سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات163
تعداد شماره‌ها6,877
تعداد مقالات74,134
تعداد مشاهده مقاله137,824,370
تعداد دریافت فایل اصل مقاله107,228,834
نشاط, امین رضا, پریانی, سینا, جوادی, سامان. (1404). تهیه نقشه حساسیت به سیل با استفاده از ترکیب روشهای نوین یادگیری عمیق و الگوریتم HHO. , (), -. doi: 10.22059/jwim.2025.392100.1212
امین رضا نشاط; سینا پریانی; سامان جوادی. "تهیه نقشه حساسیت به سیل با استفاده از ترکیب روشهای نوین یادگیری عمیق و الگوریتم HHO". , , , 1404, -. doi: 10.22059/jwim.2025.392100.1212
نشاط, امین رضا, پریانی, سینا, جوادی, سامان. (1404). 'تهیه نقشه حساسیت به سیل با استفاده از ترکیب روشهای نوین یادگیری عمیق و الگوریتم HHO', , (), pp. -. doi: 10.22059/jwim.2025.392100.1212
نشاط, امین رضا, پریانی, سینا, جوادی, سامان. تهیه نقشه حساسیت به سیل با استفاده از ترکیب روشهای نوین یادگیری عمیق و الگوریتم HHO. , 1404; (): -. doi: 10.22059/jwim.2025.392100.1212

تهیه نقشه حساسیت به سیل با استفاده از ترکیب روشهای نوین یادگیری عمیق و الگوریتم HHO

مدیریت آب و آبیاری
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 مرداد 1404    اصل مقاله (1.95 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2025.392100.1212
نویسندگان
امین رضا نشاط* 1؛ سینا پریانی1؛ سامان جوادی2
1گروه مهندسی محیط زیست،واحد علوم و تحقیقات،دانشگاه آزاد اسلامی،تهران،ایران
2گروه مهندسی آب، دانشکده فناوری کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.
چکیده
پیش بینی مناطق در معرض خطر سیل به منظور مدیریت بهتر بحران از جمله اقداماتی است که طی سال های اخیر مورد توجه پژوهشگران قرار گرفته است. هدف از مطالعه حاضر، ارائه یک روش ترکیبی جدید و قدرتمند جهت پیش بینی مناطق حساس به سیل می باشد در شهر تهران می باشد. برای این منظور روش یادگیری عمیق CNN با الگوریتم قدرتمند HHO ترکیب شد. با استفاده از دادههای تاریخی سیلابها، شبکه های اجتماعی و سازمانهای مرتبط، نقشهای شامل ۱۵۷ نقطه سیلاب تهیه شد. ۷۰٪ دادهها برای آموزش مدل و ۳۰٪ برای اعتبارسنجی استفاده شدند. ۹ پارامتر مؤثر (ارتفاع، شیب، بارندگی، شاخص قدرت جریان، شاخص رطوبت توپوگرافی، فاصله از رودخانه، تراکم رودخانه، سنگشناسی و کاربری اراضی) به عنوان متغیرهای مستقل انتخاب. عملکرد مدل با شاخصهای RMSE، MAE، Sensitivity، Specificity، Accuracy و سطح زیر منحنی ROC ارزیابی گردید .مقدار به دست آمده از سطح زیر نمودار ROC نشان داد مدل ترکیبی CNN-HHO با 95% دقت فوق العاده ای در پیش بینی وقوع سیل دارد. همچنین نتایج به دست آمده از شاخص های Accuracy (55/92)، Specificity (7/95)، Sensitivity (4/89)، MAE (165/0) و RMSE (277/0) نیز نشان داد مدل بکار رفته عملکرد بسیار خوبی در پهنه بندی منطقه مورد مطالعه دارد. براساس نتایج، مدل ترکیبی ارائه شده در این پژوهش می تواند به عنوان روشی قدرتمند در مناطق دیگر نیز بکار گرفته شود.
کلیدواژه‌ها
نقشه حساسیت سیل؛ یادگیری عمیق CNN؛ الگوریتم HHO؛ GIS
مراجع
آمار
تعداد مشاهده مقاله: 74
تعداد دریافت فایل اصل مقاله: 52





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب