support vector machine (svm)
در نشریات گروه کشاورزی-
هدف از این پژوهش مقایسه عملکرد فرامدل های انفرادی GRNN و SVM با مدل هیبریدی سه گانه GRNN- SVM- LSTM به منظور پیش بینی فراوانی روزهای همراه با طوفان گرد و غبار در فصل آتی می باشد. بدین منظور از داده های ساعتی گرد و غبار در هشت سینوپ و کدهای سازمان جهانی هواشناسی در پنج ایستگاه سینوپتیک استان سیستان و بلوچستان در طول دوره آماری 40 ساله (2020- 1980) استفاده شده است. معیارهای R، RMSE، MAE و NS به منظور ارزیابی و مقایسه مدل ها استفاده شدند. نتایج این پژوهش نشان داد که مدل هیبرید سه گانه پیشنهادی نسبت به سایر روش ها بیش ترین عملکرد را داشته است. همچنین بیش ترین دقت این مدل در ترکیبات فصلی 1 و 2 آن به منظور پیش بینی شاخص FDSD حاصل شده است. پس از آن، فرامدل انفرادی SVM در رتبه بندی از لحاظ عملکرد قرار گرفت. این مدل نیز در ترکیبات یک و دو بهترین عملکرد را داشت. مدل شبکه عصبی رگرسیون تعمیم یافته نیز در ترکیبات 1 و 2 عملکرد نسبتا بهتری را در مقایسه با ترکیب چهارم نمایش داده است. مدل هیبریدی سه گانه GRNN- SVM- LSTM با ریشه میانگین مربعات خطا (501/0-523/0RMSE=)، ضریب همبستگی (989/0- 999/0 R=)، میانگین قدرمطلق خطا (421/0- 441/0 =MAE)و ضریب نش- ساتکلیف (893/0- 907/0= NS)بهترین عملکرد را نسبت به سایر مدل های استفاده شده برای پیش بینی شاخص FDSD نمایش داده است.
کلید واژگان: گرد و غبار، پیش بینی، ماشین بردار پشتیبان، شبکه عصبی رگرسیون تعمیم یافته، سیستان و بلوچستانDust storms pose significant environmental and economic challenges, particularly in arid regions like Sistan-Baluchestan Province, Iran. This study aims to compare the performance of individual models (GRNN and SVM) with a triple hybrid model (GRNN-SVM-LSTM) for forecasting the frequency of dust storm days (FDSD). Using hourly dust data from eight SYNOP codes of the World Meteorological Organization across five synoptic stations, spanning a 40-year period (1980–2020), the models were evaluated based on key performance metrics: Correlation Coefficient (R), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Nash-Sutcliffe Efficiency (NS). The triple hybrid model outperformed all other approaches, achieving the highest predictive accuracy in seasonal combinations 1 and 2. The SVM model ranked second, while the GRNN model performed relatively better in combinations 1 and 2 compared to combination 4. Overall, the GRNN-SVM-LSTM model demonstrated superior predictive performance for FDSD, with RMSE = 0.523–0.501, R = 0.999–0.989, MAE = 0.441–0.421, and NS = 0.907–0.893. These findings highlight the potential of the proposed model for improving dust storm forecasting and developing early warning systems.
Keywords: Dust, Prediction, Support Vector Machine (SVM), Generalized Regression Neural Network (GRNN), Sistan, Baluchestan -
زمینه و هدف
بارندگی یکی از پدیده های پیچیده طبیعی و از مهم ترین اجزای چرخه آب بوده و در سنجش خصوصیات اقلیمی هر منطقه نقش بسیار مهمی ایفا می کند. شناخت میزان و روند تغییرات بارش به عنوان یکی از عناصر مهم هواشناسی، از یک سو جهت داشتن مدیریت اثربخش و برنامه ریزی دقیق تر برای بخش های کشاورزی، اقتصادی و اجتماعی و از سوی دیگر برای مطالعاتی مانند رواناب ها، خشک سالی ها، وضعیت آب های زیرزمینی و سیلاب ها ضروری است. همچنین پیش بینی بارش در مناطق شهری تاثیر بسیار زیادی بر کنترل ترافیک، جریان فاضلاب ها و فعالیت های ساخت وساز دارد.
روش پژوهش:
هدف این مطالعه مقایسه دقت مدل های کلاس بندی درخت تصمیم (چاید (CHAID)، درخت تصمیم C5، نیو بیزین (NB)، کوئست (Quest) و جنگل تصادفی)، k نزدیک ترین همسایگی (KNN)، ماشین بردار پشتیبان (SVM) و شبکه عصبی مصنوعی (ANN) جهت پیش بینی وقوع بارش باران با استفاده از داده های یک دوره 50 ساله در ایستگاه سینوپتیک فرودگاه همدان است. در این مطالعه از 80 درصد داده ها جهت آموزش و از 20 درصد داده ها جهت صحت سنجی مدل ها استفاده شده و نتایج حاصل از اجرای مدل ها با استفاده از معیارهای ماتریس درهم ریختگی (اغتشاش)، منحنی ROC و شاخص AUC مقایسه شدند. برای ساخت متغیر کلاس بندی داده های بارش و عدم بارش، با توجه به داده های بارش، روزهای سال در دو کلاس روزهای وقوع بارش (y) و روزهای عدم وقوع بارش (n) دسته بندی شدند. در این تحقیق پیش پردازش داده ها با استفاده از پیش پردازش خودکار داده ها (ADP) انجام شده و آنگاه کاهش ابعاد متغیرها از روش PCA استفاده شد.
یافته هادر این مطالعه با توجه به روش PCA ابعاد متغیرها به 5 بعد کاهش یافت. همچنین از داده های موجود تقریبا 80 درصد، روزها بدون بارش و 20 درصد روزها با بارش هستند. نتایج تحقیق نشان داد که مدل KNN با معیار صحت 9/91 برای داده های آموزشی و مدل SVM، 13/89 درصد برای داده های آزمون بهترین عملکرد را بین مدل های داده کاوی داشتند. شاخص AUC مدل KNN برابر 97/0 در داده های آموزشی و در داده های آزمون مقدار 94/0 برای الگوریتم SVM به دست آمد. همچنین با توجه به منحنی عملکرد سیستم (ROC) برای داده های بارش همدان مدل KNN نسبت به سایر مدل ها عملکرد بهتری را دارا می باشد. توجه به شاخص حساسیت در ماتریس اغتشاش، مدل های KNN و SVM در پیش بینی عدم وقوع بارش برای داده های آموزش بهتر عمل کردند. با توجه به شاخص خاصیت در پیش بینی وقوع بارش مدل های RT و KNN نتایج بهتری داشتند.
نتایجنتایج تحقیق نشان داد که در داده های آموزش مقدار معیار صحت برای مدل های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 82/86، 78/89، 55/89، 96/89، 06/88، 9/91، 29/88 و 46/87 بدست آمده اند. همچنین این معیار در داده های آزمون برای این مدل ها به ترتیب 2/83، 9/87، 12/88، 13/89، 12/87، 19/88، 93/86 و 76/86 به دست آمد. مقدار شاخص AUC در داده های آموزش برای مدل های RT، C5، ANN، SVM، BN،KNN ، CHAID و QUEST به ترتیب 94/0، 92/0، 94/0، 94/0، 93/0، 97/0، 93/0 و 89/0 به دست آمد. همچنین این معیار در داده های آزمون برای این مدل ها به ترتیب 89/0، 89/0، 93/0، 94/0، 92/0، 90/0، 92/0 و 88/0 برآورد شد. همان طور که مشاهده شد، با توجه به معیارهای صحت و شاخص AUC در داده های آموزش مدل KNN و با توجه به داده های آزمون مدل SVM کارا تر در پیش بینی بارش باران بودند.
کلید واژگان: شبکه عصبی مصنوعی، مدل K نزدیک ترین همسایگی، ماشین بردار پشتیبان، پیش بینی بارش باران، مدل های درخت تصمیمBackground and AimRainfall is one of the complex natural phenomena and one of the most crucial component of the water cycle, playing a significant role in assessing the climatic characteristics of each region. Understanding the amount and trends of rainfall changes is essential for effective management and more precise planning in agricultural, economic, and social sectors, as well as for studies related to runoff, droughts, groundwater status, and floods. Additionally, rainfall prediction in urban areas has a significant impact on traffic control, sewage flow, and construction activities.
MethodThe objective of this study is to compare the accuracy of classification models, including Chi-squared Automatic Interaction Detector (CHAID), C5 decision tree, Naive Bayes (NB), Quest tree, and Random Forest, k-Nearest Neighbors (KNN), Support Vector Machine (SVM), and Artificial Neural Network (ANN) in predicting rainfall occurrence using 50 years of data from the synoptic station at Hamedan Airport. In this study, 80% of the data is used for training the models, and 20% for model validation and the results obtained from the model executions are compared using metrics such as confusion matrix, Receiver Operating Characteristic (ROC) curve, and the Area Under the Curve (AUC) index. To create the classification variable for rainfall and non-rainfall data, based on rainfall data, the days of the year are categorized into two classes: days with rainfall (y) and days without rainfall (n). Data preprocessing is performed using Automatic Data Preprocessing (ADP). Then, Principal Component Analysis (PCA) is employed to reduce the dimensions of the variables.
ResultsIn this study, the PCA method reduces the dimensions of the variables to 5. Also, approximately 80% of the available data corresponds to rainless days, while 20% corresponds to rainy days. The research results indicated that the KNN model with an accuracy of 91.9% for training data and the SVM model with 89.13% for test data exhibit the best performance among the data mining models. The AUC index for the KNN model is 0.967 for training data and 0.935 for test data, while for the SVM algorithm, it is 0.967 for training data and 0.935 for test data. According to the ROC curve for Hamedan rainfall data, the KNN model outperforms other models. Considering the sensitivity index in the confusion matrix, the KNN and SVM models perform better in predicting non-rainfall occurrence for training data. In terms of the precipitation occurrence prediction, the RT and KNN models show better results according to the specificity index.
ConclusionThe results demonstrated that for the RT, C5, ANN, SVM, BN, KNN, CHAID, QUEST, accuracy metrics was obtained 86.82%, 89.78%, 89.55%, 89.96%, 88.06%, 91.9%, 88.29%, 87.46%, 91.9%, respectively for training data. Moreover, for test data, the accuracy metrics for this model was obtained 83.82%, 87.9%, 88.12%, 89.13%, 87.12%, 89.13%, 87.12%, 88.19%, 86.93%, 86.76%, respectively. The AUC index in the training data for RT, C5, ANN, SVM, BN, KNN, CHAID QUEST models was 0.94%, 0.99%, 0.94%, 0.94%, 0.93%, 0.97%, 0.93%, 0.89%, respectively. In addition, for the test data, this metric was evaluated 0.89%, 0.89%, 0.93%, 0.94%, 0.92%, 0.90%, 0.92%, 0.88% respectively. As observed, considering accuracy metric and AUC index for training data KNN model and for test data SVM model were more sufficient in rainfall prediction.
Keywords: Decision tree models, K-nearest neighbors (KNN) model, Rainfall prediction, Artificial Neural Network, support vector machine (SVM) -
نشریه علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، سال بیست و ششم شماره 2 (پیاپی 100، تابستان 1401)، صص 203 -221
هدف از پژوهش حاضر یافتن بهترین روش های بهره گیری از سنجش از دور و الگوریتم های طبقه بندی نظارت شده در پایش شوری بلندمدت در منطقه عتابیه در غرب استان خوزستان با وسعت 5000 هکتار است. شیوه کار بر پایه تفکیک سطوح مختلف خاک های شور به وسیله اطلاعات حاصل از تصاویر ماهواره ای لندست 7 و 8 (2001 تا 2015) همراه با داده های شوری برداشت شده از منطقه مورد مطالعه، و شاخص های شوری SI1، SI2، SI3، NDSI، IPVI و VSSI است. نتایج بدست آمده از طبقه بندی تصاویر ماهواره ای نشان-دهنده گسترش روند محدوده های شور در خاک های منطقه مورد مطالعه بوده که در این بین، خاک های با EC بیشتر از 16 دسی زیمنس بر متر (بسیار شور)، بیشترین فراوانی را دارند. افزایش وسعت خاک های شور به میزان قابل توجهی در طی 15 سال رخ داده است، به-طوری که وسعت اراضی شور بیش از 90 درصد افزایش داشته است. بر اساس این مطالعه، تنها شاخص معنی دار در شوری خاک در سطح اطمینان %95، شاخص SI3 بوده که توانسته است تخمین مناسبی از تغییرات افزایشی خاک های منطقه داشته باشد. نتایج طبقه بندی نظارت شده نشان داد که ماشین بردار پشتیبان (با دقت کلی 95/78 و ضریب کاپا 0/89)، دارای دقت بیشتری است. پس از روش ماشین بردار پشتیبان به ترتیب روش های حداقل فاصله از میانگین، حداکثر احتمال شباهت و فاصله ماهالانوبیس دارای بیشترین دقت هستند. بر اساس نقشه های شوری بدست آمده در سال های 2001، 2005، 2010 و 2015 میلادی می توان گفت میزان شوری در تمام منطقه مورد مطالعه پیشروی داشته و همزمان وسعت شوری در کلاس های متوسط و زیاد توسعه بسیار زیادی داشته است. به طوری که وسعت شوری در کلاس بسیار زیاد در سال 2015 به تدریج نسبت به سال 2001 در تمام منطقه پراکنش داشته است.
کلید واژگان: ارزیابی شوری خاک، تصاویر لندست ETM+، ماشین بردار پشتیبان، عتابیه، خوزستانThe current study aims to find the best methods of using remote sensing and supervised classification algorithms in long-term salinity monitoring of salinity changes in the Atabieh area with an area of 5000 hectares in the west of Khuzestan province. The procedure is based on the separation of different levels of saline soils utilizing information obtained from Landsat 7 and 8 satellite images (2001 to 2015) along with salinity data taken from the study area, and salinity indices including SI1, SI2, SI3, NDSI, IPVI, and VSSI. The results show the expansion of the saline zone trend in the soils of the study area, among which, soils with EC of more than 16 dS m-1 (very saline) have the highest frequency. The area of saline soils has increased significantly over the past 15 years, with a saline land area increasing by more than 90%. The percentage of salinity class is low (S1). According to this study, the only significant index in soil salinity at a 95% confidence level is the SI3 index, which has been able to have a good estimate of the increasing changes in soils in the region. The results of the supervised classification showed that the support vector machine (with an overall accuracy of 95.78 and a kappa coefficient of 0.89) is more accurate. After the vector machine method, the methods of minimum distance, maximum likelihood, and distance of Mahalanobis have the highest accuracy, respectively. Based on salinity maps obtained in years in 2001, 2005, 2010, and 2015, it can be said that the salinity rate in the whole of the study area was progressing and at the same time the salinity area in the middle and high classes increased decreased and on the other hand, the salinity area in the high class in 2001 gradually increased and distributed in 2015 throughout the region.
Keywords: Soil salinity assessment, Landsat ETM+ images, Support vector machine (SVM), Atabiyeh, Khuzestan -
مقدمه و هدف
تخمین مقدار چوب تولیدی در عرصه های صنوبرکاری شده بدون تعیین مساحت صنوبرکاری ها امکان پذیر نیست. برآورد میزان چوب تولیدی برای مدیریت تولید واحدهای صنایع چوبی بسیار مهم است. صاحبان صنایع باید بدانند در سالهای آتی تا چه میزان چوب صنوبر قابل استحصال خواهد بود. از این رو شناسایی عرصه های صنوبرکاری در استان مازندران از اهداف اصلی تحقیق حاضر است.
مواد و روش هادراین تحقیق به منظور برآورد سطح صنوبر کاری های بالغ استان مازندران از تصاویر سنتینل2 استفاده شد. لذا ابتدا یک بررسی کلی روی پراکنش و سطح صنوبر کاری های با تاج پوشش کامل در استان مازندران انجام شد. سپس به صورت تصادفی در کل منطقه مورد مطالعه سطح 202 محل صنوبرکاری شده به عنوان نمونه های تعلیمی با استفاده از سیستم موقعیت یاب جهانی (GPS) برداشت شد. در گام بعدی، تصاویر مربوطه از لحاظ زمانی مشخص و بارگیری شدند. سپس تصحیحات رادیومتری، اتمسفری، و هندسی روی آنها انجام شد و همچنین آشکارسازی باندی، ترکیبات رنگی، موزاییک تصاویر و محاسبات باندی انجام گرفت. در این مطالعه از الگوریتم ماشین بردار پشتیبان SVM، به منظور استخراج سطوح صنوبر کاری در دروه رویش سال 1398 (نیمه دوم اسفند تا آذر) استفاده شد. ارزیابی صحت نتایج طبقه بندی نقشه های تولید شده، با استفاده از 183نقطه واقعیت زمینی از طریق سیستم موقعیت یاب جهانی (GPS) انجام شد.
یافته هانتایج به دست آمده نشان داد که در سال 1398، 705 هکتار از مساحت مازندران زیر کشت صنوبر می باشد که شهرستان های محمودآباد و نکا با مساحت 167 هکتار و 33 هکتار به ترتیب بیش ترین و کم ترین سطح صنوبرکاری را به خود اختصاص دادند. مقدار مساحت برآورده شده در این تحقیق بدون احتساب توده های صنوبرکاری جوان بوده است. همچنین نتایج حاصل از ارزیابی صحت نشان داد که صحت کلی 95/35 درصد می باشد. مساحت متوسط توده های صنوبرکاری 800 متر مربع بود. اما تعداد توده های کمتر از 500 متر مربع (7121 توده) بیش از 80 درصد توده ها را شامل می شد. تنها 0/2 درصد از کل توده ها (57 توده)، مساحت بیش از یک هکتار را داشتند. همین 57 توده حدود نیمی از سطح صنوبرکاری های استان را به خود اختصاص دادند.
نتیجه گیریبا وجود شرایط مساعد اقلیمی استان مازندران سطح صنوبر کاری ها، کم تر از حد انتظار برآورد گردید. بنابراین پیشنهاد می شود در آینده برای تامین نیازهای چوبی استان مازندران از طریق زراعت چوب، برنامه ریزی و اقدامات لازم صورت بگیرد.
کلید واژگان: نمونه تعلیمی، زراعت چوب ماشین، بردار پشتیبان، واقعیت زمینیIntroduction and objectiveEstimating the amount of wood produced in poplar plantations is not possible without determining the area of poplar plants. Estimating the amount of wood produced is very important for the production management of wood industry units. Industry owners need to know how much poplar wood can be extracted in the coming years. Therefore, identifying areas of poplar cultivation in Mazandaran province is one of the main objectives of the present study.
Materials and methodsThis study was conducted to estimate adult poplar cultivations area using Sentinel2 satellite in Mazandaran Province. Firstly, the general survey carried out on poplar cultivation with full canopy distribution and its cultivation area at the regarding area. Then, in the whole area, the numbers of 202 cultivated areas have randomly been mapped using Global Positioning System (GPS) as Training Samples. In the next step, the relevant images have been identified in term of time and downloaded, and also radiometric, atmospheric, and geometric corrections have been done on them. Also, banding appearance, color compositions, images mosaicking and bands calculations have been performed. The Support Vector Machine (SVM) algorithm has been used in order to extract poplar cultivation in the growth period of 2018 (March to December). Evaluation of the accuracy of the classification results of the generated maps was performed using 183 ground trust points via GPS.
ResultsThe results showed that in 2018, 705 hectares of Mazandaran area are under poplar plantations, which Mahmoudabad and Neka cities with an area of 167 hectares and 33 hectares, respectively, had the highest and lowest area of poplar cultivation. Poplar cultivation area estimated in this study was excluding young poplar stands. Furthermore, the results of the accuracy assessment demonstrated that the overall accuracy is 95.35. The average area of poplar stands was 800 square meters. But the number of stands less than 500 square meters (7121 plots) includes more than 80% of the stands. Only 0.2% of the total stands (57 stands) make up more than one hectare. These 57 stands occupied about half of the province's poplar plantations.
ConclusionDespite the favorable climatic conditions in Mazandaran province, the area of poplar cultivations was lower than expected. Therefore, it is suggested that in the future, the necessary measures should be taken to meet the wooden needs of Mazandaran province through wood farming.
Keywords: Ground trust, Support Vector Machine (SVM), Training Samples, Woof Farming -
پیش بینی خشکسالی، شدت و زمان رخداد آن از دلشوره های بزرگ پژوهشگران هواشناسی و هیدرولوژی می باشد. در این میان اهمیت متغیرهای هواشناسی و جوی در تخمین مناسب شدت خشکسالی از موضوعات مورد علاقه محققین است. در این پژوهش با بکارگیری متغیرهای دمای هوا و ارتفاع ژئوپتانسیل در لایه های گوناگون جوی به بررسی پیوند این متغیرها در 31 سال گذشته (54-1386) با استفاده از نمایه بارش استاندارد شده (SPI) به عنوان شاخص خشکسالی اقلیمی در حوزه آبخیز سدهای تامین کننده آب تهران پرداخته شده است. پس از برآورد میانگین بارش با استفاده از شاخص آماری اطلاعات متقابل نقطه-متغیرهای هواشناسی که پیوند نیرومندتری را با نمایه SPI در گستره های مورد مطالعه داشته اند، به عنوان متغیرهای مناسب برگزیده شدند. سپس در راستای پیش بینی کلاس خشکسالی اقلیمی SPI از مدل ماشین بردار پشتیبان (SVM) به عنوان یکی از روش های یادگیری آماری استفاده شده است. نتایج گویای پاسخ مناسب رویکرد مورد استفاده در پیش بینی وقوع خشکسالی است. همچنین با استفاده از جستجوی مکانی ارتباط متغیرهای هواشناسی و مقادیر هدف، بهترین ترکیب این متغیرها نیز برگزیده شده است و در اکثر موارد پیش بینی با دقت مناسب به منظور کاربردهای واقعی دارای قابلیت بکارگیری است. دقت پیش بینی در فصول پاییز و زمستان بیش از سایر فصول بوده است.کلید واژگان: خشکسالی هواشناسی، دسته بندی نمایه بارش استاندارد شده، ماشین بردار پشتیبان، حوضه آبریز تهرانDrought prediction is an important item in realm of hydrometeorology and hydrology, and selection of suitable meteorological variables for drought prediction is a goal in recent studies. In this paper, suitable feature selection is investigated with application of Mutual Information (MI) on the predictor’s time series and the well-known statistical machine learning methods, Support Vector Machine (SVM), is proposed to predict drought class based on Standardized Precipitation Index (SPI) in some seasonal scale scenario in the main watersheds of Tehran. In current study, ground weather temperature (at 300, 500, 700 and 850 mi bar) and geopotential height (at 300, 500, 700 and 850 mi bar) was applied in prediction models based on data from 1975 to 2005 in the main watershed of Tehran. Regarding to the amount of predictors, suitable feature selection is investigated with application of Mutual Information (MI) on the predictor’s time series and target time series and the well-known statistical machine learning methods, support vector machine (SVM), is applied to predict SPI class. One of the important issue in this research is use of different variables, for example regarding to selected data points, the effective regions on Tehran precipitation are southern, southwestern and northwestern of Iran in spring, northern and northwestern in autumn and northwestern and western in winter. SVM depicted accurate results in classification and prediction of SPI and it is suitable and applicable. The predicted SPI in winter and autumn are more accurate than the other scenarios.Keywords: Meteorological Drought, Standardized Precipitation Index (SPI) Classification, Support Vector Machine (SVM), Tehran’s Watersheds
-
مدیریت تولید محصولات گلخانه ای نیازمند دانش کنترل بسیاری از عوامل محیطی ، تغذیه گیاهی و مبارزه با آفات و بیماری های گیاهی است. یکی از مهمترین فعالیت ها در فرآیند تولید محصولات گلخانه ای شناخت و مبارزه با آفات می باشد. از جمله روش های اثر بخشی سموم و کاهش میزان مصرف آنها خصوصا در مورد سموم کنترل کننده آفات حشره ای، پیش آگاهی و اطلاع از تراکم جمعیتی آفات است. فناوری شبکه های حسگر بیسیم (WSN) از جمله فناوری های نوینی است که به منظور حس کردن محیط و جمع آوری و انتقال اطلاعات به سمت کاربر یا ایستگاه مرکزی برای مشاهده و عکس العمل مناسب با رخداد یا پدیده ای بکار برده می شوند. در تحقیق حاضر، امکان استفاده از WSN در دیده بانی و تشخیص به موقع آفت مگس سفید گلخانه و تهیه و ترسیم نقشه آلودگی گلخانه مورد بررسی قرار گرفت. برای این منظور تعداد 3750 تصویر از 15 تله چسبی نصب شده در گلخانه ای با محصول طالبی در مرکز تحقیقات و آموزش جهاد کشاورزی اصفهان که به مگس سفید آلوده شده بودند تهیه و به صورت خودکار با استفاده از WSN و به صورت بیسیم به رایانه واقع در فاصله 900 متری از گلخانه انتقال می یافت. تصاویر رنگی تله های چسبی که به کمک 15 دوربین تصویر برداری تهیه شدند با استفاده از نرم افزار متلب به تصاویر خاکستری تبدیل شده و بعد از بخش بندی توسط الگوریتم ماشین بردار پشتیبان (SVM) و بر اساس ویژگی های تصاویر، به دو دسته تصاویر دارای آفت مگس سفید و فاقد مگس سفید طبقه بندی شدند. پس از شناسایی آفت مگس سفید، تعداد آفات تصاویر شمارش شده و با توجه به تعداد آنها با استفاده از نرم افزار ArcMap10. 2 نقشه آلودگی گلخانه ترسیم گردید. با ارزیابی سامانه نتایج نشان داد که دقت الگوریتم SVM برای طبقه بندی تصاویر تله های چسبی برابر 73/97 درصد است و میانگین مقادیر شاخص های آماری ماتریس اغتشاش برای 15 تله چسبی شامل حساسیت، صحت، اختصاصی بودن و دقت طبقه بندی به ترتیب 46/98، 31/86، 08/99 و 72/97 درصد می باشد. میانگین دقت کلی سامانه در تشخیص و شمارش تعداد مگسهای سفید به دام افتاده در تله های چسبی 71/97 درصد می باشد. محاسبه ریشه میانگین مربعات خطا (RMSE) در برآورد تعداد مگس سفید به روش پردازش تصویر و شمارش مستقیم بین 1 تا 03/5 متغیر بود. لذا استفاده از این سامانه برای تشخیص و ردیابی و شمارش تعداد مگس های سفید به دام افتاده مناسب است و می توان با ترسیم نقشه آلودگی گلخانه برنامه ریزی مناسب جهت مبارزه با آفت مذکور انجام داد.کلید واژگان: شبکه حسگر بیسیم، مگس سفید، تله چسبی، ماشین بردار پشتیبان، نقشه آلودگیManaging the production of greenhouse products requires knowledge of controlling many environmental factors and plant nutrition and fight against pests and plant diseases. Recognition pests and fight against them is one of the most important activities in the process of production of greenhouse products. Pre-knowledge of the demographic density of insect pests is one of the effective methods of pesticides and reduce their levels of use, especially for insect pest control toxins. Wireless Sensor Networking Technologies (WSN) is one of the new technologies used to sense the environment and collect and transmit information to the user or the central station to view and respond appropriately to an occurrence or phenomenon. In this study, the use of WSN in monitoring, timely diagnosis of greenhouse white flies, design and mapping of greenhouse contamination was investigated. For this goal, 3750 images of 15 sticky traps with white flies that attached to Melon greenhouse in Isfahan Agricultural Jihad Research Center were provide and transmitted online using a WSN to a computer located at a distance of 900 meters from the greenhouse. The color images of the sticky traps are acquired by using 15 digital cameras were converted to gray colored images using MATLAB software, then after image classification with Support Vector Machine (SVM) classifier based on their features, are divided into two categories of images: whiteflies affected image and whiteflies unaffected image. After identification of the white flies, number of pests was counted and infection maps of Greenhouse with ArcMap10.2 software was drawn up. Assessment of the system showed that accuracy of SVM algorithm for categorizing images of sticky traps was 97.73%, and the average values of statistic parameters of the Confusion matrix for 15 traps including sensitivity, accuracy, specificity and classification accuracy were 98.46%, 83.31%, 99.08% and 97.72% respectively. The overall accuracy of the system for detection and counting Greenhouse whitefly pests is 97.71%. The average root mean square error (RMSE) in estimating of the number of white flight by image processing and direct counting was between 1 and 5.03. Therefore, the system is suitable for detecting and tracing and counting the number of trapped white flies, and it is possible to design appropriate greenhouse poisoning plans to fight this pest.Keywords: : Wireless Sensor Network (WSN), infection maps, whitefly, sticky traps, Support Vector Machine (SVM)
-
نشریه سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، سال نهم شماره 2 (تابستان 1397)، صص 76 -92مطالعه انعکاس طیفی پدیده ها از طریق شاخص های طیفی امکان استفاده بهینه از دامنه وسیع طول موج های طیفی را در داده های ابرطیفی فراهم می کند. هدف از تحقیق، معرفی و ارزیابی عملکرد شاخص های طیفی در تفکیک گونه های غالب باغی در استان چهارمحال و بختیاری است. در این تحقیق 150 نمونه طیفی در محدوده 350 الی 2500 نانومتر، از گونه های انگور، گردو و بادام در انواعی از شرایط برداشت شد و پس از تصحیح اولیه، 30 عدد از مهم ترین شاخص های طیفی موجود در این زمینه استخراج شدند. آزمون واریانس و مقایسه میانگین ها جهت شناسایی شاخص های بهینه در تفکیک گونه ها، در سطح 99 درصد اطمینان اجرا شد. سپس از دو رویکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان جهت ارزیابی عملکرد شاخص ها در تفکیک گونه ها استفاده شد. نتایج آزمون واریانس نشان داد که شاخص های تنش رطوبت، نسبت باند در 1200 نانومتر، شاخص نرمال شده فئوئوفیتین و شاخص جذب سلولز جهت تفکیک گونه های موردمطالعه بهینه هستند. نتایج ارزیابی عملکرد شاخص های معرفی شده نتیجه 100 درصد تفکیک گونه ها را در دو رویکرد شبکه عصبی مصنوعی و ماشین بردار پشتیبان، در هر دو مرحله آموزش و آزمون نشان داده است. این نتایج لزوم انجام مطالعات طیف سنجی را برای تفکیک گونه های باغی پیش از تحلیل داده های تصویری ابرطیفی به دلیل حجم وسیع و هزینه بیشتر تهیه و تحلیل آن ها نشان می دهد.کلید واژگان: طیف سنجی زمینی، تفکیک طیفی گونه های گیاهی، شاخص های طیفی، شبکه عصبی مصنوعی، ماشین بردار پشتیبانStudy spectral reflectance through spectral indices allows the optimal use of the wide range of spectral wavelengths in hyperspectral data. The purpose of this study was to introduce and evaluate the performance of spectral indices to discriminate dominant orchard species in Chaharmahal Bakhtiari province. In this study, 150 spectral curves were measured in the range of 350 to 2500 mm, from grapes, walnuts and almond trees. After the initial correction, 30 of the most important spectral indices were extracted. Analysis of variance and comparisons of meanings was applied to identify the optimal indices for species discrimination at a 99% confidence level. Then, an artificial neural network (ANN) and support vector machine (SVM) approaches were used to evaluate the performance of indices in species discrimination. ANOVA results indicated that the Moisture Stress Index (MSI), Band ratio at 1,200 nm, normalized phaepophytiniz index (NPQI) and cellulose absorption index (CAI) indices are optimal for discrimination of the studied species. The performance evaluation of the introduced indicators in some of the ANN and SVM enhancement structures has been associated with 100% accuracy in both education and testing, which shows the effectiveness of these studies in distinguishing orchard species. The performance evaluation of the introduced indicators has been validated at 100% in both training and testing stages. This result emphasizes the necessity of performing spectroscopic studies to separate the orchard species before analyzing the hyperspectral images due to their large data volume, high cost and huge data analysis.Keywords: Field spectroscopy, Plant species discrimination, Spectral indices, Artificial neural network (ANN), Support vector machine (SVM)
-
در این مقاله روشی هوشمند به منظور طبقه بندی اردک های سالم و بیمار بر اساس صدای منتشره از آن ها طراحی و به کار گرفته شده است. بدین منظور ابتدا پرندگان بر اساس وضعیت سلامتی به دو طبقه ی سالم و بیمار تقسیم و صدای هر یک توسط یک میکروفن ثبت شد. سیگنال های تحصیل شده توسط تبدیل سریع فوریه از حوزه ی زمان به حوزه فرکانس انتقال یافتند. سپس 5 تابع ویژگی واریانس، انحراف از معیار، ریشه ی میانگین مربعات، میانگین و کورتسیس از سیگنال های حوزه ی زمان و فرکانس استخراج شدند. از دو طبقه بند شبکه عصبی مصنوعی و ماشین بردار پشتیبان به منظور شناسایی سیگنال های صدا استفاده شد. شبکه عصبی مصنوعی توانست به ترتیب با دقت 75 و 1/82 درصد و ماشین بردار پشتیبان نیز به ترتیب با دقت 7/85 و 8/92 درصد بر اساس سیگنال های حوزه زمان و حوزه ی فرکانس، سیگنال های صدای مربوط به اردک های بیمار و سالم را از یکدیگر تشخیص دهند.کلید واژگان: تشخیص پرندگان بیمار، سیگنال های صدا، داده کاوی، شبکه عصبی مصنوعی، ماشین بردار پشتیبانIn this paper, a smart method is designed in order to classify healthy and illness ducks using their emission voice. For this purpose, firstly, the birds based on their healthy condition are divided into the different categories and then their voices are saved using a microphone and data acquisition card. Gained signals were transformed from time-domain signal to frequency domain using Fast Fourier Transform (FFT). Then, 5 statistical features are extracted from both time and frequency signals namely, mean, standard division, root mean square, variance and kurtosis. Two classifiers which are artificial neuralnetworks (ANN) and support vector machine (SVM) are used, in order to acquire the bird classification in healthy and sick accuracy. The accuracy of ANN classifier in detection of healthy birds within sick and weak birds was determined 75% and 82.1 % based on the time and frequency domain of the sound signals, respectively. The accuracy of SVM classifier in detection of healthy birds within sick and weak birds was determined 85.7 % and 92.8 % based on the time and frequency domain of the sound signals, respectively.Keywords: sick bird's detection, sound signals, data mining, artificial neural network (ANN), support vector machine (SVM)
-
پیش بینی دقیق جریان رودخانه ها در مدیریت منابع آب از اهمیت بسزایی برخوردار است. در مطالعه حاضر به منظور پیش بینی جریان رودخانه باراندوزچای از دو روش برنامه ریزی ژنتیک (GP) و ماشین بردار پشتیبان (SVM) استفاده شد. داده های جریان روزانه این رودخانه در ایستگاه دیزج در خلال سال های 1385 تا 1389 برای ایجاد مدل استفاده شد که 80 درصد داده ها برای آموزش و 20 درصد برای تست مدل بکار رفت. نتایج نشان داد که در هر دو روش، مدل های شامل جریان یک، دو و سه روز قبل بالاترین دقت را در مرحله صحت سنجی داشتند. همچنین دقت هر دو مدل با افزایش مقادیر دبی کاهش می یابد. مقایسه نتایج دو مدل نشان داد که گرچه دقت روش برنامه ریزی ژنتیک با R=0.978 و (RMSE=1.66 (m3/s نسبت به روش ماشین بردار پشتیبان با R=0.976 و (RMSE=1.80 (m3/s، اندکی بیشتر بود، اما روش SVM به مراتب ساده تر از روش GP می باشد و این روش می تواند به عنوان یک روش کاربردی برای پیش بینی جریان روزانه بکار رود.
کلید واژگان: برنامه ریزی ژنتیک، پیش بینی جریان روزانه، ماشین بردار پشتیبان، رودخانه باراندوزچایJournal of water and soil, Volume:28 Issue: 6, 2015, PP 1162 -1171Accurate estimation of river flow can have a significant importance in water resources management. In this study, Genetic programming (GP) and Support Vector Machine (SVM) methods were used to forecast daily discharge of Barandoozchay River. The daily discharge data of Barandoozchay River measured at the Dizaj hydrometric station during 2007 to 2011 was used for modeling, which 80% of the data used for training and remaining 20% used for testing of models. The results showed that in the both of considered methods, the models including discharges of one, two and three days ago had higher accuracy in verification step and the accuracy of models decreased with increasing discharge values. Comparing the performance of GP and SVM methods indicated that, however the accuracy of the GP method with the R=0.978 and RMSE=1.66 (m3/s) was slightly more than SVM method with R=0.976 and RMSE=1.80 (m3/s), but the SVM is easier than GP method. Thus, the SVM method can be used as an alternative method in forecasting daily river discharge.Keywords: Genetic programming (GP), Support Vector Machine (SVM), Daily discharge forecasting, Barandoozchay River
- 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.