مقایسه مدل های یادگیری ماشینی جهت اولویت بندی مناطق مستعد تولید گرد و غبار
مد ل سازی یکی از ابزارهای مناسب برای تصمیم گیری پدیده های محیط زیستی می باشد که به صورت مدل های مفهومی یا روابط ریاضی بیان می شوند. هدف از این تحقیق مقایسه مدل های یادگیری ماشینی شامل ماشین بردار پشتیبان، درخت طبقه بندی و رگرسیون، جنگل تصادفی و مدل آنالیز تشخیص ترکیبی جهت اولویت بندی مناطق مستعد گرد و غبار است. جهت تعیین روز های گرد و غبار از داده های ساعتی هواشناسی استان های البرز و قزوین و تصاویر ماهواره ای مربوط به همان روزها برای دوره 2000 تا 2019 استفاده شد. 420 نقطه برداشت گرد و غبار در منطقه شناسایی و نقشه پراکنش آ ن ها تهیه گردید. سپس نقشه های عوامل تاثیرگذار بر وقوع گرد و غبار شامل نقشه های کاربری اراضی، خاک شناسی، شیب، جهت، ارتفاع، پوشش گیاهی، رطوبت سطح توپوگرافیکی، نسبت سطح توپوگرافیکی و زمین شناسی تهیه گردید. با استفاده ازمدل های ذکر شده تاثیر هر یک از عوامل موثر گرد و غبار مشخص و نقشه های اولویت بندی مناطق برداشت گرد و غبار تهیه شد. ارزیابی مدل ها با استفاده از منحنی راک صورت گرفت. طبق نتایج حاصل شده عامل ارتفاع در تمامی مدل ها نسبت به سایر پارامترهای مورد استفاده در مدل از اهمیت بیشتری برخوردار است. نتایج مدل سازی نیز نشان داد مدل های جنگل تصادفی (RF) و مدل آنالیز تشخیص ترکیبی (MDA) دارای بیشترین مقادیر صحت (96/0)، دقت (94/0)، احتمال آشکارسازی (98/0) و کمترین نرخ هشدار اشتباه (051/0) نسبت به بقیه مدل ها است. عملکرد مدل های RF و MDA نسبت به سایر مدل ها بهتر بوده و پس از آن ها به ترتیب مدل های ماشین بردار پشتیبان ((SVM و درخت طبقه بندی و رگرسیون (CART) قرار دارند. همچنین در ارزیابی مدل ها با استفاده از منحنی مشخصه عملکرد (ROC)، مدل RF به عنوان بهترین مدل انتخاب شد.
- 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.