supervised classification algorithms
در نشریات گروه جغرافیا-
بخش زیادی از سفرهای روزانه درون شهری با هدف دسترسی به خدمات، سرویس ها، و کالاهایی است که امکان تهیه آن ها در یک منطقه مشخص وجود ندارد. از این رو، آنالیز مسیرهای پرتردد و علت حجم بالای ترافیک در آن ها می تواند به توزیع صحیح تر امکانات، خدمات، و اختصاص کاربری مناسب به زمین ها با هدف کاهش تعداد و مسافت و زمان سفرهای درون شهری منجر شود. با ظهور سنسورهای تعیین موقعیت مبتنی بر سامانه های جهانی ناوبری ماهواره ای بر تلفن های همراه، امکان ثبت آنی مواردی چون موقعیت و سرعت و شتاب افراد به صورت آنی فراهم شده است. بنابراین، در این پژوهش تلاش شده امکان استفاده از داده های GNSS ثبت شده توسط تلفن همراه با هدف شناسایی حالت حمل ونقلی که کاربر از آن استفاده کرده است توسط چهار مدل یادگیری ماشین نظارت شده با نام های RF، GB، XGB، و LightGM مورد بررسی قرار گیرد. بدین منظور، دو مجموعه داده مایکروسافت Geolife و MTL 2017، که از ویژگی های لازم برای این هدف برخوردارند، به عنوان داده ورودی استفاده شد. پس از استخراج ویژگی های هر مسیر از این دو مجموعه داده، با هدف بهبود کارایی مدل ها و کاهش حجم پردازش، از میان ویژگی های موجود ویژگی های مهم تر شناسایی و کلاسه بندی بر اساس آن ها اعمال شد. بین مدل های استفاده شده، مدل LightGM برای مجموعه داده اول با کسب مقدار 57/92 درصد در F1-Score برای داده های تست و مدل XGB برای مجموعه داده دوم با کسب مقدار 67/92 در F1-Score برای داده های تست بین مدل های موجود بهترین عملکرد را داشته اند. از تعداد 1349 سفر موجود، 1250 سفر توسط این الگوریتم به درستی تخمین زده شد که منجر به حمل ونقل پایدار شهری می شود.
کلید واژگان: استخراج ویژگی، الگوریتم های کلاسه بندی نظارت شده، جریان داده های GNSS، حالت های سفر، حمل ونقل پایدار شهریA significant portion of daily urban intra-city trips is aimed at accessing services, amenities, and goods that are not readily available in a specific area. Therefore, analyzing the frequently used trajectory and identifying the reasons for high traffic volumes on these trajectories can lead to a more accurate distribution of facilities, services, and proper land use allocation with the goal of reducing the number, distance, and time of intra-city trips. With the advent of Global Navigation Satellite Systems (GNSS) positioning sensors on smartphones, the real-time collection of individuals' positions, speed, acceleration, and more has become possible. Consequently, this research has sought to examine the possibility of using GNSS data recorded by smartphones to identify the transportation mode used by the user through four supervised machine learning models named Random Forest (RF), Gradient Boosting (GB), eXtreme Gradient Boosting (XGB), and Light Gradient Boosting Model (LightGM). For this purpose, two datasets, Microsoft Geolife and MTL 2017, which possess the necessary features for this goal, have been used as the input data. After extracting the features of each trajectory from these two datasets, with the aim of improving the models' performance and reducing processing time, among the available features, the most important ones have been identified, and classification has been applied based on them. Among the models used, the LightGM and XGB models achieved the best performance for the first and second datasets with respective F1-Scores of 92.57% and 92.67% for test data. Out of a total of 1349 trips, this algorithm accurately estimated 1250 trips, contributing to sustainable urban transportation.
Keywords: Sustainable Urban Transportation, Travel Modes, Streaming GNSS, Feature Extraction, Supervised Classification Algorithms -
شناخت لند فرم های ژئومورفولوژی و بررسی تحولات و تغییرات آن در همه مناطق بخصوص مناطق کوهستانی در جهت مدیریت محیطی در زمینه های مختلف از نیازهای مهم و ضروری علم ژئومورفولوژی است. عوامل دینامیک درونی و بیرونی زمین دائما باعث ایجاد تغییرات در لند فرم های ژئومورفولوژی می شوند. بنابراین شناخت این تحولات و تغییرات جهت مدیریت بهتر در زمینه های مختلف طبیعی و انسانی ضروری است. مناطق کوهستانی به علت صعب العبور بودن مطالعات میدانی را دچار چالش می کنند. علم ژئومورفولوژی نیز همگام با سایر علوم از فناوری های روز دنیا مانند علم سنجش از دور جهت تسریع در پیشبرد اهداف و نیازها استفاده می کند. در همین راستا جهت شناسایی لند فرم های سطحی و مهم حوضه آبریز سجاسرود و بررسی روند تغییرات آن در طول سال های 1986 تا 2018 از تصاویر ماهواره ای لندست TM و OLI استفاده گردید. جهت شناسایی لند فرم ها، ضمن بررسی های میدانی از تصاویر نرم افزار گوگل ارث و نقشه های توپوگرافی کمک گرفته شد. سپس از طریق روش های طبقه بندی نظارت شده حداکثر احتمال، شبکه عصبی و ماشین بردار پشتیبان لند فرم های اصلی استخراج گردید. نتایج ارزیابی دقت طبقه بندی را نشان داد. روش حداکثر احتمال با صحت کلی 70/97 و ضریب کاپای 96 درصد در سال های 1986 و 2018 نسبت به دو روش دیگر عملکرد بهتری در تهیه نقشه ژئومورفولوژی و روند تغییرات دارد. برای بررسی روند تغییرات لند فرم ها و آشکارسازی تغییرات در بازه زمانی 32 ساله از نقشه طبقه بندی حداکثر احتمال و الگوریتم MNF در محیط نرم افزار ENVI استفاده گردید. نتایج نهایی نشان داد، پهنه های پوشش گیاهی و دشت آبرفتی به ترتیب با 159/479 و 26/572 درصد افزایش مساحت داشتند. در مقابل کوه ها و تپه ها، پادگانه های آبرفتی، مخروط افکنه ها و آبرفت های جدید با کاهش مساحت مواجه بودند. همچنین نتایج الگوریتم MNF نشان داد بیشترین شدت و سرعت تغییرات مربوط به دشت های آبرفتی، کوه ها، تپه ها و کمترین سرعت تغییرات مربوط به مخروط افکنه ها است.کلید واژگان: تغییرات لند فرم، الگوریتم های طبقه بندی نظارت شده، الگوریتم MNF، حوضه آبریز سجاسرودUnderstanding geomorphologic landforms and studying its developments and changes in all regions, especially mountainous areas, in order to manage the environment in different fields is the important and essential needs of geomorphology. The internal and external dynamics of the Earth constantly cause changes in geomorphologic landforms. Therefore, recognizing these changes and developments for better management in various natural and human contexts is an essential issue. Mountainous areas due to their difficulty in traffic challenge field studies. Geomorphology also uses the latest technologies of the world, such as remote sensing, to accelerate the advancement of goals and needs, in line with other sciences. Landsat TM and OLI satellite imagery were used to identify the surface landforms of Sojasrood basin and to investigate the trend of changes during the years 1986 to 2018. To identify the landforms, field surveys were performed using Google Earth images and topographic maps.Then, by maximum Likeihood Supervised Classification Methods Neural network and Support vector machine have been extracted from the original and main landforms. The results of classification accuracy assessment showed that the maximum Likeihood method with total accuracy of 97.70 Kappa coefficients 96 Percent in 1986 and 2018 has a better performance in geomorphologic mapping and change process than the other two methods. In order to investigate landform variations and detect changes over a period of 32 years, the maximum Likelihood category and MNF algorithm were used in the ENVI software environment. The final results showed that the Vegetation zones and alluvial plain had 159/479 and 26/572% increase in area, respectively. Mountains and hills, alluvial terraces, alluvial cone and new alluvial were reduced by area. Also, the results of MNF algorithm show that the maximum intensity and speed of changes are related to alluvial plains, mountains and hills, and the least speed of changes related to the alluvial cone.Keywords: Landform variations, supervised classification algorithms, MNF algorithm, Sojasrood Basin
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.