اطلاعات جغرافیایی
زهرا مرادی؛ محمدسعدی مسگری
چکیده
اهمیت روزافزون مسکن به لحاظ تأثیرات عمیق و قابلتوجهی که بر ابعاد مختلف اجتماعی، سیاسی و اقتصادی کشورها میگذارد، بر کسی پوشیده نیست؛ بنابراین برآورد دقیق و قابلاعتماد قیمت بهطورقطع امر سیاستگذاری در این زمینه را آسان مینماید. در شرایط مختلف ممکن است صدها عامل بهصورت زیرمجموعهای از عوامل ساختاری، مکانی و اجتماعی – ...
بیشتر
اهمیت روزافزون مسکن به لحاظ تأثیرات عمیق و قابلتوجهی که بر ابعاد مختلف اجتماعی، سیاسی و اقتصادی کشورها میگذارد، بر کسی پوشیده نیست؛ بنابراین برآورد دقیق و قابلاعتماد قیمت بهطورقطع امر سیاستگذاری در این زمینه را آسان مینماید. در شرایط مختلف ممکن است صدها عامل بهصورت زیرمجموعهای از عوامل ساختاری، مکانی و اجتماعی – اقتصادی بر قیمت املاک تأثیر بگذارد. بنابراین بایستی با در نظر گرفتن این عوامل، قیمت گذاری املاک بهطور کارآمد انجام شود. با توجه به ماهیت پیچیدهی بازار املاک در تحقیقات انجامشده از الگوریتمهای متداول یادگیری عمیق مانند DNN ، RNN، CNNو ... استفادهشده است، اما این الگوریتمها در خصوص دادههای جدولی چندان مناسب نمیباشند. از طرفی مدلهای یادگیری عمیق موجود در قیمتگذاری ملک نیز کاملاً قطعی هستند و عدم قطعیت دادهها را لحاظ نمیکنند. در این مقاله سعی شده است که در بهکارگیری روشهای یادگیری عمیق به ساختار جدولی دادههای املاک توجه شود. برای این منظور معماری عمیق جدید TabNet به کار گرفته شده است. این الگوریتم برخلاف سایر الگوریتمهای متداول یادگیری عمیق دادههای جدولی خام را بدون هیچگونه پیشپردازشی دریافت میکند. در این پژوهش همچنین با استفاده از تکنیکهای ترکیب موجود، منطق فازی با الگوریتمهای یادگیری عمیق ترکیب شده است تا ضمن یادگیری سریع و دقیقتر مسائل پیچیده، بر کاستی های قطعی بودن مدل های یادگیری عمیق و در نظر نگرفتن عدم قطعیت ذاتی دادهها در این مدل ها غلبه شود. همچنین با بهکارگیری سیستم اطلاعات مکانی (GIS) ارزیابی شفافتری ارائه شد تا بصری سازی کامل الگوی مکانی ویژگیهای ملک و همچنین ارتباط این ویژگیها و قیمتگذاری تضمین و متغیرهای مکانی نیز در مدل ارزشگذاری لحاظ شوند. بهمنظور ارزیابی روشهای پیشنهادی از دادههای املاک منطقهی پنج تهران استفاده شده است. ترتیب و اولویتبندی تأثیرگذاری ویژگیها در قیمتگذاری املاک مسکونی تهران توسط الگوریتم TabNet نشاندهندهی تأثیر قابلتوجه عوامل مکانی میباشد. بهطوریکه در این رتبهبندی پس از مساحت دو ویژگی مکانی طول و عرض جغرافیایی به ترتیب رتبهی دوم و سوم را دارا میباشند. درنهایت برای مجموعه دادهی تهران الگوریتمهای TabNet، DNN،CNN ، RNN، LSTM، خود رمزگذار و همچنین الگوریتم یادگیری ماشین XGBoost به کار گرفتهشده و معیارهای ارزیابیRMSE ،MAE و مقایسه شدند که بر اساس معیار، با به کارگیریTabNet پنج درصد بهبود دقت حاصل شد. درنهایت RMSE الگوریتم ترکیبی FuzzyTabNet برای دادهی تهران نسبت به الگوریتم پایهی TabNet 4.65% کاهش یافت. همچنین شبکهی خود رمزگذار فازی نیز نسبت به شبکهی خود رمزگذار معمولی 6.52 درصد بهبود یافت.
محسن عابدی؛ محمد سعادت سرشت؛ رضا شاه حسینی
چکیده
امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش ...
بیشتر
امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش های شناسایی عوارض زمینی، این عوارض با استفاده از پیش دانسته هایی از جمله ساختار، بافت، خصوصیات بازتابی و غیره شناسایی می شوند. هدف از این تحقیق ارایه روشی برای شناسایی تغییرات ساختمان ها در دو منطقه شهری و در بازه های زمانی 5 ساله و 3 ساله می باشد. در این تحقیق با توجه نوع داده های مورد استفاده و مناطق مورد مطالعه و تراکم ساختمان های شهری، روش شیءمبنا برای طبقه بندی عوارض و شناسایی ساختمان ها استفاده شده است. این روش شیءگرا، قطعه بندی چندمقیاسه است که با استفاده از آن توصیف گرهای مناسب طیفی، بافتی و ساختاری استخراج و با استفاده از روش های فازی، طبقه بندی می شوند و پس از طبقه بندی در دو اپک و استخراج ساختمان های حاصل از طبقه بندی، تغییرات ارتفاعی آنها محاسبه می شود. روش های شناسایی این تغییرات بر مبنای روش مبتنی بر یادگیری عمیق است و ارزیابی آن با استفاده از روش تفاضل DSM می باشد. در روش تفاضل DSM با استفاده از یک حدآستانه ارتفاعی تغییرات شناسایی می شوند، سپس در روش مبتنی بر یادگیری عمیق با استفاده از یک شبکه عصبی کانولوشن بار دیگر با در اختیار داشتن مشخصه های ارتفاعی و داده های واقعیت زمین ایجادشده از شناسایی تغییرات در حالت تفاضلی، این تغییرات ارتفاعی آشکار می شوند و با تغییرات شناسایی شده در روش تفاضلی ارزیابی می شوند. نتایج آزمون ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراکم ساختمان های موجود، حدود 96% ساختمان ها از تصاویر هوایی در گام اول شناسایی و استخراج شدند. همچنین در گام دوم شناسایی تغییرات ساختمانی به روش شبکه عصبی با صحت کلی 90% انجام شده است.
حسین باقری؛ محمدحسن زالی
چکیده
در دهههای اخیر، سطح غلظت ذرات معلق در کلانشهر تهران افزایشیافته است که این امر، مخاطرات فراوانی را برای محیطزیست و سلامت شهروندان به همراه داشته است. یکی از خطرناکترین نوع آلودگیها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدلسازی، پایش و پیشبینی آن را بسیار حیاتی مینماید. برآورد غلظت این ذرات در سطح شهر تهران ...
بیشتر
در دهههای اخیر، سطح غلظت ذرات معلق در کلانشهر تهران افزایشیافته است که این امر، مخاطرات فراوانی را برای محیطزیست و سلامت شهروندان به همراه داشته است. یکی از خطرناکترین نوع آلودگیها، آلودگی ذرات معلق کمتر از 2.5 میکرون (PM2.5) هست که مدلسازی، پایش و پیشبینی آن را بسیار حیاتی مینماید. برآورد غلظت این ذرات در سطح شهر تهران بهدلیل وجود منابع گوناگون آلودگی و کمبود ایستگاههای هواشناسی و عدم توزیع مناسب ایستگاهها موضوعی چالشبرانگیز است. یکی از منابع جایگزین، استفاده از دادههای بهدستآمده از طریق تصاویر ماهوارهای شامل دادههای ایروسل با توان تفکیک مکانی بالاست. بااینحال تخمین مقادیر آلودگی سطحی از روی دادههای ایروسل ماهوارهای بهسادگی امکانپذیر نیست و نیازمند توسعه مدلهای مناسب نظیر مدلهای داده مبنا و استفاده از تکنیکهای یادگیری ماشینی میباشد. در این راستا هدف این مقاله ایجاد یک مدل بهمنظور تخمین میزان غلظت ذرات معلق در سطح شهر تهران با استفاده از دادههای حاصل از مدلهای هواشناسی و دادههای ایروسل بهدستآمده از تصاویر ماهوارهای مودیس به کمک الگوریتمهای یادگیری عمیق مولد هست. برای این منظور سه نوع شبکه یادگیری عمیق بر مبنای مدلهای مولد یعنی شبکه خود رمزنگار عمیق، شبکه باور عمیق بولتزمن و شبکه مولد تخاصمی شرطی برای تخمین غلظت PM2.5 با استفاده از دادههای زمینی و ماهوارهای جمعآوریشده، توسعه داده شد. سپس ارزیابی دقت مدلهای ایجادشده توسط شبکههای مذکور بر روی دادههای تست انجام شد و عملکرد آنها مورد بررسی و مقایسه قرار گرفت. ارزیابی دقت نشان داد که شبکه خود رمزنگار ترکیبشده با مدل بردار پشتیبان مبنا با همبستگی0.69 و دقت (RMSE) 10.34 میکروگرم بر مترمکعب بالاترین کارایی را در مقایسه با سایر مدلها بهدست میدهد که میتواند بهمنظور مدلسازی میزان غلظت ذرات در سطح شهر تهران مورد استفاده قرار گیرد.