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
Publish place: Environmental Science and Technology، Vol: 21، Issue: 11
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 180
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESTJ-21-11_017
تاریخ نمایه سازی: 19 مهر 1400
Abstract:
زمینه و هدف: تغییر در پوشش جنگلی در خدمات اکوسیستمی، تعادل کربن در جو و در نتیجه تغییرات آب و هوا نقش بسیار مهمی ایفا میکند. هدف از این تحقیق مقایسه سه روش شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت، جهت پیشبینی روند مکانی تغییرات پوشش جنگل است. روش بررسی: در این مطالعه از نقشههای کاربری اراضی تولید شده از ماهواره Landsat سنجنده TM مربوط به سالهای ۱۹۸۴ و ۲۰۱۲ استفاده شد. مدلسازی پتانسیل انتقال با استفاده از شبکه عصبی مصنوعی، رگرسیون لجستیک و یادگیری برمبنای نمونه وزنی مشابهت و پیشبینی تغییرات برای بهترین مدل با استفاده از زنجیره مارکف انجام شد. بهمنظور برآورد صحت مدلسازی از آمارههای ROC، نسبت موفقیت به هشدار خطا و عدد شایستگی استفاده شد. یافتهها: نتایج بیانگر صحت بالای شبکه عصبی مصنوعی با میزان ROC برابر ۹۷۵/۰ ، نسبت موفقیت به هشدار خطا ۶۳ درصد و عدد شایستگی ۱۲ درصد میباشد. بحث و نتیجهگیری: شبکههای عصبی مصنوعی در مقایسه با رگرسیون لجستیک و یادگیری بر مبنای نمونه وزنی مشابهت از صحت بالاتر و خطای کمتری در مدلسازی و پیشبینی تغییرات جنگل برخوردارند.
Keywords:
جنگل زدایی , شبکه عصبی مصنوعی , رگرسیون لجستیگ , یادگیری بر مبنای نمونه وزنی مشابهت , حوزه آبخیز گرگانرود
Authors
زینب مرادی
دانش آموخته کارشناسی ارشد محیط زیست، گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.
علیرضا میکاییلی تبریزی
دانشیار، گروه محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران (مسوول مکاتبات).
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :