دوره 21، شماره 60 - ( 1-1400 )                   جلد 21 شماره 60 صفحات 313دوره297فصل__Se | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

mehrabadi S. (2021). Intelligent Modeling; Single (Multi-layer perceptron) and Hybrid (Neuro-Fuzzy Network) Method in Forest Degradation (Case Study: Sari County). jgs. 21(60), 297-313. doi:10.52547/jgs.21.60.297
URL: http://jgs.khu.ac.ir/article-1-3138-fa.html
مهرآبادی سمیه. مدلسازی هوشمند منفرد(پرسپترون چند لایه) و ترکیبی (نروفازی) تخریب جنگل (محدوده: شهرستان ساری) تحقیقات کاربردی علوم جغرافیایی 1400; 21 (60) :313-297 10.52547/jgs.21.60.297

URL: http://jgs.khu.ac.ir/article-1-3138-fa.html


کارشناس ارشد GIS & RS دانشگاه تبریز، سبزوار ، somayeh.mehrabadi@yahoo.com
چکیده:   (12921 مشاهده)
روش‌های کلاسیک یا روشهای سخت بر دقیق بودن محاسبات، پایه­گذاری شده­اند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیت­ها استوار است که بیشتر با روش‌های محاسبات نرم مطابقت دارد، که این روش­ها نیز به تنهایی نقاط ضعف و قوتی دارند و برای رفع آنها تئوری پیوند­زنی مطرح شد که با عنوان سیستم­های ترکیبی هوشمند شناخته می­شوند. در این تئوری دو یا چند روش هوشمند با یکدیگر ترکیب می­شود تا کاستی­ها و نواقص روش­های منفرد رفع یا تعدیل گردد. در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدل­سازی شده­است. برای اینکار از تصاویر سنسور TM ماهواره لندست 5 سال 1999 و سنسور OLI متعلق به لندست 8 برای سال 2017 استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در 200 نقطه نمونه­برداری شد. سپس 7 فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای 200 نقطه محاسبه شد. برای ارزیابی عملکرد مدل­ها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتمLevenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient  به ترتیب 50.053، 40.070 و 80.090 بدست­آمد. MSE برای مدل عصبی-فازی با الگوریتم بهینه­سازی و روش ترکیبی به ترتیب 00.019 و 0.0102 محاسبه شد. تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیم­پذیری می­باشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب داده­ی مناسب موفق­تر بوده­است.
 
متن کامل [PDF 2258 kb]   (1283 دریافت)    
نوع مطالعه: پژوهشي |

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وبگاه متعلق به تحقیقات کاربردی علوم جغرافیایی است.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Applied Researches in Geographical Sciences

Designed & Developed by : Yektaweb

Creative Commons License
This work is licensed under a Creative Commons — Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)