جغرافیا و برنامه‌ریزی

برنامه ریزی شهری

ارزیابی توسعه فیزیکی شهر جدید سهند با استفاده از شبکه عصبی مصنوعی

ابوالفضل قنبری؛ میرحسین پورباقر

دوره 28، شماره 88 ، شهریور 1403، ، صفحه 163-138

https://doi.org/10.22034/gp.2023.55084.3093

چکیده

شهر سهند به عنوان یک شهر نسبتا جدید، توانسته است به سرعت در جایگاه سومین شهر پرجمعیت استان آذربایجان‌شرقی قرار گیرد. یکی از نکات مهم تحقیق حاضر، بررسی ارتباط بین توسعه فیزیکی شهر با روند معاملات ملکی و ترکیب داده‌های سنجش از دور و سیستم اطلاعات جغرافیایی می‌باشد. در این پژوهش با استفاده از تصاویر ماهواره‌های Landsat-8 و Landsat-7 و Sentinel-2 ... بیشتر شهر سهند به عنوان یک شهر نسبتا جدید، توانسته است به سرعت در جایگاه سومین شهر پرجمعیت استان آذربایجان‌شرقی قرار گیرد. یکی از نکات مهم تحقیق حاضر، بررسی ارتباط بین توسعه فیزیکی شهر با روند معاملات ملکی و ترکیب داده‌های سنجش از دور و سیستم اطلاعات جغرافیایی می‌باشد. در این پژوهش با استفاده از تصاویر ماهواره‌های Landsat-8 و Landsat-7 و Sentinel-2 در محیط کدنویسی گوگل ارث انجین کاربری‌ها و تغییرات آنها طی دو دوره قبل و بعد از شهر شدن (از 2000 تا 2008 و از 2008 تا 2019) دسته‌بندی شد و سپس پیش‌بینی توسعه آتی شهر سهند صورت گرفت. برای پیش-بینی از روش شبکه عصبی مصنوعی چند لایه پرسپترون (MLP) به عنوان یکی از روش‌های تصمیم‌گیری چندمعیاره مکانی(MCDM) استفاده شده است. متغیرهای مستقل استفاده شده در تحقیق حاضر، در پیش‌بینی توسعه فیزیکی شهر عبارت‌اند از : قیمت زمین، نوع کاربری، شیب، جهت شیب، ارتفاع، فاصله از مناطق شهری، فاصله از شبکه آبراهه، فاصله از گسل، فاصله از شبکه معابر (اصلی و فرعی). نتایج طبقه‌بندی تصاویر ماهواره‌ای نشان داد که توسعه فیزیکی شهر جدید سهند در جهت تبدیل زمین‌های بایر به کاربری شهری صورت گرفته است. علاوه بر این توسعه فیزیکی در راستای تبدیل زمین‌های ارزان‌تر به نواحی ساخته شده بود. اراضی ساخته شده دارای توسعه زیادی بوده و از6246/665 هکتار در سال ۲۰۰۰ به 9516/732 هکتار در سال ۲۰۱۹ رسیده است. در بین روش‌های طبقه‌بندی تصاویر به منظور استخراج کاربری اراضی، روش SVM بهترین روش بود و همچنین تصاویر ماهواره Sentinel-2 بالاترین دقت را داشت. شبکه عصبی مصنوعی پرسپترون چندلایه به منظور پیش‌بینی توسعه فیزیکی آتی شهر جدید سهند مورد استفاده قرار گرفت، که با توجه به بررسی‌های صورت گرفته، توسعه در جهاتی پیش‌بینی شده است که مبتنی بر ارزان بودن زمین و نیز محدودیت-های ژئومورفولوژیکی مانند شیب و ارتفاع است.

برنامه ریزی شهری

کاربرد شبکۀ عصبی مصنوعی و رگرسیون خطی در ارزیابی آلودگی هوای کلانشهر تبریز

حسن محمودزاده؛ محمد صمدی؛ مجید پایدار

دوره 27، شماره 86 ، بهمن 1402، ، صفحه 167-184

https://doi.org/10.22034/gp.2022.51620.3003

چکیده

تبریز که سریع‌ترین رشد شهری را در شمال‌غرب کشور داراست، از بزرگترین شهرهای ایران از لحاظ جمعیتی، اقتصادی، صنعت و حمل‌ونقلی است که توسعه فزاینده به موازات عدم رعایت برنامه‌ریزی اصولی کاربری‌های اراضی و فرسودگی حمل‌و‌نقل عمومی و بخش‌احتراق صنایع و عدم فیلترازسیون مناسب این صنایع به عنوان مثال نیروگاه‌حرارتی منجر به افزایش آلودگی ... بیشتر تبریز که سریع‌ترین رشد شهری را در شمال‌غرب کشور داراست، از بزرگترین شهرهای ایران از لحاظ جمعیتی، اقتصادی، صنعت و حمل‌ونقلی است که توسعه فزاینده به موازات عدم رعایت برنامه‌ریزی اصولی کاربری‌های اراضی و فرسودگی حمل‌و‌نقل عمومی و بخش‌احتراق صنایع و عدم فیلترازسیون مناسب این صنایع به عنوان مثال نیروگاه‌حرارتی منجر به افزایش آلودگی هوا در سطح شهر شده است. بدین منظور پژوهش حاضر سعی دارد با استفاده از متغیرهای ورودی ‌( فاصله از مراکز صنعتی، رطوبت، دما، تراکم‌جمعیت، فاصله از مراکز تجاری، فاصله از ایستگاه‌های اتوبوس، فاصله از مراکز آموزشی، تغییرات پوشش گیاهی، فاصله از آزاد راه‌ها، تراکم ساختمانی، جهت باد، دی‌اکسید کربن و مونوکسید کربن ) به ارزیابی آلودگی هوا با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی در کلانشهر تبریز بپردازد. در پژوهش حاضر سعی گردید متغیرهای مستقل موثر در توزیع احتمال آلایندگی در دو مدل شبکه عصبی پرسپترون چند لایه (MLP) و رگرسیون خطی در ارتباط گذاشته شود تا بتوان با تعریف تمهیداتی در مدیریت شهری و اثر‌گذاری و برنامه‌ریزی در متغیرهای یاد شده کنترل آلودگی را بهبود بخشد. نتایج نشان می‌دهد که عمده‌ترین آلاینده‌ها بیشتر مربوط به ذرات معلق (PM10)، گاز (CO2)، (SO2) و (NOx) می‌باشد. پراکندگی ذرات معلق در هوا بیشتر بر اثر تردد وسایط نقلیه، فعالیت‌های صنعتی، احتراق سوخت موتورهای دیزل و ساخت‌و‌ساز بی‌رویه و نیاز به تولید برق بیشتر می‌باشد. فعالیت‌های نیروگاه‌های حرارتی، پالایشگاه تبریز و سیستم‌های گرمایشی‌خانگی و تجاری درون‌شهری نیز از جمله عوامل تولید کننده SO2 بوده و بیشترین تولید CO2 مربوط به سوخت خودروهای بنزین‌سوز می‌باشد. شدت افزایش مقدار این آلاینده در تمامی ایستگاه‌های منتخب در فصل‌های پاییز و زمستان به مراتب بیشتر بوده به‌طوری‌که در این فصول آلاینده‌ها به بیش از دو‌برابر مجاز نیز می‌رسند. سهم آلاینده‌های هوای تبریز را می‌توان به سه دسته کلی تقسیم‌بندی نمود که بیشترین عامل متعلق به بخش نیروگاه‌حرارتی و حمل‌و‌نقل می‌باشد.

آب و هواشناسی

شبیه سازی تبخیر تعرق روزانه گیاه مرجع با استفاده از روش هوش مصنوعی و مقایسه آن با روش‌های تجربی (مطالعه موردی: آذربایجان شرقی)

منیر شیرزاد؛ هاجر فیضی؛ مجید رضایی بنفشه

دوره 26، شماره 80 ، مرداد 1401، ، صفحه 183-171

https://doi.org/10.22034/gp.2022.13830.1815

چکیده

کشور ایران از جمله مناطق خشک و نیمه خشک جهان است و با محدودیت شدید منابع آب مواجه است. تعیین تبخیر و تعرق که یکی از اجزای اصلی چرخه هیدرولوژی می‌باشد، در بسیاری از مطالعات از جمله توازن هیدرولوژیک آب، طراحی و مدیریت سیستم‌های آبیاری، شبیه‌سازی میزان محصول و مدیریت منابع آب از اهمیت بالایی برخوردار است. در پژوهش حاضر از روش شبکه عصبی ... بیشتر

آب و هواشناسی

ارزیابی و تحلیل نقش خصوصیات فیزیکی ابر در مقدار بارش محتمل با استفاده از داده های ماهواره ای MSG منطقه مورد مطالعه: غرب ایران

هاشم رستم زاده؛ علی اکبر رسولی؛ مجید وظیفه دوست؛ ناصر ملکی

دوره 24، شماره 72 ، شهریور 1399، ، صفحه 225-245

https://doi.org/10.22034/gp.2020.10850

چکیده

در این پژوهش با استفاده از محصولات ماهواره متئوست و TRMM نقش هر یک از خصوصیات فیزیکی ابر در میزان بارش مورد ارزیابی قرار گرفت. برای بررسی از سه مدل GPR، TDوMLPBR استفاده شد. محصولات مورد استفاده در این پژوهش از ماهواره متئوست(MSG) عبارتند از : فشار قله ابر، دمای قله ابر، عمق نوری ابر، فاز ترمودینامیکی ابر ، میزان حجم آب موجود در ... بیشتر

آب و هواشناسی

مقایسه مدل های لاجیت و شبکه عصبی مصنوعی در پیش بینی میزان مراجعه کنندگان بیماری آسم در ارتباط با پارامترهای اقلیمی شهر سنندج

علی محمد خورشیددوست؛ کاوه محمدپور؛ سید اسعد حسینی

دوره 24، شماره 71 ، اردیبهشت 1399، ، صفحه 45-66

https://doi.org/10.22034/gp.2020.10530

چکیده

یشبینی تعداد افراد مراجعهکننده به بیمارستانها در ارتباط با پارامترهای اقلیمی از موضوعات قابل بحت و تأمل است که با تغییرات اقلیمی و گسترش شهرنشینی و آلودگی هوا در دهههای اخیر دامنگیر بسیاری از جوامع بشری شده است. استفاده از مدلهای پیشبینی میتواند بعنوان ابزاری کارآمد در مدیریت و کنترل بیماریها، کاهش مرگ ... بیشتر یشبینی تعداد افراد مراجعهکننده به بیمارستانها در ارتباط با پارامترهای اقلیمی از موضوعات قابل بحت و تأمل است که با تغییرات اقلیمی و گسترش شهرنشینی و آلودگی هوا در دهههای اخیر دامنگیر بسیاری از جوامع بشری شده است. استفاده از مدلهای پیشبینی میتواند بعنوان ابزاری کارآمد در مدیریت و کنترل بیماریها، کاهش مرگ و میر و برنامهریزیها مورد توجه قرار گیرد که در این پژوهش دو مدل شبکه عصبی مصنوعی و رگرسیون لوجستیک (لاجیت) به عنوان ابزاری کارآمد در پیشبینی فرآیندهای غیرخطی و پیچیده جهت پیشبینی میزان مراجعهکنندگان بیماری آسم در شهر سنندج در ارتباط با پارامترهای اقلیمی مورد بررسی قرار گرفت. دادههای مورد بررسی در بازه زمانی 8 ساله (2008-2001) از ایستگاه هواشناسی سینوپتیک سنندج و بیمارستانهای توحید و بعثت در سطح شهر سنندج اخذ گردید. سپس، پارامترهای اقلیمی به عنوان ورودی و میزان مراجعهکنندگان بیماری آسم بعنوان خروجی مدلها در نظر گرفته شدند. نتایج حاصل از بررسی نشان داد که مدل شبکه عصبی با ورود پارامترهای متوسط فشار QFE و میانگینهای حداقل و حداکثر دمای ماهانه و همچنین میانگین دمای ماهانه با دقت قابل قبولی میزان مراجعهکنندگان بیماری آسم را پیشبینی میکند به طوری که ضریب همبستگی دادههای واقعی و پیشبینی شده برابر با 99/0 است که در سطح 01/0 معنیدار هستند. پارامترهای ورودی در روش لاجیت نیز نشان میدهد که میزان مراجعهکنندگان بیماری آسم از پارامترهای میانگین حداقل دما، متوسط فشار QFF و متوسط سرعت باد (نات) تأثیر میپذیرند. نسبت لگاریتمی هر کدام از پارامترهای فوق بر روی تعداد مراجعهکننده به ترتیب با ضریب بتای 517/0-، 734/0- و 977/0- معنیدارند و از میان پارامترهای اقلیمی نیز عنصر باد به مراتب بیشتر از سایر پارامترها بر روی میزان تعداد افراد مراجعهکننده به بیمارستان تأثیر گذار است. در مجموع از بین دو مدل غیرخطی مورد بررسی، مدل شبکه عصبی مصنوعی، قابلیت و دقت بیشتری را نسبت به مدل لاجیت نشان داد.

آب و هواشناسی

برآورد مقدار تبخیر با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک (مطالعه موردی: ایستگاه تبریز)

علی محمد خورشیددوست؛ حمید میرهاشمی؛ موسی نظری

دوره 23، شماره 68 ، شهریور 1398، ، صفحه 71-90

چکیده

به سبب تأثیر متقابل عناصر هواشناختی در محاسبه قدرت تبخیر جو، تخمین آن یک کار پیچیده و غیر خطی است. لذا برای تخمین آن باید از مدل‌های پیشرفته ریاضی استفاده نمود. در این مطالعه جهت برآورد قدرت تبخیر جو در سطح ایستگاه تبریز از شبکه‌های عصبی مصنوعی بر پایه دو الگوریتم آموزشی لونبرگ ـ مارکوئت و الگوریتم ژنتیک، رگرسیون خطی چند متغیره و ... بیشتر به سبب تأثیر متقابل عناصر هواشناختی در محاسبه قدرت تبخیر جو، تخمین آن یک کار پیچیده و غیر خطی است. لذا برای تخمین آن باید از مدل‌های پیشرفته ریاضی استفاده نمود. در این مطالعه جهت برآورد قدرت تبخیر جو در سطح ایستگاه تبریز از شبکه‌های عصبی مصنوعی بر پایه دو الگوریتم آموزشی لونبرگ ـ مارکوئت و الگوریتم ژنتیک، رگرسیون خطی چند متغیره و معادله پنمن ـ فائو استفاده شده است. بر این اساس در مدل شبکه عصبی با اتخاذ یک و دو لایه پنهان و دو تابع فعال‌سازی تان‌سیگمویید و لوگ‌سیگمویید، 56 مدل شبکه عصبی تولید شد. ارزیابی و مقایسه نتایج این مدل‌ها براساس معیارهای چون ضریب تعیین و مجذور میانگین مربعات خطا نشان داد که دقت مدل‌ها بستگی به نوع تابع محرک، نوع الگوریتم آموزشی، تعداد لایه‌های پنهان و تعداد نرون‌های اتخاذ شده دارد. از سوی نتایج نشان داد که در مدل‌های تک لایه، دقت وزن‌دهی الگوریتم ژنتیک برای هر دو تابع فعال‌ساز بیش از الگوریتم لونبرگ ـ مارکوئت است. از سویی در مدل‌های با دو لایه پنهان دقت وزن‌دهی الگوریتم آموزشی لونبرگ مارکوئت بیش از الگوریتم ژنتیک بوده؛ به طوری که دقیق‌ترین مدل شبکه با آرایش 5-7-7-1 با مجذور میانگین مربعات خطای 227/0 میلی‎متر بر اساس الگوریتم آموزشی لونبرگ مارکوئت و دو لایه پنهان و تابع فعال‌سازی تان سیگمویید تولید شده بود. همچنین مجذور میانگین مربعات خطای مدل رگرسیون خطی چند متغیره و معادله پنمن ـ فائو به ترتیب به مقدار 79/0 و 34/1 بدست آمد. بنابراین مدل شبکه عصبی در قیاس با دو مدل مذکور دارای کارایی بهتر، ضریب دقت بیشتر و مقدار خطای کمتری جهت پیش بینی مقدار تبخیر ایستگاه تبریز است.

آب و هواشناسی

برآورد رواناب حوضه بار اریه با استفاده از مدل‌های WetSpa و شبکه عصبی مصنوعی

حسین رحمتی؛ صمد امامقلی زاده؛ حسین انصاری

دوره 21، شماره 62 ، اسفند 1396، ، صفحه 117-137

https://doi.org/3-2

چکیده

برآورد صحیح رواناب حوضه نقش بسیار مهمی در مدیریت آن دارد. تا به حال محققین زیادی از مدل‌های یکپارچه، توزیعی و هم‌چنین از روش‌های هوشمند مصنوعی به‌منظور برآورد رواناب حوضه استفاده نمودند. در تحقیق حاضر برای برآورد آبدهی حوضه بار اریه با مساحتی معادل با 112 کیلومتر مربع و متوسط بارش سالانه 72/306 میلی‌متر از دو مدل توزیعی WetSpa و مدل هوشمند ... بیشتر

ژئوتوریسم، اکوتوریسم و گردشگری

برآورد تقاضای سفر گردشگران ایرانی به ترکیه با استفاده از شبکه‌های عصبی مصنوعی

ایرج تیموری؛ هادی حکیمی

دوره 21، شماره 61 ، آذر 1396، ، صفحه 127-145

https://doi.org/2-9

چکیده

برای شهروندان ایرانی سفر به ترکیه بدون داشتن ویزا مقدور بوده و عمده‌ترین دلایل شهروندان ایرانی برای سفر به ترکیه را می‌توان؛ استراحت و گذران اوقات فراغت، بهرهمندی از جاذبه‌های مـختلف طبیعی، ساحلی، انسانی، تجارت، داد و ستد؛ مخصوصاً خرید البسه و پـوشاک؛ برشمرد. گردشگری یکی از اصلی‌ترین محرک‌های اقتصادی کشور ترکیه محسوب می‌شود. ... بیشتر برای شهروندان ایرانی سفر به ترکیه بدون داشتن ویزا مقدور بوده و عمده‌ترین دلایل شهروندان ایرانی برای سفر به ترکیه را می‌توان؛ استراحت و گذران اوقات فراغت، بهرهمندی از جاذبه‌های مـختلف طبیعی، ساحلی، انسانی، تجارت، داد و ستد؛ مخصوصاً خرید البسه و پـوشاک؛ برشمرد. گردشگری یکی از اصلی‌ترین محرک‌های اقتصادی کشور ترکیه محسوب می‌شود. افزایش یا کاهش تعداد گردشگران ایرانی در ترکیه به عوامل متعدد اقتصادی، سیاسی در سطح ملی و بین‌المللی ربط دارد. برآورد دقیق تقاضای گردشگری موضوعی مهم و حیاتی برای صنعت توریسم بهشمار رفته و پیشبینی دقیق تقاضای گردشگری می‌تواند اطلاعات مفیدی را برای برنامهریزی و سیاستگذاریهای آتی در رابطه با توریسم فراهم سازد. هدف این مقاله پیشبینی تقاضای سفر به ترکیه از طرف گردشگران ایرانی میباشد. تکنیک مورد استفاده برای پیشبینی تقاضای سفر شبکه‌های عصبی مصنوعی میباشد. متغیرهای اثرگذار بر روی تقاضای گردشگری ایرانیان با بررسی پیشینه تحقیق استخراج شد و جمعاً 13 متغیر را این تحقیق برای پیشبینی تقاضای گردشگری به کار رفت. نتایج بهدست آمده از تحقیق نشان می‌دهد که برآوردهای بهدست آمده در مقایسه با داده‌های واقعی از خطای کمتری برخوردار هستند. طبق یافته‌های تحقیق چهار متغیر مهم اثرگذار بر تقاضای گردشگری از طرف شهروندان ایرانی؛ میزان تولید روزانه نفت خام در ایران، نرخ تورم در ایران، تولید ناخالص داخلی در ترکیه، تولید ناخالص داخلی در ایران به ازای افراد شاغل است.

آب و هواشناسی

تحلیل و پیش‌بینی روزهای خشک با استفاده از مدل شبکه عصبی مصنوعی (مطالعه موردی: ایستگاه تهران)

حسین عساکره؛ فریبا صیادی

دوره 21، شماره 60 ، شهریور 1396، ، صفحه 161-167

https://doi.org/06

چکیده

شبکه‌های عصبی مصنوعی بهعنوان یکی از تکنیک‌های غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی بهخود اختصاص دادهاند. تغییراقلیم و بهدنبال آن گرمایش جهانی از پدیده‌های اقلیمی به شمار می‌رود. شمار روزهای خشک و تداوم آن خشکسالی را بهدنبال دارد. در این پژوهش از داده‌های بارش روزانه طی سال‌های (1976-2008) و شبکه عصبی ... بیشتر شبکه‌های عصبی مصنوعی بهعنوان یکی از تکنیک‌های غیرخطی در مطالعات اقلیمی و هیدرولوژی اهمیت فراوانی بهخود اختصاص دادهاند. تغییراقلیم و بهدنبال آن گرمایش جهانی از پدیده‌های اقلیمی به شمار می‌رود. شمار روزهای خشک و تداوم آن خشکسالی را بهدنبال دارد. در این پژوهش از داده‌های بارش روزانه طی سال‌های (1976-2008) و شبکه عصبی مصنوعی در نرم‌افزار MATLAB بهمنظور پیش‌بینی شمار روزهای خشک ایستگاه تهران استفاده شده است. شبکه بهکار رفته از نوع Feed-forward با الگوریتم کاهش شیب و مارکوارت لونبرگ در مرحله آموزش و یادگیری می‌باشد. ساختارهای گوناگونی در لایه ورودی و پنهان در مرحله آموزش مورد آزمایش قرار گرفت. در نهایت شبکه با 4 ورودی و 5 نرون در لایه پنهان و 1 نرون در لایه خروجی به مطلوب‌ترین ساختار (1-5-4) جهت پیش‌بینی بهینه با بیش‌ترین همبستگی پاسخ داد. نتایج نشان داد که در ایستگاه مذکور، روزهای خشک پیش‌بینی شده توسط شبکه در مقایسه با طول دوره آماری مورد بررسی دارای روند افزایشی بوده است که با محاسبه احتمال وقوع روزهای خشک، طی سال‌های (2018-2009) با استفاده از زنجیره مارکوف، موارد فوق تأیید گردیده است. ضریب همبستگی مقادیر پیش‌بینی روزهای خشک بدون ترکیب با الگوریتم ژنتیک 86 درصد است. بعد از آموزش شبکه با ترکیب الگوریتم ژنتیک با لایه‌های مختلف این مقدار به 88درصد رسید که می‌توان گفت در صورت ترکیب شبکه با الگوریتم مذکور نتایج قابل قبول ارائه میدهد.

برنامه ریزی شهری

کاربرد شبکه عصبی مصنوعی در مدل سازی و پیش بینی تغییرات کاربری اراضی شهر سردرود (1410-1363)

حسن محمودزاده

دوره 21، شماره 60 ، شهریور 1396، ، صفحه 221-237

https://doi.org/09

چکیده

یک گام اساسی جهت مدیریت و برنامهریزی توسعه شهری و همچنین ارزیابی اثرات تجمعی آن بررسی و شبیهسازی توسعه فیزیکی شهر میباشد. هدف از این مطالعه، درک عوامل مؤثر در روند توسعه فیزیکی منطقه شهری سردرود با عنایت به مقوله توسعه فضایی پایدار شهری از بعد اکولوژیکی و حفظ شرایط زیست محیطی آن در دو دهه آتی میباشد. بدین منظور با استفاده ... بیشتر یک گام اساسی جهت مدیریت و برنامهریزی توسعه شهری و همچنین ارزیابی اثرات تجمعی آن بررسی و شبیهسازی توسعه فیزیکی شهر میباشد. هدف از این مطالعه، درک عوامل مؤثر در روند توسعه فیزیکی منطقه شهری سردرود با عنایت به مقوله توسعه فضایی پایدار شهری از بعد اکولوژیکی و حفظ شرایط زیست محیطی آن در دو دهه آتی میباشد. بدین منظور با استفاده از تصاویر ماهوارهای چندزمانه لندست 5 و تکنیکهای پردازش تصاویر ماهوارهای شیگرا تغییرات کاربری اراضی در مقطع زمانی 1390-1363 با تأکید بر گسترش پراکنده شهر سردرود، مورد ارزیابی قرار گرفته است. بر اساس نتایج حاصله مقدار مساحت شهر سردرود از 24/111 هکتار در سال 1363 به 12/528 هکتار در سال 1390 رسیده است. 94/162 هکتار از توسعه ذکر شده بر روی اراضی باغی و زراعی صورت گرفته که لزوم مدیریت توسعه آتی مبتنی بر اصول توسعه پایدار را میطلبد. بدین منظور عوامل مؤثر بر توسعه فیزیکی شهر سردرود بر اساس پیشینه تحقیق در قالب 14 شاخص شناسایی و با استفاده از روش شبکه عصبی مبتنی بر مدل LTM نقشه احتمال توسعه شهری تهیه گردید. پس از پیشبینی الگوی آتی توسعه شهری در شهر سردرود با استفاده از راهبرد حفاظت از باغات و فضاهای سبز در فرایند توسعه شهری با بلوکبندی نقشه احتمال توسعه شهری، دادن فضای لازم برای توسعه، بهطول 15 کیلومتر و پیشنهاد اعمال ممنوعیت توسعه در اطراف کمربند سبز پیشنهادی، حفظ ذخایر اکولوژیک شهر سردرود با کاهش تخریب اراضی باغی و جلوگیری از اتصال شهر به کلانشهر تبریز مورد تأکید قرار گرفته است.

ژئوتوریسم، اکوتوریسم و گردشگری

کاربرد مدل شبکه عصبی مصنوعی در پهنه‌بندی خطر زمین‌لغزش

محمدحسین رضایی مقدم؛ محمدرضا نیکجو؛ کامران خلیل ولیزاده؛ بلواسی ایمانعلی؛ مهدی بلواسی

دوره 21، شماره 59 ، اردیبهشت 1396، ، صفحه 89-111

https://doi.org/9

چکیده

ین‌لغزش بهعنوان یکی از مخاطرات طبیعی در مناطق کوهستانی محسوب می‌شود که هر ساله منجر به خسارات زیادی می‌شود. حوضه آبریز دوآب الشتر با داشتن چهره‌ای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوه زمین‌لغزش است. هدف از این تحقیق پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل شبکه عصبی مصنوعی در حوضه دوآب الشتر می‌باشد. ... بیشتر ین‌لغزش بهعنوان یکی از مخاطرات طبیعی در مناطق کوهستانی محسوب می‌شود که هر ساله منجر به خسارات زیادی می‌شود. حوضه آبریز دوآب الشتر با داشتن چهره‌ای کوهستانی و مرتفع و شرایط طبیعی مختلف دارای استعداد بالقوه زمین‌لغزش است. هدف از این تحقیق پهنه‌بندی خطر زمین‌لغزش با استفاده از مدل شبکه عصبی مصنوعی در حوضه دوآب الشتر می‌باشد. بدین منظور ابتدا پزمارامترهای مؤثر در وقوع زمین‌لغزش استخراج و سپس لایه‌های مربوطه تهیه‌ شده است. درادامه نقشه پراکنش زمین‌لغزش‌های رخ‌داده شده حوضه تهیه شد. سپس با تلفیق نقشه عوامل مؤثر بر لغزش با نقشه پراکـنش زمین‌لغزش‌ها، تأثیر هر یـک از عوامل شیب، جهت شیب، سنگ‌شناسی، بارش، کاربری اراضی، فاصله از گسل و آبراهه در محیط نرم‌افزار ArcGIS سنجیده شد. در این پژوهش مدل‌ شبکه عصبی مصنوعی با الگوریتم پس انتشار خطا و تابع فعال‌سازی سیگموئید بهکار گرفته شد. ساختار نهایی شبکه دارای 7 نرون در لایه ورودی، 11 نرون در لایه پنهان و 1 نرون در لایه خروجی گردید. دقت شبکه در مرحله آزمایش 85/93 درصد محاسبه شد. پس از بهینه شدن ساختمان شبکه، کل اطلاعات منطقه در اختیار شبکه قرار گرفت. بر اساس پهنه‌بندی صورت گرفته با استفاده از مدل شبکه عصبی مصنوعی به ترتیب 37/44، 45/7، 93/8، 49/32، 76/6 درصد از مساحت منطقه در کلاس‌های خطر خیلی‌کم، کم، متوسط، زیاد و خیلی‌زیاد قرار گرفته است.

برآورد بارش به کمک شبکه عصبی مصنوعی با داده¬های هواشناسی غیربارشی در سه منطقه شیراز، مشهد و کرمان

علیرضا ایلدرمی؛ حمید زارع ابیانه؛ مریم بیات ورکشی

دوره 17، شماره 43 ، خرداد 1392، ، صفحه 21-40

چکیده

عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمانهای مختلف است. در این راستا بهدلیل عدم قطعیتهایی که وجود دارد، نوسانهای زیادی در مقدار بارش ایجاد میشود که پیشبینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاسبندی مجدد (R/S) و محاسبه نمای هرست (H) پیشبینیپذیری ... بیشتر عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمانهای مختلف است. در این راستا بهدلیل عدم قطعیتهایی که وجود دارد، نوسانهای زیادی در مقدار بارش ایجاد میشود که پیشبینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاسبندی مجدد (R/S) و محاسبه نمای هرست (H) پیشبینیپذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیشبینیپذیری را دارد، زیرا H از 5/0 بزرگتر بوده و بمراتب بهمقدار 1 نزدیکتر است. بهطوریکه نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیشبینی بارش از شبکههای عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین دادههای غیربارشی، ترکیبی از دادههای دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایههای میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکههای عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکههای عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشتهاند. آرایشهای پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدلهای بارش نشان داد که شـبکههای طراحی شـده برای پارامتر بارش در ایستگاههای مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بودهاند. در مجموع نتایج نشان میدهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آنها در پیشبینی، بهدست میدهند.

دوره 28 (1403)

دوره 27 (1402)

دوره 26 (1401)

دوره 25 (1400)

دوره 24 (1399)

دوره 23 (1398)

دوره 22 (1397)

دوره 21 (1396)

دوره 20 (1395)

دوره 19 (1394)

دوره 18 (1393)

دوره 17 (1392)

دوره 16 (1391)

کلیدواژه‌ها = شبکه عصبی مصنوعی

چکیده

چکیده

چکیده

چکیده

چکیده

چکیده

چکیده

چکیده

چکیده

چکیده

چکیده

چکیده