اثر بهینه سازی کرنل در مدلسازی پدیده خشکسالی با بهره‌گیری از هوش محاسباتی (مطالعه موردی: شهر سنندج)

الموضوعات :

جهانبخش محمدی ¹ (دانشجوی دکتری تخصصی سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات،)
علیرضا وفایی نژاد ² (دانشیار دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران)
سعید بهزادی ³ (استادیار دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران)
حسین آقامحمدی ⁴ (استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،)
امیر هومن حمصی ⁵ (استاد، مهندسی منابع طبیعی، دانشکده منابع‌ طبیعی و محیط‌زیست، واحد علوم و تحقیقات تهران، دانشگاه آزاد اسلامی، تهران، ایران)

تاريخ الإرسال : 29 الخميس , ربيع الأول, 1443 تاريخ التأكيد : 22 الثلاثاء , جمادى الثانية, 1443 تاريخ الإصدار : 29 الثلاثاء , شعبان, 1444

الکلمات المفتاحية: کرنل, هوش محاسباتی, شبکه عصبی, رگرسیون بردار پشتیبان,

ملخص المقالة :

خشک‌سالی یکی از مهم‌ترین بلایای طبیعی است که اثرات مخرب و زیان‌باری در زمینه‌های مختلف اقتصادی، اجتماعی و زیست‌محیطی به‌جای می‌گذارد. با توجه به رفتار تکرارشوندگی این پدیده، در صورت عدم اجرای راهکارهای مناسب، آثار مخرب آن تا سال‌ها پس از وقوع می‌تواند در منطقه باقی بماند. اکثر بحران‌های طبیعی از قبیل سیل، زلزله، طوفان و رانش زمین در دوره‌ای کوتاه ممکن است خسارات سنگین مالی و جانی به جامعه وارد کنند، اما خشک‌سالی ماهیت آرام و خزشی دارد و آثار مخرب آن به‌تدریج و در مدت طولانی‌تری ظاهر می‌شود. ازاین‌رو با مدل‌سازی خشک‌سالی می‌توان طرح‌هایی جهت آماده‌سازی در مقابل خشک‌سالی و کاهش خسارات ناشی از آن ارائه کرد. در این پژوهش از الگوریتم‌های هوش محاسباتی شبکه عصبی پرسپترون چندلایه (Multi-Layer Perceptron)، شبکه عصبی رگرسیونی تعمیم‌یافته (Generalized Regression Neural Network)، رگرسیون بردار پشتیبان با کرنل گوسین (Support Vector Regression) و رگرسیون بردار پشتیبان با کرنل پیشنهادی (Support Vector Regression New kernel) جهت مدل‌سازی خشک‌سالی با در نظر گرفتن شاخص استانداردشده بارش Standardized Precipitation Index) ( استفاده شده است. نتایج مدل‌سازی‌ها در اغلب حالات بیانگر کارایی بهتر مدل پیشنهادی SVR_N نسبت به دیگر مدل‌ها بود که در SPI 48 ماهه بهترین دقت مدل‌سازی حاصل گردید و مقدار RMSE و R2 به ترتیب برابر 093/0 و 991/0 به دست آمد. همچنین مدل‌های GRNN، MLP و SVR به ترتیب بعد از SVR_N کارایی بهتری در مدل‌سازی از خود نشان دادند. نتایج این تحقیق بیانگر اهمیت انتخاب و بهینه‌سازی کرنل بر رفتار مدل‌سازی پدیده خشک‌سالی در مدل‌سازی به روش رگرسیون بردار پشتیبان است.