بهکارگیری الگوریتم ماشین بردار پشتیبان در تولید نقشه تخریب ساختمانها با استفاده از داده لیدار پس از زلزله
Authors
Abstract:
بلایای طبیعی از قبیل سیل، زلزله، طوفان و سونامی همواره از بزرگترین مشکلات بشر بوده که در این بین زلزله به دلیل غیر قابل پیشبینی بودن و رخ دادن لحظهای آن از اهمیت زیادی برخوردار میباشد. پس از وقوع زلزله، وجود اطلاعات از منطقه آسیبدیده نقش مهمی در هدایت گروههای امداد به منظور به حداقل رساندن میزان خسارات ناشی از زلزله دارد. در این بین، نقشه تخریب، که ساختمانهای تخریب شده با درجه تخریب آنها بر روی آن نشان داده شده است، به عنوان یکی از اطلاعات مهم مورد توجه مدیران بحران قرار دارد. هدف از این مقاله، ارائه یک روش برای تولید اتوماتیک نقشه تخریب ساختمانها، با استفاده از داده لیدار بعد از زلزله و نقشه میباشد. در روش پیشنهادی،بهمنظور پیدا کردن موقعیت همه ساختمانها بر روی داده لیدار، در اولین مرحله، داده لیدار و نقشه با استفاده از چند نقطه کنترل هم مختصات میشوند. سپس، ناحیه مربوط به لایه ساختمانها از داده لیدار استخراج و در مرحله بعد، با استفاده از روش طبقهبندی ماشینهای بردار پشتیبان به دو کلاس "آوار" و "سالم" طبقهبندی میشوند. در نهایت، بر مبنای میزان مساحت قسمت آوار در محدوده هر ساختمان میزان تخریب آن برآورد میگردد. بهمنظور ارزیابی روش پیشنهادی، از دادههای لیدار شهر پرتوپرینس، پایتخت هایتی، پس از زلزله 2010 استفاده شده است. نقشه تخریب بدست آمده از این مقاله با درجه تخریبی که با استفاده از دید بصری تصاویر ماهوارهای بعد از زلزله به دست آمده مقایسه شد. نتایج بدست آمده، توانایی روش پیشنهادی در تولید نقشه تخریب با استفاده از داده لیدار پس از زلزله را نشان میدهد.
similar resources
تلفیق تصویر ماهواره ای و داده لیدار به منظور تعیین ساختمان های تخریب شده ناشی از زلزله بر مبنای الگوریتم ماشین بردار پشتیبان در هایتی
با توجه به رشد جمعیت و افزایش شهرنشینی، وقوع حوادث طبیعی مثل زلزله می تواند خسارات و تلفات سنگینی را ایجاد نموده و توسعه شهرها و کشورها را دچار وقفه نماید. پس از وقوع زلزله، مدیران بحران برای به حداقل رساندن خسارات، اعم از جانی و مالی، به اطلاعات سریع از منطقه آسیب دیده نیاز دارند. یکی از اطلاعاتی که می تواند در امدادرسانی سریع و صحیح مورد استفاده قرار گیرد نقشه موقعیت ساختمان های تخریب شده و م...
full textارزیابی وپتانسیل سنجی خطروقوع سیل درشهرجناح با استفاده از الگوریتم ماشین پشتیبان بردار (SVM)
یکی از انواع فرآیند های دامنه ای که هر ساله موجب خسارت جانی و مالی فراوان در بسیاری از نقاط ایران و جهان می شود وقوع سیل است. شناسایی مناطق مستعد وقوع سیل از طریق پهنه بندی خطر، یکی از اقدامات موثر و ضروری در کاهش خطرات احتمالی و مدیریت آن می باشد. هدف اصلی این پژوهش، ارزیابی وقوع سیل در شهر جناح با استفاده از مدل ماشین بردار پشتیبان می باشد. در ابتدا نقشه DEM محدوده مورد مطالع...
full textبهبود دقت شناسایی غواص با استفاده از الگوریتم کلاسبندی ماشین بردار پشتیبان
ویژگیهای منحصر به فرد و امکان انتشار آسان سیگنال های صوتی در محیط زیرآب، امکان شناسایی و رد گیری اهداف زیر آبی بوسیله آنها را فراهم میکند. از جمله کاربردهای پدافندی سیگنال صوتی در حوزهی دریا میتوان استفاده از سونار برای شناسایی غواص به منظور جلوگیری از نفوذ غواصان در نیروگاه های ساحلی و همچنین حفاظت از تجهیزات بندرگاهی و ... را نام برد. برای این مقصود شناسایی صحیح غواص از سایر اهداف زیر آبی...
full textپیشبینی روند حرکتی قیمت سهام با استفاده از ماشین بردار پشتیبان برپایۀ الگوریتم ژنتیک در بورس اوراق بهادار تهران
با توجه به گسترش روزافزون روشهای پیشبینی در بازارهای مالی و نیز، از آنجا که قیمت سهام یکی از مهمترین عوامل مؤثر در تصمیمات سرمایهگذاری است و پیشبینی آن میتواند نقش با اهمیتی در این زمینه ایفا کند، در این پژوهش سعی شده است، مدلی ارائه شود تا بر اساس آن بتوان روند حرکتی قیمت سهام شرکت مورد نظر را با دقت بالایی پیشبینی کرد. بر همین اساس، یک مدل ترکیبی برای پیشبینی روند حرکتی قیمت سهام با ...
full textحفاظت دیفرانسیل ترانسفورماتور قدرت با استفاده از تبدیل S گسسته سریع و ماشین بردار پشتیبان بهینهشده با الگوریتم زنبورعسل
در این مطالعه، روش مبتنی بر تبدیل S گسسته سریع برای متمایزکردن جریان خطای داخلی از اغتشاشات دیگر در ترانسفورماتور قدرت ارائه شده است. ویژگی توابع براساس ویژگیهای استخراجشده از ماتریس S و کانتورهای فرکانسی پیشنهاد شدهاند. برای طبقهبندی ویژگیها، ماشین بردار پشتیبان(SVM)، توسعه داده شده و از الگوریتم بهینهسازی زنبورعسل برای انتخاب پارامترهای بهینه طبقهبندیکنندۀSVM استفاده شده است. برای انج...
full textتهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روشهای شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال
یکی از ضروریترین اطلاعات مورد نیاز مدیران و متولیان منابع طبیعی، نقشههای کاربری اراضی میباشد. در پژوهش حاضر، بهمنظور تهیة نقشة کاربری اراضی دشت عباس از دادههای رقومی سنجنده (1386)ETM+ استفاده شد. ابتدا تصویر با میانگین خطای مربعات 47/0 پیکسل تصحیح هندسی شد. جهت طبقهبندی تصویر از روشهای طبقهبندی شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال استفاده شد. در نهایت، نقشة پوشش اراضی م...
full textMy Resources
Journal title
volume 4 issue 3
pages 77- 87
publication date 2016-12
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023