دوره 21، شماره 60 - ( 1-1400 )                   جلد 21 شماره 60 صفحات 313دوره297فصل__Se | برگشت به فهرست نسخه ها


XML English Abstract Print


کارشناس ارشد GIS & RS دانشگاه تبریز ، somayeh.mehrabadi@yahoo.com
چکیده:   (6005 مشاهده)
روش‌های کلاسیک یا روشهای سخت بر دقیق بودن محاسبات، پایه­گذاری شده­اند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیت­ها استوار است که بیشتر با روش‌های محاسبات نرم مطابقت دارد، که این روش­ها نیز به تنهایی نقاط ضعف و قوتی دارند و برای رفع آنها تئوری پیوند­زنی مطرح شد که با عنوان سیستم­های ترکیبی هوشمند شناخته می­شوند. در این تئوری دو یا چند روش هوشمند با یکدیگر ترکیب می­شود تا کاستی­ها و نواقص روش­های منفرد رفع یا تعدیل گردد. در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدل­سازی شده­است. برای اینکار از تصاویر سنسور TM ماهواره لندست 5 سال 1999 و سنسور OLI متعلق به لندست 8 برای سال 2017 استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در 200 نقطه نمونه­برداری شد. سپس 7 فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای 200 نقطه محاسبه شد. برای ارزیابی عملکرد مدل­ها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتمLevenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient  به ترتیب 50.053، 40.070 و 80.090 بدست­آمد. MSE برای مدل عصبی-فازی با الگوریتم بهینه­سازی و روش ترکیبی به ترتیب 00.019 و 0.0102 محاسبه شد. تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیم­پذیری می­باشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب داده­ی مناسب موفق­تر بوده­است.
 
متن کامل [PDF 2258 kb]   (774 دریافت)    
نوع مطالعه: پژوهشي |
دریافت: 1397/6/19 | پذیرش: 1398/11/2

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.