[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 11، شماره 2 - ( 9-1400 ) ::
دوره 11 شماره 2 صفحات 152-129 برگشت به فهرست نسخه ها
مروری بر کاربرد روش‌های یادگیری ماشین و عامل-مبنا در برنامه‌ریزی کاربری زمین
حمید میرزاحسین*، امیرحسین زمانی، نسترن سادات حاجی‌سیدرضی
چکیده:   (617 مشاهده)

رشد جمعیت، تغییرات اقلیمی گسترده و پراکنده­روی شهرها سبب تغییرات چشم­گیری در کاربری‌های اراضی شده است. پیشرفت هوش مصنوعی در سالیان اخیر در کنار دسترسی گسترده به داده‌های برخط و ظهور روش­های نوین تحلیل کلان داده سبب گشته تا راه‌حل‌های جدیدی برای تحلیل مسائل و حل مشکلات ناشی از این تغییرات فراهم آید. ازاین­رو، طبقه‌بندی، پیش‌بینی و شبیه‌سازی به کمک داده‌های حاصل از این تغییرات در ادوار مختلف می­تواند زمینه ساز اخذ تصمیمات صحیح و کاربردی باشد. دراین­راستا، همواره استفاده از راه­کارهای نوین مدلسازی و برنامه­ریزی کاربری اراضی مورد توجه متخصصان این امر بوده است. اگرچه مطالعات گسترده­ای در حوزه روش‌های یادگیری ماشین به عنوان رویکرد جدید طبقه‌بندی، پیش‌بینی و شبیه‌سازی در حوزه­های مختلف علوم صورت پذیرفته است؛ اما این مطالعات کمتر به بررسی و مرور روش‌های مطرح و کاربردی عامل-مبنا و یادگیری ماشین در تحلیل و مدل‌سازی تغییرات کاربری زمین پرداخته‌اند. بدین منظور، این مقاله فرصت یک مرور نظام‌مند از کاربرد الگوریتم‌های یادگیری ماشین و مدل‌سازی عامل-مبنا در حوزه کاربری زمین را که در اهم پژوهش‌ها و شواهد تجربی ایالات‌متحده آمریکا، اروپا و بخش‌های مختلف آسیا و همچنین ایران تا به امروز ثبت شده فراهم آورده است. دراین­راستا، الگوریتم‌ها و روش‌های مختلف پیاده‌سازی شده در هر یک از مطالعات، بررسی شده و نتایج حاصل از تحلیل داده‌های متناسب با آن­ها که می‌تواند مبنای ادامه کار پژوهش‌های آتی باشد معرفی شده است. نتایج نشان می‌دهد جنبه‌های مختلف مسائل کاربری اراضی ازجمله طبقه‌بندی، مدل‌سازی، شبیه‌سازی و پیش‌بینی نیازمند الگوریتم‌هایی با ساختار متناسب خود هستند ازاین­رو هیچکدام از روش­ها را نمی‌توان به‌طور مطلق بر سایرین برتر دانست. اما در این مقاله، پرکاربردترین روش­ها برای طبقه بندی، پیش­بینی و شبیه­سازی تغییرات کاربری زمین دسته­بندی شده­اند. همچنین مشخص شد روش­های ماشین بردار پشتیبان (SVM) و شبکه‌های عصبی (CNN) باتوجه به ارائه بهترین نتایج، بیشترین کاربرد را در قیاس با سایر روش­های معرفی شده داشته­اند.

شماره‌ی مقاله: 9
واژه‌های کلیدی: برنامه ریزی کاربری-زمین، تغییر کاربری-زمین، یادگیری ماشین، مدل‌سازی عامل مبنا
متن کامل [PDF 1633 kb]   (199 دریافت)    
نوع مطالعه: ترویجی | 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:

Mirzahossein H, Zamani A H, Hajiseyedrazi N. Investigate the Application of machine learning and Agent-Base Models in Land-use Planning. JGST. 2021; 11 (2) :129-152
URL: http://jgst.issge.ir/article-1-1017-fa.html

میرزاحسین حمید، زمانی امیرحسین، حاجی‌سیدرضی نسترن سادات. مروری بر کاربرد روش‌های یادگیری ماشین و عامل-مبنا در برنامه‌ریزی کاربری زمین. نشریه علمی پژوهشی علوم و فنون نقشه برداری. 1400; 11 (2) :152-129

URL: http://jgst.issge.ir/article-1-1017-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 2 - ( 9-1400 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology