اطلاعات جغرافیایی
الهام فروتن
چکیده
در سالهای اخیر، رشد جمعیت، افزایش سطح اراضی فاریاب و توسعه اقتصادی، موجب افزایش تقاضا برای آبهای زیرزمینی در سراسر جهان شده است. در نتیجه، شناسایی مناطق بالقوه ی دارای آب زیرزمینی و تعیین مناطق تغذیه آن با استفاده از فناوریهای دقیق بهمنظور کاهش افت و همچنین برنامهریزی و نظارت بر سیستم منابع آب زیرزمینی ضروری است. در این تحقیق ...
بیشتر
در سالهای اخیر، رشد جمعیت، افزایش سطح اراضی فاریاب و توسعه اقتصادی، موجب افزایش تقاضا برای آبهای زیرزمینی در سراسر جهان شده است. در نتیجه، شناسایی مناطق بالقوه ی دارای آب زیرزمینی و تعیین مناطق تغذیه آن با استفاده از فناوریهای دقیق بهمنظور کاهش افت و همچنین برنامهریزی و نظارت بر سیستم منابع آب زیرزمینی ضروری است. در این تحقیق هدف آن است که روشهای عامل چندگانه تأثیرگذار و فازی برای تعیین پتانسیل آب زیرزمینی در بخشی از حوضه آبخیز کبار- فردو واقع در استان قم مورد مقایسه قرار گیرد. بهاینمنظور، شش عامل شیب، بارندگی سالانه، فاصله از رودخانه، زمینشناسی، خاکشناسی و کاربری اراضی مد نظر قرار گرفتند و روشهای فازی و عامل چندگانه تأثیرگذار (MIF) با استفاده از آنها اجرا شده است. در روش عامل چندگانه تأثیرگذار عامل فاصله از آبراهه دارای کمترین وزن (8.33%) و عامل زمینشناسی دارای بیشترین وزن است (25%) و عوامل بارش، شیب، خاکشناسی، کاربری اراضی بهترتیب دارای وزنهای 20.83 %، 16.67% ، 16.67% و 12.5% هستند. سپس نقشه پتانسیل آب زیرزمینی از طریق همپوشانی در ArcGIS تهیه شده و منطقه مورد مطالعه به چهار طبقه خیلی کم، کم، متوسط و زیاد طبقهبندی شده است که به ترتیب 5.16، 19.69 ، 32.06 و 43.09 درصد از مساحت منطقه را شامل میشود. در روش فازی نیز لایههای موضوعی بر اساس تابع خطی به فازی تبدیل شده و همپوشانی لایهها با استفاده از تابع گاما صورت پذیرفته که در نقشه نهایی طبقات خیلی کم، کم، متوسط و زیاد 25.61، 18.02، 41.40 و14.97 درصد از منطقه را در برمیگیرند. بهمنظور ارزیابی مدلها، از آمار نقاط مشاهداتی استفاده و در نهایت صحت مدلهای عامل چندگانه تأثیرگذار و فازی به ترتیب 71.42 و 78.57 درصد محاسبه شده که بهنظر میرسد مقادیر قابل قبولی هستند. نتایج این تحقیق میتواند برای اجرای طرحهای تغذیه مصنوعی در راستای مدیریت پایدار منابع آب زیرزمینی منطقه مورد استفاده قرار گیرد.
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.
محمدقاسم ترکاشوند؛ مصطفی موسی پور
چکیده
برآورد دقیق سطح پوشش برف به عنوان یکی از عملیات محوری و اساسی در زمینه مدیریت منابع آب، به ویژه در مناطقی که بارش برف سهم زیادی در نزولات جوی دارد محسوب می شود. بنابراین پایش پیوسته سطوح پوشیده از برف، از نظر مطالعات اقلیمی، اکولوژیکی و هیدرولوژیکی اهمیت ویژه ای دارد. امروزه در روند مدیریت کارآمد منابع آبی، به کارگیری ...
بیشتر
برآورد دقیق سطح پوشش برف به عنوان یکی از عملیات محوری و اساسی در زمینه مدیریت منابع آب، به ویژه در مناطقی که بارش برف سهم زیادی در نزولات جوی دارد محسوب می شود. بنابراین پایش پیوسته سطوح پوشیده از برف، از نظر مطالعات اقلیمی، اکولوژیکی و هیدرولوژیکی اهمیت ویژه ای دارد. امروزه در روند مدیریت کارآمد منابع آبی، به کارگیری داده های سنجش از دور با هدف کسب اطّلاعات دقیق از پوشش برف به صورت عملیاتی اجرا می شود. پژوهش حاضر با هدف مقایسه عملکرد توابع کرنل ماشین بردار پشتیبان و عملگرهای فازی شئ گرا در برآورد میزان سطح پوشش برف در کوه آلمابلاغ با استفاده از تصویر ماهواره Sentinel انجام گرفته است. در این راستا ابتدا عملیات پیش پردازش بر روی تصویر ماهواره ای اعمال گردید، سپس با استفاده از توابع کرنل ماشین بردار پشتیبان شامل توابع خطی، چندجمله ای، پایه شعاعی و سیگموئید، فرآیند طبقه بندی پیکسل پایه انجام شد. همچنین پس از قطعه بندی، با استفاده از عملگرهای فازی شئ گرا شامل AND، OR، MGE، MAR، MGWE و ALP فرآیند طبقه بندی شئ گرا نیز انجام شد و میزان دقّت هر کدام از نقشه های تولیدشده محاسبه گردید و در آخر براساس الگوریتمی که دارای بیشترین دقّت بود، میزان سطح پوشش برف منطقه مورد مطالعه برآورد شد. در این تحقیق عملگر فازی AND دارای بیشترین مقدار دقّت در نقشه های تولید شده در بین هر دو روش بود. لذا براساس نتایج تحقیق، روش های پردازش شئ گرای تصاویر ماهواره ای در طبقه بندی تصاویر رقومی ماهواره ای به دلیل اینکه علاوه بر اطّلاعات طیفی از اطّلاعات مربوط به بافت، شکل، موقعیت، محتوا و ویژگی های هندسی نیز در فرآیند طبقه بندی استفاده می کنند در مقایسه با توابع کرنل ماشین بردار پشتیبان، دستیابی به دقّت بالاتر را امکان پذیر می سازند.