بررسی مدل یکی از کمیت های اقلیمی (بارش) با بهره گیری از سنجش از دور

سال انتشار: 1397
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 372

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCESDR05_027

تاریخ نمایه سازی: 11 اردیبهشت 1398

چکیده مقاله:

پدیده های اقلیمی از جمله کمیت بارش تحت تاثیر عوامل پارامترهای محیطی زیادی هستند که این امر بحث مدلسازی داده کاوی را در مورد این پدیده ها دشوار می سازد. در این راستا تصاویر ماهواره ای به دلیل دارا بودن امتیازهای قابل توجهی از جمله در دسترس بودن تجزیه تحلیل آنها می توانند نقش بی نظیری را در مدلسازی داده کاوی پدیده های اقلیمی بازی کنند. از این رو پرداختن به بهبود گسترش روش های یادگیری ماشین الگوریتم های مدلسازی با استفاده از داده های سنجش از دور اجتناب ناپذیر است. در این پژوهش قصد داریم به بررسی قابلیت 11 مدل یادگیری ماشین در مدلسازی داده کاوی پدیده بارش با بهره گیری از تصاویر ماهواره ای بپردازیم. از دو روش برای آماده سازی پایگاه داده استفاده کردیم PCA روش مقابل آن با استفاده از انحراف معیار کرولیشن. محاسبه میانگین مربعات خطا نشان داد بطور کلی استفاده از روش PCA ردر آماده سازی کاهش ابعاد پایگاه داده های بزرگ برای تمامی روش های یادگیری ماشین نتیجه بهتری به همراه دارد. مدل بردار پشتیبان SVM با کمترین خطا در روش PCA در رده اول قرار داشت مدل شبکه عصبی مصنوعی در هر دو روش عملکرد خوبی از خود نشان داد در مقابل مدل SEGPR در هر دو روش دارای بیشترین خطا بود. بنابراین می توان گفت با تغییر متد های آماده سازی پایگاه داده بمنظور ورود به مدل ها نتایج مدلسازی می تواند بطور تاثیرگذاری تغییر کند

نویسندگان

اسماعیل نوروزی

دانشجو کارشناسی ارشد GIS دانشگاه تربیت دبیر شهید رجایی

سعید بهزادی

دکتری GIS، استادیار دانشگاه تربیت دبیر شهید رجایی