عنوان

کاربرد روش های هوش مصنوعی و یادگیری ماشین در پردازش تصاویر ماهواره ای برای شناسایی فرسایش خندقی در دامنه های جنوبی کوهستان سهند

Number

پ۲۵۲۸۲

.Language of Text, Soundtrack etc

per

Title Proper

کاربرد روش های هوش مصنوعی و یادگیری ماشین در پردازش تصاویر ماهواره ای برای شناسایی فرسایش خندقی در دامنه های جنوبی کوهستان سهند

First Statement of Responsibility

کیوان حسنقلی زاده

Name of Publisher, Distributor, etc.

برنامه ریزی و علوم محیطی

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۸۹ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

سنجش ازدور و سیستم اطلاعات جغرافیایی گرایش مطالعات آب وخاک

Date of degree

۱۴۰۰/۰۶/۲۳

Text of Note

چکیده: امروزه در همه جای دنیا به جهت تغییرات اقلیمی و سایر عناصر محیطی، مخاطرات طبیعی افزایش‌یافته‌اند. در کشور ایران نیز به دلیل قرارگیری در یک موقعیت خاص جغرافیایی شکنندگی محیط بالا بوده و در همه نقاط فرسایش به‌وفور اتفاق می‌افتد. استان آذربایجان شرقی به‌خصوص دامنه‌های جنوبی کوهستان سهند تحت تأثیر تغییرات اقلیمی اخیر و همچنین غالبیت شبکه آبراهه¬¬های شعاعی واگرا شاهد نمود بارز سیمای فرسایشی خندقی است. فرسایش خندقی به‌طور خزشی اتفاق افتاده و در درازمدت باعث عوارض جبران‌ناپذیر محیطی می‌شود. تغییرات کاربری اراضی، بارش‌های رگباری پراکنده در فصول گرم و خشک، روش‌های نامناسب شخم زمین¬¬های کشاورزی و گاها فعالیت¬های عمرانی مانند جاده‌سازی یا ساخت راه¬¬آهن از عمده دلایل وقوع فرسایش خندقی هستند که مواردی از قبیل کاهش بهره‌وری زمین‌های کشاورزی، بلااستفاده شدن زمین کشاورزی به جهت تقطیع توسط فرسایش خندقی، پر شدن مخازن سد و سازه‌های آبی، به هم خوردن بیلان آب‌وخاک ازجمله اثرات سو، فرسایش خندقی است که لازم است برای مدیریت و برنامه‌ریزی‌های بهتر محیطی اقدام به شناسایی آن کرده و در مراحل ابتدایی پیشگیری‌های لازم را انجام داد.در این تحقیق با استفاده از روش¬¬های یادگیری ماشین اقدام به شناسایی فرسایش خندقی در دامنه جنوبی کوهستان سهند شده است. داده¬¬های لازم برای تحلیل این مسئله از سه منبع مدل‌های رقومی، تصاویر Google earth و همچنین تصاویر ماهواره‌ای سنتینل 1 و 2 گردآوری‌شده است. پس از تعیین شاخص¬¬های مؤثر در شناسایی فرسایش خندقی از منابع مؤثق علوم محیطی در محیط‌های نرم‌افزاری SAGA GIS، ARCGIS، SNAP شاخص‌ها استخراج و از طریق نرم‌افزارهای پایگاه داده ARC GIS و SQL SERVER دیتاست تحقیق تشکیل یافته است.پس از شناسایی محدوده فرسایش خندقی در عکس‌های هوایی و استخراج اطلاعات و موقعیت آن‌ها مرحله تخصیص برچسب در دیتاست انجام‌یافته است، سرانجام پس از تکمیل شدن دیتاست، بعد از پیش‌پردازش‌های اولیه دیتاست تحلیل‌های اصلی با دو الگوریتم ماشین بردار پشتیبان و یادگیری عمیق در محیط نرم‌افزاری Rapid Miner انجام‌شده است. نتیجه حاصل برای روش یادگیری عمیق دقت 0.80، صحت 0.34، فراخوانی 0.37، F1Score 0.36، حساسیت 0.87 و نرخ خطای طبقه‌بندی برابر میزان 0.197 است. همچنین نتایج روش ماشین بردار پشتیبان دقت 0.83، صحت 0.49، فراخوانی 0.52، F1Score 0.50، حساسیت 0.93 و نرخ خطای طبقه‌بندی برابر میزان 0.164 است. بدین ترتیب با اتکا به نتایج اعتبار سنجی روش¬¬های استفاده‌شده می¬¬توان نتیجه گرفت که الگوریتم ماشین بردار پشتیبان نسبت به روش یادگیری عمیق در شناسایی فرسایش خندقی در دامنه‌های جنوبی کوهستان سهند عملکرد بهتری دارد.کلمات کلیدی: سنجش از دور، سیستم اطلاعات جغرافیایی، هوش مصنوعی، یادگیری ماشین، یادگیری عمیق، فرسایش خندقی

Text of Note

Abstract: Today, natural hazards have increased all over the world due to climate change and other environmental elements. In Iran, due to its location in a specific geographical location, the fragility of the environment is high and erosion occurs in abundance in all places. East Azarbaijan province, especially the southern slopes of the Sahand Mountains, under the influence of recent climate change and the dominance of a network of radial waterways, has shown a clear erosive appearance of ditches. Trench erosion occurs creepily and in the long run causes irreparable environmental effects. Land use changes, scattered showers in hot and dry seasons, inadequate methods of plowing agricultural lands and sometimes construction activities such as road construction or railway construction are the main causes of ditches, such as reduced land productivity. Agricultural lands, unused agricultural land for fragmentation by moat erosion, filling of reservoirs of dams and water structures, disturbance of water and soil balance are among the adverse effects of moat erosion, which is necessary for better environmental management and planning. Identified it and took the necessary precautions in the early stages.In this research, using machine learning methods, ditch erosion has been identified in the southern slope of Sahand Mountain. The data needed to analyze this issue were collected from three sources: digital models, Google Earth images, as well as Sentinel 1 and 2 satellite images. After determining the effective indicators in identifying moat erosion, reliable indicators were extracted from reliable environmental science sources in SAGA GIS, ARCGIS, SNAP software environments and the research dataset was formed through ARC GIS and SQL SERVER database software.After identifying the range of trench erosion in aerial photographs and extracting information and their location, the tag allocation step in the database is done. Miner is done. The result for the deep learning method is accuracy of 0.80, precsion of 0.34, recall of 0.37, F1Score of 0.36, sensitivity of 0.87 and classification error rate of 0.197. Also the results of backup machine vector method are accuracy 0.83, precsion 0.49, recall 0.52, F1Score 0.50, sensitivity 0.93 and classification errosr rate equal to 0.164. Thus, relying on the validation results of the methods used, it can be concluded that the support vector machine algorithm is better than the deep learning method in detecting moat erosion in the southern hillsides of Sahand Mountain.

Variant Title

Application of artificial intelligence and machine learning methods in satellite image processing to identify gully erosion in the southern Hillsides of Sahand Mountains

Entry Element

‏حسنقلی زاده،

Part of Name Other than Entry Element

‏کیوان

Relator Code

تهيه کننده

Entry Element

فیضی زاده،

Entry Element

بالافر،‏

Part of Name Other than Entry Element

‏ بختیار

Part of Name Other than Entry Element

‏ محمدعلی

Dates

استاد راهنما

Dates

استاد راهنما

Entry Element

‏ تبریز