کاربرد انواع روش یادگیری ماشین درتهیه نقشه حساسیت زمین لغزش در علوم محیطی

یادگیری ماشین، مجموعه ای از الگوریتم هایی است با این امکان که با استفاده از داده های موجود، الگوهای آماری را بدون برنامه نویسی، صریح بیاموزد. یادگیری ماشین کاربردهای بسیاری در علوم محیطی برای حل مسائل غیرخطی در مقیاس بزرگ نظیر تهیه نقشه حساسیت زمین لغزش دارد. هدف از انجام پژوهش حاضر، شناخت کاربردهای روش یادگیری ماشین در علوم محیطی (زمین لغزش) با استفاده از مرور و تحلیل مطالعات پیشین است. در این راستا، مطالعات صورت گرفته در رابطه با انواع روش های یادگیری ماشین در تهیه نقشه حساسیت زمین لغزش و بررسی عملکرد آن ها با استفاده از منحنی مشخصه عملکرد (ROC)، در مناطق مختلف مورد بررسی قرار گرفت. نتایج حاصل از بررسی منابع پیشین نشان داد، روش یادگیری ماشین دقت بیشتری نسبت به روش های آماری در پیش بینی دارد و می تواند عملکرد عالی در کشف روند پنهان و الگوهای ناشناخته ایجاد کند. هم چنین نتایج به دست آمده از بررسی مطالعات صورت گرفته در رابطه با منحنی مشخصه عملکرد (ROC) نشان داد شاخص کیفیت عالی، خوب، نسبتا خوب، ضعیف و عدم موفقیت برای ارزیابی پیش بینی به ترتیب در محدوده های ۱-۹/۰، ۹/۰-۸/۰، ۸/۰-۷/۰، ۷/۰- ۶/۰ و ۶/۰-۵/۰ قرار دارد. بنابراین با ارتباط دادن الگوریتم های یادگیری ماشین می توان دقت پیش بینی و مدل سازی را در تهیه نقشه حساسیت زمین لغزش افزایش داد.

کلیدواژه ها:

الگوریتم ، یادگیری ماشین بردار پشتیبان ، منحنی ROC ، علوم محیطی