عنوان

به کارگیری الگوریتم ماشین های پشتیبان بردار به همراه سیستم اطلاعات جغرافیایی در پهنه بندی خطر وقوع زمین لغزش منطقه مورد مطالعه :شهرستان ورزقان

Number

‭۱۳۷۳۳پ‬

.Language of Text, Soundtrack etc

per

Title Proper

به کارگیری الگوریتم ماشین های پشتیبان بردار به همراه سیستم اطلاعات جغرافیایی در پهنه بندی خطر وقوع زمین لغزش منطقه مورد مطالعه :شهرستان ورزقان

First Statement of Responsibility

/امیرعلی هاتف

Name of Publisher, Distributor, etc.

: جغرافیا و برنامه ریزی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۴‬

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

سنجش‌ازدور و سیستم اطلاعات جغرافیایی گرایش :مطالعات آب‌وخاک

Date of degree

‮‭۱۳۹۴/۰۶/۳۱‬

Body granting the degree

تبریز

Text of Note

الگوریتم‮‭SVM‬ یا ماشین بردار پشتیبان، به عنوان یکی از روشهای غیرپارامتریک بر پایه تئوری یادگیری آماری بنا شده است .بر اساس این تئوری، میتوان کران نرخ خطای ماشین یادگیری را برای داده های طبقه بندی نشده، به عنوان نرخ خطای تعمیم یافته، در نظر گرفت .در این تحقیق، با استفاده از توابع حلقوی، چند جمله ای، شعاعی وخطی در الگوریتم ‮‭SVM‬ و معیارهای موثر در شناسایی مناطق حساس به زمین لغزش :فاصله از گسل، فاصله از جاده، شبکه زهکشی، لیتولوژی، شیب، سطح ارتفاعی به ارزیابی قابلیت وقوع زمین لغزش در منطقه ورزقان پرداخته شد .بدین منظور لایه های مکانی معیارهای شش گانه مذکور به پایگاه داده مکانی وارد و سپس استانداردسازی بروی معیارها انجام شد و در نهایت توابع ماشین بردار پشتیبان اجرا گردید تا پهنه های حساس به زمین لغزش مشخص گردد .نتایج تحقیق نشان داد بر اساس تابع خطی در اکثر قسمت‌صها حساسیت متوسط به بالایی وجود دارد .در تابع شعاعی بخش‌صهای شرقی و بخصوص غربی تحت تاثیر حساسیت بسیار شدید قرار دارند .در نوع حلقوی در نواحی شرق و غرب احتمال وقوع متوسط به بالا و در تابع چندجمله‌صای) تابع منتخب در این تحقیق (حساسیت وقوع زمین لغزش به طور یکنواخت در منطقه پخش شده است و در مناطقی از جنوب و لکه هایی در شمال شهرستان ورزقان احتمال وقوع با درجه شدید وجود دارد.

Text of Note

SVM algorithm or Support vector machine as one of the non-parametric methods is based on statistical learning theory. Due to this theory, The error rates of learning machine for unclassified data can be used as a generalized error rates. In this study, by using the linear, polynomial, RBF and sigmoid kernels in SVM algorithm and effective criteria for recognizing sensitive areas to landslide: the distance from the faults, drainage network, lithology, slope, elevation we evaluated the capability of landslide occurrence in the region of varzaqan.For this purpose the spatial layers of above six criteria have been entered into spatial database and then the criteria have been standardized and finally supporting vector machine functions were run up to determine landslide in sensitive shorelines. The results of the study showed that according to the linear function in most of the parts there are medium to high sensitivity. In the eastern parts and particularly the western of RBF function are influenced by several degrees of sensitivity. In sigmoid type, the Eastern and Western zones are in the medium and high probability of this hazard. In a polynomial function (the best function selected in this study) the sensitivity of landslide occurrence accidentally has been distributed uniformly in the area and on the South and some spots on north of the city, we can find the zones with the very high sensitivity of landside hazard

هاتف، امیرعلی

رضایی مقدم، محمدحسین، استاد راهنما

ولی زاده کامران، خلیل، استاد راهنما

Public note

سیاه و سفید

نمایه‌سازی قبلی