میز خدمت الکترونیک
دوره ویراستاری

  اخبار و اعلانات

 آمار

تعداد نشریات127
تعداد شماره‌ها7,196
تعداد مقالات77,227
تعداد مشاهده مقاله157,217,874
تعداد دریافت فایل اصل مقاله118,403,642
موسوی, سیدمحمد, شکریان, فاطمه, سلیمانی, کریم, قربانزاده, امید. (1405). ارزیابی تطبیقی مدل‌های یادگیری ماشین و سنجش از دور در پهنه‌بندی سیل حوضه نکارود. , (), -. doi: 10.22059/ije.2026.402776.1882
سیدمحمد موسوی; فاطمه شکریان; کریم سلیمانی; امید قربانزاده. "ارزیابی تطبیقی مدل‌های یادگیری ماشین و سنجش از دور در پهنه‌بندی سیل حوضه نکارود". , , , 1405, -. doi: 10.22059/ije.2026.402776.1882
موسوی, سیدمحمد, شکریان, فاطمه, سلیمانی, کریم, قربانزاده, امید. (1405). 'ارزیابی تطبیقی مدل‌های یادگیری ماشین و سنجش از دور در پهنه‌بندی سیل حوضه نکارود', , (), pp. -. doi: 10.22059/ije.2026.402776.1882
موسوی, سیدمحمد, شکریان, فاطمه, سلیمانی, کریم, قربانزاده, امید. ارزیابی تطبیقی مدل‌های یادگیری ماشین و سنجش از دور در پهنه‌بندی سیل حوضه نکارود. , 1405; (): -. doi: 10.22059/ije.2026.402776.1882

ارزیابی تطبیقی مدل‌های یادگیری ماشین و سنجش از دور در پهنه‌بندی سیل حوضه نکارود

مجله اکوهیدرولوژی
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 30 فروردین 1405
نوع مقاله: پژوهشی
شناسه دیجیتال (DOI): 10.22059/ije.2026.402776.1882
نویسندگان
سیدمحمد موسوی1؛ فاطمه شکریان2؛ کریم سلیمانی* 2؛ امید قربانزاده3
1دانشگاه علوم کشاورزی و منابع طبیعی ساری
2گروه مهندسی آبخیزداری-دانشکده منابع طبیعی ساری-دانشگاه علوم کشاورزی و منابع طبیعی ساری-ساری-ایران
3موسسه ژئوماتیک، دانشگاه منابع طبیعی و علوم زیستی، وین، اتریش
چکیده
پژوهش حاضر با هدف پهنه‌بندی خطر سیل نکارود انجام گردید. برای این منظور ۱۵ متغیر مؤثر شامل عوامل ژئومورفولوژیک، اقلیمی، هیدرولوژیک و کاربری اراضی با استفاده از داده‌های چندمنبعی (ASTER DEM، تصاویر لندست دو، لندست هشت، داده‌های ERA5، نقشه‌های خاک FAO و منابع توپوگرافی) تهیه و در محیط GIS استانداردسازی شدند. الگوریتم‌های یادگیری ماشین جنگل تصادفی، ماشین بردار پشتیبان و پرسپترون چندلایه برای مدل‌سازی به‌کار گرفته و عملکرد آن‌ها با شاخص‌هایی چون دقت کلی، دقت مثبت، یادآوری و امتیاز F1 و مساحت زیر منحنی ارزیابی گردید. نتاج نشان داد مدل پرسپترون چندلایه با دقت 5/94٪ و مساحت زیر منحنی برابر با 11/91٪ بهترین عملکرد را داشته، در حالی‌که مدل جنگل تصادفی با دقت 64/88٪، و مساحت زیر منحنی 64/88% و مدل ماشین بردار پشتیبان با دقت 2/87% و مساحت زیر منحنی 92/82% در رتبه‌های بعدی قرار گرفتند. از نظر توزیع مکانی، مدل جنگل تصادفی بیشترین سهم را به کلاس‌های خطر سیل های متوسط و کم اختصاص داده، مدل ماشین بردار پشتیبان سهم بیشتری برای مناطق پرخطر پیش‌بینی نموده و مدل پرسپترون چندلایه توزیع متعادلی ارائه داد. تحلیل اهمیت متغیرها در مدل جنگل تصادفی نشان داد فاصله از رودخانه، شیب و شاخص رطوبت توپوگرافی، بیشترین نقش را در رخداد سیل داشته‌اند.
کلیدواژه‌ها
'؛ پهنه‌بندی خطر سیل'؛ یادگیری ماشین'؛ جنگل تصادفی'؛ ماشین بردار پشتیبان'؛ ،'؛ حوضه نکارود'
آمار
تعداد مشاهده مقاله: 73





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب