[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 6، شماره 1 - ( 7-1395 ) ::
دوره 6 شماره 1 صفحات 292-303 برگشت به فهرست نسخه ها
مقایسه شبکه عصبی مصنوعی و درخت طبقه بندی و رگرسیون برای شبیه سازی تغییرات کاربری اراضی چند گانه، منطقه مورد مطالعه، ساری و قائم شهر، ایران
محمد احمدلو، محمودرضا دلاور*، امین طیبی
چکیده:   (4424 مشاهده)

به عنوان اولین هدف برای این مقاله، دو مدل از دو گروه مختلف از روش های داده کاوی یعنی مدلهای پارامتریک کلی، درخت طبقه بندی و رگرسیون و مدلهای غیر پارامتریک محلی، شبکه عصبی مصنوعی، برای مدلسازی تغییرات کاربری اراضی چندگانه مورد مقایسه قرار گرفت. منطقه مورد مطالعه شامل دو شهر ساری و قائم شهر است که در شمال ایران واقع شده اند. در این مطالعه تغییرات کاربری اراضی کشاورزی و شهری برای یک دوره 22 ساله بین سالهای 1992 تا 2014 مورد بررسی قرار گرفت. نتایج نشان داد که هر دو مدل روشهایی دقیقی برای مدلسازی تغییرات کاربری اراضی چندگانه می باشند. با وجود اینکه نتایج حاصل از درخت طبقه بندی و رگرسیون تفسیر پذیرتر هستند اما دقت شبکه عصبی مصنوعی بهتر از این مدل می باشد. در مطالعات قبلی علیرغم  استفاده از درخت طبقه بندی و رگرسیون، تحلیل حساسیت و استخراج محرکان تغییرات کاربری اراضی مهم مورد توجه قرار نگرفته است. در حالیکه انجام این تحلیل، متغیرهایی که در تغییرات کاربری اراضی بی تاثیر هستند را از فرآیند مدلسازی حذف می نماید. لذا انجام تحلیل حساسیت با استفاده از شاخص اهمیت متغیرها به عنوان هدف دوم این مطالعه در نظر گرفته شد. در حالیکه شبکه عصبی مصنوعی به صورت یک جعبه سیاه در تحلیل حساسیت عمل نمود، درخت طبقه بندی و رگرسیون محرکان اصلی تغییر کاربری اراضی چندگانه را به سادگی شناسایی نمود. نتایج حاصل از این تحلیل نشان داد که فاصله از مناطق شهری و رودخانه مهمترین پارامترها در تغییرات کاربری اراضی می باشند. هدف سوم این مقاله مقایسه دو شاخص ارزیابی دقت، شاخص عامل نسبی و شاخص عامل کلی جهت ارزیابی درخت طبقه بندی و رگرسیون و شبکه عصبی مصنوعی می باشد. مساحت زیر نمودار شاخص عامل نسبی برای تغییرات کاربریهای شهری و برای دو مدل  شبکه عصبی مصنوعی و درخت تصمیم گیری به ترتیب برابر با 78% و 75% بدست آمد. همچنین مساحت زیر نمودار شاخص عامل نسبی برای تغییرات کاربری های کشاورزی برای دو مدل شبکه عصبی مصنوعی و درخت طبقه بندی و رگرسیون به ترتیب برابر با 72% و 65% بدست آمد. همچنین نتایج نشان داد که اگرچه نمودار شاخص عامل کلی و شاخص عامل نسبی خیلی شبیه به هم است، با این حال شاخص عامل کلی حاوی اطلاعات بیشتری نسبت به شاخص عامل نسبی است. نتایج حاصل از این مطالعه می تواند مدیران و تصمیم گیران محیط زیست را در حفظ منابع طبیعی و برنامه ریزی برای آینده با شناخت محرکان تغییر کاربری اراضی یاری کند.

واژه‌های کلیدی: درخت طبقه بندی و رگرسیون، شبکه عصبی مصنوعی، شاخص اهمیت متغیرها، تغییرات کاربری اراضی چندگانه شاخص عامل نسبی، شاخص عامل کلی
متن کامل [PDF 1797 kb]   (2356 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سامانه های اطلاعات مکانی
ارسال پیام به نویسنده مسئول

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

CAPTCHA


XML   English Abstract   Print


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

Ahmadlou M, Delavar M R, Tayyebi A. Comparing ANN and CART to Model Multiple Land Use Changes: A Case Study of Sari and Ghaem-Shahr Cities in Iran. JGST. 2016; 6 (1) :292-303
URL: http://jgst.issge.ir/article-1-415-fa.html

احمدلو محمد، دلاور محمودرضا، طیبی امین. مقایسه شبکه عصبی مصنوعی و درخت طبقه بندی و رگرسیون برای شبیه سازی تغییرات کاربری اراضی چند گانه، منطقه مورد مطالعه، ساری و قائم شهر، ایران. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1395; 6 (1) :292-303

URL: http://jgst.issge.ir/article-1-415-fa.html



دوره 6، شماره 1 - ( 7-1395 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology