تاریخ بهروزرسانی: 1403/09/01
داود جمینی
دانشکده منابع طبیعی / گروه ژئومورفولوژی
پایاننامههای کارشناسیارشد
-
کاربرد الگوریتم های یادگیری ماشین در پیشبینی تاب آوری جوامع در معرض وقوع زمین لغزش (مطالعه موردی: جاده کامیاران ـ مریوان)
1403زمین لغزش یکی از مهمترین مخاطرات طبیعی است که با وقوع آن خسارات مختلفی اقتصادی، اجتماعی و زیست-محیطی بروز پیدا میکند. در این میان جوامعی که به لحاظ تابآوری از ظرفیت بالاتری برخوردار باشند، خسارات کمتری را در برابر زمین لغزش متحمل میگردند. از این رو شناسایی تعیینکنندههای تاب آوری گام مهمی در راستای ارتقای سطح تاب آوری و کاهش خسارات ناشی از وقوع زمین لغزش است. در مجاورت جاده ارتباطی کامیاران ـ مریوان چندین سکونتگاه روستایی قرار گرفته است که در معرض خطر بسیار زیاد زمین لغزش قرار دارند. با توجه اهمیت مبحث تابآوری در کاهش خسارات ناشی از وقوع زمین لغزش، بررسی وضعیت تابآوری جوامع محلی ساکن در این روستاها و پیشبینی عوامل موثر بر تابآوری آنها در برابر زمین لغزش، هدف اصلی پژوهش حاضر است که به صورت مطالعه موردی در میان ساکنان چهار روستا (روستاهای کاشتر، دگاگاه، تفین و مازیبن) انجام گرفته است. جامعه آماری پژوهش شامل 513 نفر سرپرست خانوار روستایی است که در میان آنها، 150نفر به عنوان نمونه آماری در نظر گرفته شدهاند. ابزار اصلی برای گردآوری دادهها، پرسشنامه محقق ساخته است که روایی و پایایی آن تایید شده است. برای تجزیه و تحلیل دادهها از نرمافزار SPSS و الگوریتمهای یادگیری ماشین استفاده شده است. نتایج پژوهش نشان داد تابآوری جامعه محلی در سطوح بسیار کم، کم، متوسط، زیاد و بسیار زیاد بهترتیب 4 درصد، 3/31 درصد، 3/35 درصد، 7/18 درصد و 7/10 درصد بوده است. نتایج بررسی اهمیت فاکتورهای اثرگذار بر تابآوری با استفاده از روش IGR نشان داد مهمترین فاکتورهای اثرگذار بر تابآوری در برابر زمین لغزش به ترتیب اهمیت عبارتاند از: رضایت شغلی، سازگاری با مخاطرات محیطی، شغل اصلی، مدیریت محلی و منطقهای، عوامل نهادی ـ حمایتی، پیشامد اقتضایی، تحصیلات، سیاستهای کشاورزی، درآمد خانوار، شغل فرعی و آسیب ناشی از مخاطرات محیطی. نتایج حاصل از مقایسه عملکرد الگوریتمهای یادگیری ماشین برای پیشبینی تابآوری در برابر زمین لغزش بر اساس معیارهای RMSE (خطای جذر میانگین مربعات) و ROC (مشخصه عملکرد سیستم) نشان داد در میان الگوریتمهای مورد بررسی، الگوریتم LMT دارای بهترین عملکرد بوده است.
-
سنجش و پیشبینی تاب آوری جوامع در معرض آلودگی آرسنیک (مطالعه موردی: شهرستان بیجار)
1402آرسنیک یکی از فلزات سنگین است که می تواند به شیوه های مختلفی از جمله آلودگی منابع آب و خاک، به صورت مستقیم و غیرمستقیم محیط زیست یک منطقه را با تهدیدهای جدی مواجه نماید. شهرستان بیجار از فضاهای جغرافیایی واقع در استان کردستان است که محیط آن به لحاظ آلودگی به آرسنیک، در وضعیت نامناسبی قرار دارد. با توجه به اهمیت مبحث تاب آوری در مقابله با انواع مخاطرات، سنجش وضعیت تاب آوری ساکنان در معرض آلودگی و پیشبینی عوامل موثر بر ارتقای تاب آوری می تواند نقش مهمی را در کاهش مخاطرات ناشی از آرسنیک ایفا نماید. از این رو هدف اصلی پژوهش حاضر سنجش و پیشبینی تاب آوری جوامع در معرض آلودگی آرسنیک در شهرستان بیجار است. جامعه آماری پژوهش را ساکنان شش روستای شهرستان (روستاهای نجف آباد، باشوکی، ابراهیم آباد، بابانظر، گوندک، علی آباد) تشکیل می دهد که نسبت به دیگر روستاها در معرض آلودگی آرسنیک بیشتری قرار گرفته اند و در میان آن ها 150 نفر به عنوان نمونه آماری در نظر گرفته شده اند. ابزار اصلی پژوهش جهت جمع آوری داده ها، پرسشنامه محقق ساخته است که روایی و پایایی آن با رعایت اصول پژوهش های میدانی تایید شده است. جهت تجزیه و تحلیل دادهها، از نرم افزار SPSS و الگوریتم های یادگیری ماشین (NBTree، Bayesian network، Naïve Bayes و Random Forest) استفاده شده است. نتایج پژوهش نشان داد وضعیت تابآوری در محدوده مطالعاتی اکثریت پاسخگویان (78 درصد) در سطوح زیاد و خیلی زیاد قرار گرفته است. نتایج بررسی اهمیت فاکتورهای موثر بر تابآوری آرسنیک با روش IGR نشان داد مهم ترین فاکتورهای موثر بر تابآوری به ترتیب اهمیت عبارت اند از: سن (0/343)، تحصیلات (0/271)، مخارج ماهیانه خانوار (0/232)، تعداد بیکاران (226/0)، آگاهی (0/181)، بعد خانوار (0/171)، مالکیت منابع سرمایهای (0/17)، پیشامدهای اقتضایی (0/116) و شغل اصلی (0/108). نتایج مقایسه عملکرد الگوریتم های یادگیری ماشین برای پیشبینی تابآوری در برابر آرسنیک نشان داد در میان الگوریتم های مورد بررسی، الگوریتم NBTree دارای بهترین عملکرد در پیشبینی تابآوری در برابر آرسنیک بوده است.
-
پهنه بندی مناطق حساس به وقوع آتش سوزی با استفاده از الگوریتم های یادگیری ماشین (مطالعه موردی: جنگل های شهرستان مریوان)
1402شناسایی عوامل موثر در وقوع آتش سوزی و پهنه بندی حساسیت به وقوع آن یکی از ابزارهای اساسی جهت دستیابی به راه کارهای کنترل و مقابله با آتش سوزی است. مدلسازی آتشسوزی جنگل برای شناسایی توزیع آتشسوزی جنگلها بر اساس روشهای علمی از اهمیت بسزایی برخوردار هستند. در این پژوهش، از تکنیک Information Gain Ratio (IGR) و شاخص میانگین شایستگی (Average Merit) جهت ارزیابی قدرت پیشبینی عوامل موثر بر وقوع آتش سوزی جنگل در شهرستان مریوان استفاده شد. نتایج این روش ها نشان داد که از میان 14 عامل موثر در نظر گرفته شده در ابتدا، تنها 12 عامل شامل میانگین سرعت باد، ارتفاع، رطوبت نسبی، بارش، میانگین حداکثر دما سالانه، فاصله از جاده، کاربری اراضی، تراکم جاده، فاصله از مناطق مسکونی، NDVI، تابش خورشیدی و شیب در وقوع آتش سوزی نقش داشتهاند. همچنین، نتایج نشان داد دو عامل جهت شیب و شاخص رطوبت توپوگرافیک به دلیل مقدار میانگین شایستگی برابر صفر از مدلسازی نهایی حذف شدند. در این میان متغیرهای میانگین سرعت باد، ارتفاع و رطوبت نسبی نسب به سایر متغیرها بیشترین تاثیر را بر وقوع آتش سوزی داشتند. همچنین پس از آموزش هر سه مدل یادگیری ماشین به کاربرده شده شامل مدلهای جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک، عملکرد آنها در زمینه پتانسیلیابی وقوع آتش سوزی با استفاده از معیارهای آماری سنجیده شد. بنابراین از نظر نمونههای آموزشی، مدل جنگل تصادفی (0/98) نسبت به مدل ماشین بردار پشتیبان (0/931) دارای صحت بالاتری بود. مقدار شاخص حساسیت در مدلهای جنگل تصادفی و ماشین بردار پشتیبان به ترتیب 0/982 و 0/934 بوده که این بدان معنی است که مدل جنگل تصادفی قادر است 98/1 درصد از پیکسل های آتش سوزی را به درستی بهعنوان مناطق تحت سیطره آتش سوزی طبقهبندی نماید که نسبت به مدل ماشین بردار پشتیبان قدرت پیشبینی بالاتری داشته است. نقشه های تهیه شده بر اساس روش طبقهبندی شکست طبیعی (Natural Breaks) به پنج کلاس حساسیت خیلی کم، حساسیت کم، حساسیت متوسط، حساسیت زیاد و حساسیت خیلی زیاد طبقه بندی گردیدند. همچنین مساحت و درصد مساحت طبقات پتانسیل وقوع آتش سوزی برای هر سه مدل استخراج گردید. نتایج هر سه مدل برای پتانسیل وقوع آتش سوزی نشان داد که بخش غربی و جنوبی غربی نسبت به سایر بخش های شهرستان مریوان دارای پتانسیل خطر آتش سوزی بالاتری می باشد. برای اعتبارسنجی هر سه مدل از روش منحنی ROC استفاده گردید. نتایج نشان داد که از میان مدل جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک، بیشترین صحت به مدل ماشین بردار پشتیبان (0/997) اختصاص داشته است.