مقایسه رویه های شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت در مدل سازی و پیش بینی جنگل زدایی مطالعه موردی: حوزه آبخیز گرگانرود- استان گلستان
تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا می کند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیش بینی روند مکانی تغییرات پوشش جنگل است.
در این مطالعه از نقشه های کاربری اراضی تولید شده از ماهواره Landsat سنجنده TM مربوط به سال های 1984 و 2012 استفاده شد. مدل سازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیش بینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. به منظور برآورد صحت مدل سازی از آماره های ROC، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد.
نتایج بیان گر صحت بالای شبکه عصبی مصنوعی با میزان ROC برابر 975/0 ، نسبت موفقیت به هشدار خطا 63 درصد و عدد شایستگی 12 درصد می باشد.
شبکه های عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کم تری در مدل سازی و پیش بینی تغییرات جنگل برخوردارند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.