مقایسه دقت فضایی روش فازی و مدل شبکه عصبی در پهنهبندی وقوع بهمن) مطالعه موردی: کوهستانهای شمالی البرز
/ابراهیم نجاتی
: جغرافیا
چاپی
کارشناسی ارشد
سنجش از دور و سیستمهای اطلاعات جغرافیایی
۱۳۹۳/۰۶/۲۵
تبریز
کوهستانصهای شمالی البرز همواره در معرض مخاطرات طبیعی از جمله بهمن میصباشد که همه ساله خسارت جانی و مالی بسیاری را در این منطقه به بار میصآورد .لذا شناخت مناطق مستعد خطر وقوع و کسب آمادگی لازم جهت مقابله و به حداقل رساندن خسارات ناشی از آن ضروری به نظر میصرسد .در این تحقیق با استفاده از دو مدل شبکه عصبی مصنوعی و روش فازی اقدام به پهنهصبندی مناطق از نظر خطر وقوع بهمن شده است .دادهصهای مورد نیاز از جمله دادهصهای GPS بهمنصهای اخیر در منطقه، ارتفاع، زمینصشناسی، شبکه ارتباطی، شبکه آبراههصای، بارش و دما، تصاویر ماهوارهصای و ... گردآوری و پس از آماده سازی و تهیه سایر لایهصهای مورد نیاز از آنصها -به منظور استفاده در دو مدل یاد شده-در پایگاه داده GIS ذخیره شد .از نقاط GPS برای مشخص کردن نقاط وقوع بهمن و انتصاب دامنهصهای حامل این نقاط به عنوان دامنهصهای حساس و در نهایت تولید لایه هدف استفاده شده است .در مرحله بعد، بوسیله هریک از مدلصها اقدام به پهنهصبندی خطر در نرم-افزار MATLAB شد، تا مناطق حساس شناسایی شود .با تکرار و تغییر مؤلفهصها و پارامترهای ورودی سرانجام بهترین خروجی برای هر مدل انتخاب شده و براساس لایه هدف با یکدیگر مقایسه میصشوند .نتیجه نهایی به صورت دقت ۸۳ درصدی برای پهنهصبندی شبکه عصبی و ۷۱ درصدی روش فازی بدست آمده است
In order to use in two mentioned models have been collected and Stored in GIS database. The GPS points are used To specify the location of occurance of avalanches and eventually produce the target layer. In next step, to identify sensitive areas, had been run each of these models in MATLAB environment.Finaly the ultimate output were selected for each models By repeating and manipulating the components of the input parameters. These outputs are compared with each other and with the target layer and The precision of the final result for artificial neural network and fuzzy approach were obtained Respectively ۸۳ and ۷۱ percent ۵ Northern mountains of Alborz are constantly exposed to natural hazards such as avalanches that produce loss of many lives and property in this region every year.That is why this is necessary to assess risk-prone areas and be prepared for emergency response. In this study, The zoning of avalanche hazard by using of artificial neural network and fuzzy approach done.The required data include GPS data from recent avalanches, slope, aspect, elevation, landuse, geology, climate data like precipitation and temperature, canals network, transportation roads, Satellite Images and