الگوریتم های یادگیری ماشین برای برنامه ریزی کاربری اراضی شهری

Publish Year: 1401
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 542

This Paper With 19 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CIVILISC02_061

تاریخ نمایه سازی: 17 مرداد 1401

Abstract:

شهرنشینی در سطح جهانی پایدار است و پیامدهای مکانی و زیست محیطی قابل توجهی دارد. این امربه ویژه در کشورهای در حال توسعه به دلیل افزایش فشار بر منابع محدود و آسیب به محیط زیستفیزیکی چالش برانگیز است. روشهای تحلیلی سنتی برای مطالعه پویایی کاربری زمین شهری مرتبطبا شهرنشینی، ایستا هستند و گرایش به رویکردهای بالا به پایین، مانند مدلسازی خطی و ریاضیدارند. این رویکردهای سنتی ویژگی های غیرخطی تغییر کاربری زمین را در بر نمی گیرند. فناوری هایجدید، مانند هوش مصنوعی AI و یادگیری ماشین ML ، مدلسازی و پیشبینی جنبه هایغیرخطی پویا زمین شهری را ممکن کردهاند. هوش مصنوعی و یادگیری ماشین برای شناسایی الگوهاو انجام پیش بینی ها، تصمیم سازی و انجام عملیات با دقت و به صورت سریع برنامه ریزی شده اند.طبقه بندی، تحلیل و مدل سازی با استفاده از داده های مبتنی بر مشاهدات زمینی، پای های را برایپشتیبانی داده های مکانی برای برنامه ریزی کاربری زمین تشکیل میدهد. در فرآیند دستیابی به دقت بالاتر در طبقه بندی داده های مکانی، الگوریتم های ماشین لرنینگ در حال توسعه و بهبود هستند تافرآیند تصمیم سازی را بهبود دهند. هدف از این تحقیق، نشان دادن الگوریتم های مختلف یادگیریماشین و مدل های آماری است که برای مطالعه جنبه های برنامه ریزی کاربری زمین با استفاده ازداده های مبتنی بر مشاهدات زمینی EO استفاده شده اند. این تحقیق در نظر دارد عملکرد، الزاماتکارکردی، قابلیت استفاده و مشکلات تحقیقاتی را برای آنها به بهترین شکل اعمال کند. بررسی ادبیاتنشان داد که الگوریتم های جنگل تصادفی RF یادگیری عمیق مانند شبکه عصبی پیچشی CNN و ماشین برداری پشتیبان SVM برای طبقه بندی و تحلیل الگوی داده های مبتنی بر مشاهداتزمینی مناسب تر هستند. GAN ها شبکه های مولد متخاصم برای شبیه سازی الگوهای شهریاستفاده شده اند. الگوریتم هایی مانند اتوماتای سلولی، رگرسیون لجستیک فضایی و مدل سازی عامل بنیان برای مطالعه رشد شهری، تغییر کاربری اراضی و تحلیل الگوی سکونتگاه استفاده شده اند. اکثرمقالات الگوریتم های کاربردی ماشین لرنینگ را برای طبقه بندی داده های مبتنی بر مشاهدات زمینیو مطالعه رشد شهری و تغییر کاربری زمین بررسی کرده اند. مشاهده می شود که رویکردهای ترکیبیاز نظر دقت، کارایی و هزینه محاسباتی عملکرد بهتری دارند

Authors

میلاد وطنی

کارشناسی ارشد شهرسازی گرایش برنامه ریزی شهری، دانشگاه تهران

عبدالسلام اسمعیل زاده

کارشناسی ارشد شهرسازی گرایش برنامه ریزی شهری، دانشگاه علامه طباطبایی