کاربرد انواع روش یادگیری ماشین در تهیه نقشه حساسیت زمین لغزش در علوم محیطی

Authorsدانیال صیاد، هدی قاسمیه، زهرا ناصریان اصل
Conference Titleنخستین کنفرانس هوش مصنوعی و پردازش هوشمند
Holding Date of Conference۲۰۲۲-۰۸-۳۱ - ۲۰۲۲-۰۹-۰۱
Event Place1 - سمنان
Presented byسمنان
PresentationSPEECH
Conference LevelInternational Conferences

Abstract

یادگیری ماشین، مجموعه ای از الگوریتم هایی است که این امکان را ایجاد می کند که با استفاده از داده های موجود الگوهای آماری را بدون برنامه نویسی، صریح بیاموزد. یادگیری ماشین کاربردهای بسیاری در علوم محیطی برای حل مسائل غیر خطی در مقیاس بزرگ نظیر تهیه نقشه حساسیت زمین لغزش دارد. هدف از انجام پژوهش حاضر، شناخت کاربردهای روش یادگیری ماشین در علوم محیطی (زمین لغزش) با استفاده از مرور و تحلیل مطالعات پیشین است. در این راستا، مطالعات صورت گرفته در رابطه با انواع روش های یادگیری ماشین در تهیه نقشه حساسیت زمین لغزش و بررسی عملکرد آن ها با استفاده از منحنی مشخصه عملکرد (ROC)، در مناطق مختلف مورد بررسی قرار گرفت. نتایج حاصل از بررسی مرور منابع پیشین نشان داد، روش یادگیری ماشین دقت بیشتری نسبت به روش های آماری در پیش بینی دارد و می تواند عملکرد عالی در کشف روند پنهان و الگوهای ناشناخته ایجاد کند. هم چنین نتایج به دست آمده از بررسی مطالعات صورت گرفته در رابطه با منحنی مشخصه عملکرد (ROC) نشان داد شاخص کیفیت عالی، خوب، نسبتا خوب، ضعیف و عدم موفقیت (مردود) برای ارزیابی پیش بینی به ترتیب در محدوده های 1-9/0، 9/0-8/0، 8/0-7/0، 7/0- 6/0 و 6/0-5/0 قرار دارد. بنابراین با ارتباط دادن الگوریتم های یادگیری ماشین می توان دقت پیش بینی و مدل سازی را در تهیه نقشه حساسیت زمین لغزش افزایش داد.

Paper URL

tags: الگوریتم، یادگیری ماشین بردار پشتیبان، منحنی ROC، علوم محیطی