تهیه نقشه قابلیت جاده‏سازی با استفاده از شبکه عصبی مصنوعی و GIS (بررسی موردی: منطقه ارسباران)‌

Authors

  • احسان عبدی دانشیار، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
  • باریس مجنونیان استاد، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
  • محمود امید استاد، گروه مهندسی مکانیک ماشین‏های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.
  • منیژه طالبی دانشجوی دکتری مهندسی جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
Abstract:

هدف از این پژوهش ارائه روشی هوشمند مبتنی بر شبکه‏های عصبی مصنوعی برای مدل‌سازی قابلیت منطقه حفاظت‏شده ارسباران برای عبور جاده برای طراحی و اصلاح و توسعه مناسب شبکه جاده و راه‏های ارتباطی موجود در منطقه است. ابتدا با استفاده از فرایند تحلیل سلسله مراتبی (AHP) و روش ترکیب وزن‏دهی خطی (WLC) و به‌کارگیری لایه‌های اطلاعاتی مؤثر بر مسیریابی، نقشه شایستگی جاده‏سازی برای تهیه نمونه‌های آموزشی در محیط ArcGIS تهیه شد. در ادامه از شبکه پرسپترون چندلایه (MLP) برای برآورد مقدار مطلوبیت عبور جاده استفاده شد. برای ارزیابی عملکرد مدل شبکه عصبی نتایج به‌دست‌آمده با نتایج حاصل از رگرسیون خطی چندمتغیره مقایسه شدند. طبق نتایج به‌دست‌آمده، شبکه عصبی مصنوعی و روش آماری رگرسیون به‏ترتیب با ضریب تبیین (R2)، 908/0 و 901/0 و مجذور میانگین مربعات خطا (RMSE)، 0385/0 و 04/0 قابلیت لازم برای تعیین ارزش مطلوبیت عبور جاده نشان دادند و شبکه عصبی نتایج به‏نسبت بهتری در مقایسه با رگرسیون نشان داد. همچنین با توجه به نتایج آنالیز حساسیت متغیرهای ورودی، چهار معیار شیب، سنگ‌بستر، حساسیت به فرسایش و بافت خاک به‏ترتیب بیشترین تأثیر را در برآورد مدل نشان دادند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تهیه نقشه کاربری و پوشش اراضی با استفاده از داده‌های سنجش از دور و شبکه عصبی مصنوعی

نقشه‌های کاربری اراضی برای بسیاری از فعالیت‌های مدیریتی، هیدرولوژی و بررسی وضعیت فرسایش خاک ضروری می‌باشند. داده‌های سنجش از دور از پتانسیل بالایی برای تهیة نقشه‌های به‌روز کاربری و پوشش اراضی برخوردارند. هدف از این پژوهش تهیة نقشة کاربری اراضی حوضه آبخیز سد گاوشان با استفاده از تصاویر ماهوارة لندست 8 و شبکة عصبی مصنوعی و نیز ارزیابی روش مورد استفاده بود. بدین‌منظور از 1320 نقطه به عنوان نقاط ک...

full text

تهیه نقشه پوشش اراضی شهر اراک با استفاده از روش‌های طبقه‌بندی شبکه عصبی مصنوعی و حداکثر احتمال

تهیة نقشة پوشش اراضی، برای بسیاری از فعالیت‌های برنامه‌ریزی و مدیریت شهری دارای اهمیت است. در پژوهش حاضر، به‌منظور تهیة نقشة پوشش اراضی شهر اراک از داده‌های رقومی سنجنده LISS-III (1385) استفاده شد. ابتدا تصویر با میانگین خطای مربعات 58/0 پیکسل تصحیح هندسی شد و با توجه به کوهستانی بودن منطقه، تصحیح توپوگرافی نیز بر روی تصویر اعمال گردید. برای طبقه‌بندی تصویر، دو روش طبقه‌بندیِ نظارت‌شده با الگوری...

full text

تهیه 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 text

بررسی نقشه تغییرشکل گرم نانوکامپوزیت مس-آلومینا با استفاده از شبکه عصبی مصنوعی

در این تحقیق، تولید نانوکامپوزیت‌های مس-آلومینا به روش متالورژی پودر و تغییرشکل گرم آن مورد بررسی قرار گرفته‌اند. برای این منظور، نانو‌کامپوزیت‌های Cu-XAl2O3 با سه ترکیب مختلف پس از فرایندهای آسیاکاری مکانیکی و تف جوشی در دمای 750 درجه سانتی‌گراد تولید شده‌اند. متعاقبا نمونه‌های استوانه‌ای شکل از هر نانو‌کامپوزیت تحت آزمایش فشار گرم قرار گرفته‌اند. جهت بررسی پارامتر‌های موثر بر تغییرشکل گرم این...

full text

تهیه نقشه رقومی آب معادل برف با استفاده از پارامترهای ژئومرفومتری و روش شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز سخوید)

Although a small portion of the Earth's surface is covered by the mountains, but it has a large impact on watershed hydrological perspective Because of the water crisis in arid and semi-arid regions of Iran, monitoring of the amount of snow in these areas is very important. Usually, access to the spatial distribution of snow water equivalent is limited to small scale using sampled data. However...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 6  issue 1

pages  121- 134

publication date 2020-05-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023