012-11-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | جغرافیا و مخاطرات محیطی |
| spelling | doaj.art-216edc6734884e38b53153f80a4247402023-10-06T13:17:04ZengFerdowsi University of Mashhadجغرافیا و مخاطرات محیطی2322-16822383-30762012-11-011312514210.22067/geo.v1i3.1746125960ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه)مجتبی یمانی0علی احمدآبادی1غلامرضا زارع2دانشگاه تهراندانشگاه خوارزمیدانشگاه تربیت مدرسالگوریتمSVM 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.https://geoeh.um.ac.ir/article_25960_87e7a73a910f5d6f3c8f04d680ff3d3a.pdfزمین‌لغزشهوش مصنوعیالگوریتم svmمدیریت محیطیحوضه درکه |
| spellingShingle | مجتبی یمانی علی احمدآبادی غلامرضا زارع ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه) جغرافیا و مخاطرات محیطی زمین‌لغزش هوش مصنوعی الگوریتم svm مدیریت محیطی حوضه درکه |
| title | ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه) |
| title_full | ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه) |
| title_fullStr | ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه) |
| title_full_unstemmed | ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه) |
| title_short | ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم SVM (مطالعه موردی: حوضه آبریز درکه) |
| title_sort | ارزیابی کارایی فنون هوش مصنوعی در مطالعات زمین‌لغزش با تاکید بر الگوریتم svm مطالعه موردی حوضه آبریز درکه |
| topic | زمین‌لغزش هوش مصنوعی الگوریتم svm مدیریت محیطی حوضه درکه |
| url | https://geoeh.um.ac.ir/article_25960_87e7a73a910f5d6f3c8f04d680ff3d3a.pdf |
| work_keys_str_mv | AT mjtbyymạny ạrzyạbyḵạrạyyfnwnhwsẖmṣnwʿydrmṭạlʿạtzmynlgẖzsẖbạtạḵydbrạlgwrytmsvmmṭạlʿhmwrdyḥwḍhậbryzdrḵh AT ʿlyạḥmdậbạdy ạrzyạbyḵạrạyyfnwnhwsẖmṣnwʿydrmṭạlʿạtzmynlgẖzsẖbạtạḵydbrạlgwrytmsvmmṭạlʿhmwrdyḥwḍhậbryzdrḵh AT gẖlạmrḍạzạrʿ ạrzyạbyḵạrạyyfnwnhwsẖmṣnwʿydrmṭạlʿạtzmynlgẖzsẖbạtạḵydbrạlgwrytmsvmmṭạlʿhmwrdyḥwḍhậbryzdrḵh |