رکوردهای مرتبط با این شخص

پیش‌بینی زمین‌لغزش‌های سطحی اطراف شهر بیجار با استفاده از الگوریتم‌های پیشرفته داده‌کاوی [پایان‌نامه دکتری تخصصی (PhD)] (1396) / شیرزادی ، عطاالله، نویسنده 

نوع مدرک: برنامه‌ها و فایلهای کامپیوتری سرشناسه شیرزادی ، عطاالله، نویسنده عنوان : پیش‌بینی زمین‌لغزش‌های سطحی اطراف شهر بیجار با استفاده از الگوریتم‌های پیشرفته داده‌کاوی [پایان‌نامه دکتری تخصصی (PhD)] تکرار نام مولف : پدیدآور: عطااله شیرزادی استاد راهنما: کریم سلیمانی استاد راهنما: محمود حبیب‌نژاد روشن استاد مشاور: عطااله کاویان استاد مشاور: کامران چپی ناشر: ساری [ایران] : دانشگاه علوم کشاورزی و منابع طبیعی ساری، دانشکده کشاورزی و منابع طبیعی سال نشر : 1396 یادداشت رشته: مهندسی منابع طبیعی - آبخیزداری شناسه افزوده : سلیمانی ، کریم، استاد راهنما محمود حبیب‌نژاد روشن، استاد راهنما کاویان ، عطااله، استاد مشاور چپی ، کامران، استاد مشاور توصیفگرها زمین لعزش سطحی ، الگوریتم یادگیری ماشین ، درخت تصمیم ، تئوری بیزین ، قدرت تفکیک مکانی ، سیستم اطلاعات جغرافیایی ، استان کردستان ، Surface Lick Land, Machine Learning Algorithm, Decision Tree, Bayesian Theory, Spatial Resolution, Geographical Information System, Kurdistan Province چکیده : زمین‌لغزش‌های سطحی به عنوان یکی از چالش‌های زیست محیطی شناخته شده و منجر به تخریب زمین و در نتیجه کاهش حاصل‌خیزی آن و نیز خسارت‌های اکوسیستمی قابل توجهی می‌گردند. بنابراین، شناسایی صحیح مناطق مستعد زمین‌لغزش‌های سطحی از طریق مدل‌سازی، کمک شایانی به مدیران و برنامه‌ریزان توسعه اراضی و همچنین برنامه‌های آمایش سرزمین برای ارائه استراتژهای مدیریتی مناسب جهت جلوگیری ازتخریب زمین می‌نماید. با این دید، مسئله مهم پیش‌روی مدل‌سازی زمین‌لغزش‌ها موضوع "عدم قطعیت" به مفهوم شک و تردید در مورد نتایج به دست آمده از مدل‌سازی می‌باشد. در این پژوهش دو نوع از عدم قطعیت‌های مربوط به داده‌های ورودی به مدل شامل ترکیبی از اندازه نمونه و قدرت تفکیک مکانی (اندازه پیکسل‌ها)، جهت پیش‌بینی حساسیت زمین‌لغزش‌های سطحی اطراف شهر بیجار با استفاده از الگوریتم‌های پیشرفته داده‌کاوی شامل الگوریتم درخت تصمیم از نوع ADTree و الگوریتم بیز-مبنا از نوع Naïve Bayes (NB) و همچنین الگوریتم‌های ترکیب/تجمیعی شامل Multiboost (MB)، Bagging،Random Subspace (RS) و Rotation Forest (RF) به کار گرفته شدند. به این منظور، چهار نوع اندازه نمونه شامل 40/60، 30/70، 20/80 و 10/90 درصد (تعداد داده‌های آموزشی و صحت‌سنجی) و همچنین شش نوع قدرت تفکیک مکانی شامل 10، 15، 20، 30، 50 و 100 متری مورد بررسی قرار گرفتند. از میان بیست عامل مؤثر بر وقوع زمین‌لغزش‌های سطحی بر اساس تکنیک Information Gain Ratio (IGR) در اغلب ترکیب‌ها، 12 عامل برای فرایند مدل‌سازی بر اساس داده‌های آموزشی انتخاب شدند. فرایند ارزیابی صحت الگوریتم‌ها براساس حساسیت (Sensitivity)، شفافیت(Specificity) ، صحت(Accuracy) ، کاپا(Kappa) ، ریشه مجذور مربعات خطا(RMSE) و درصد مساحت زیر منحنی نرخ موفقیت پیش‌بینی (AUROC) انجام گرفت. نتایج نشان داد عوامل زاویه شیب، شاخص نمناکی توپوگرافیکی (TWI)، انحنای طولی شیب و ترکیب زاویه-طول شیب (LS) به ترتیب چهار عامل مهم اثرگذار بروقوع زمین‌لغزش‌های سطحی منطقه مورد مطالعه بودند. همچنین نتایج بیانگر این مطلب است که به ازاء قدرت تفکیک مکانی ثابت، صحت پیش‌بینی الگوریتم درختی ADTree بر اساس شاخص صحت- با افزایش تعداد زمین‌لغزش‌های در نظرگرفته شده برای آموزش مدل، افزایش یافت. علاوه بر این، به ازاء یک مقدار ثابت اندازه نمونه، معمولاً با افزایش قدرت تفکیک مکانی، صحت پیش‌بینی الگوریتم ADTree کاهش یافت. بر اساس فرایند مدل‌سازی و صحت‌سنجی، نتایج نشان داد که بهترین قدرت تفکیک مکانی با بیشترین صحت پیش‌بینی مربوط به قدرت تفکیک مکانی 10 متر با اندازه نمونه 40/60 و 30/70 و همچنین قدرت تفکیک مکانی 20 متر با اندازه نمونه 20/80 و 10/90 به دست آمد. همچنین، نتایج بیانگر بالاتر بودن عملکرد و صحت پیش‌بینی الگوریتم درخت تصمیم نسبت به الگوریتم بیز-مبنا در ترکیب‌های مختلف بوده است. در نهایت، نتایج حاکی از آن بود که الگوریتم‌های ترکیبی/تجمیعی باعث افزایش عملکرد و صحت پیش‌بینی الگوریتم منفرد ADTree شده‌اند لینک فایل دیجیتالی : https://ganj.irandoc.ac.ir/#/articles/8bbc71956ad104ade56e9015347942f8 لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=15649 زبان مدرک : فارسی

 فهرست موجودی مدرک

شماره ثبت	شماره بازیابی	نام عام مواد	محل نگهداری	بخش	وضعیت ثبت	وضعیت امانت
فاقد شماره ثبت