[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
برای نویسندگان::
آرشیو مجله و مقالات::
داوری تخصصی::
تماس با ما::
امکانات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
پایگاه های نمایه کننده







 
..
آمار سایت
تعداد مشاهده ی مقالات: 3170374

مقالات منتشر شده: 685
نرخ پذیرش: 73.65
نرخ رد: 17.77

میانگین دریافت تا تصمیم‌گیری اولیه: 5 تا 10 روز
میانگین دریافت تا پذیرش: 192 روز
____
..
:: دوره 15، شماره 2 - ( 9-1404 ) ::
دوره 15 شماره 2 صفحات 88-75 برگشت به فهرست نسخه ها
پهنه بندی پتانسیل سیل با استفاده از یادگیری ماشین و تصاویر Sentinel-1 SAR، مطالعه موردی: استان گلستان
الهه ابراهیمی* ، مهدی آخوندزاده هنزائی
چکیده:   (5 مشاهده)
سیل به عنوان یک پدیده فاجعه بار، تأثیر زیادی بر اکوسیستم­های طبیعی و زندگی انسان­ها دارد. با توجه به افزایش احتمال فراوانی و شدت سیل در آینده به دلیل تغییرات اقلیمی، پیش­بینی و برنامه­ریزی زود هنگام در مناطق سیل­خیز برای کاهش خسارات ضروری است. در ایران، در چند سال اخیر، استان گلستان سیل­های متعددی را تجربه کرده‌است. در این مطالعه از روش‌های سنجش از دور پیشرفته و یادگیری ماشینی  برای شناسایی و پیش‌بینی مناطق دارای پتانسیل سیل در استان گلستان استفاده شد. بطور خاص، با استفاده از تصاویر رادار Sentinel-1 (SAR) مناطق وقوع سیل بین سال­های 2015 تا 2022 شناسایی شدند. متغیرهای مدل رقومی ارتفاع، شاخص نرمال شده تفاوت پوشش گیاهی، شیب توپوگرافی، شاخص رطوبت گیاهی، تجمع جریان، فاصله جریان، بارش ماهیانه، جهت جریان که نتایج آزمون VIF هیچ نشانه ای از هم خطی بودن بین آن‌ها را نشان نداد، بعنوان متغیرهای محیطی تاثیرگذار بر سیل انتخاب شدند. سپس با هفت الگوریتم یادگیری ماشینی شامل GLM، GAM، BRT، RF، MARS، FDA و CART مناطق مستعد سیل پیشبینی شدند. سپس با ترکیب مدل‌های منفرد، عدم اطمینان در نتایج کاهش یافت. عملکرد مدلها با استفاده از چهار شاخص AUC، COR، TSS و Deviance ارزیابی شد. نتایج حاصل از این مطالعه نشان داد متغیرهای مدل رقومی ارتفاعی، تجمع جریان و بارندگی مهم­ترین متغیرها در پیش­بینی پتانسیل سیل در این ناحیه هستند. تمام مدل­های منفرد عملکرد بالایی نشان دادند و در میان مدل­ها RF بهترین عملکرد را داشت. بر اساس مدل ترکیبی، شهرستان گمیشان، آق قلا، بندر ترکمن، بخش‌های غربی گنبدکاووس، بخش شمالی بندرگز و بخش کوچکی در شمال شهرستان رامیان در استان گلستان بیشترین پتانسیل وقوع سیل را دارند. نتایج این مطالعه به برنامه‌ریزان، تصمیم‌گیرندگان و مدیران استان گلستان کمک می­کند تا اقدامات مناسبی را برای پیشگیری و کاهش وقوع سیل در موقعیت­های مکانی پیش­بینی شده، انجام دهند.

 
شماره‌ی مقاله: 6
واژه‌های کلیدی: پیش‌بینی سیل، سنجش از دور، یادگیری ماشینی، مدل گروهی، استان گلستان
متن کامل [PDF 1177 kb]   (10 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری و سنجش از دور
دریافت: 1402/5/10 | پذیرش: 1404/7/23
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:

ebrahimi E, akhoondzadehh M. Flood potential zoning using machine learning and Sentinel-1 SAR images, case study: Golestan province. JGST 2025; 15 (2) : 6
URL: http://jgst.issgeac.ir/article-1-1155-fa.html

ابراهیمی الهه، آخوندزاده هنزائی مهدی. پهنه بندی پتانسیل سیل با استفاده از یادگیری ماشین و تصاویر Sentinel-1 SAR، مطالعه موردی: استان گلستان. علوم و فنون نقشه برداری. 1404; 15 (2) :75-88

URL: http://jgst.issgeac.ir/article-1-1155-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 15، شماره 2 - ( 9-1404 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology