شماره کتابشناسی ملی
شماره
۲۰۲۶۲پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
ارزیابی کیفیت محیط زیستی با استفاده از ابزار سنجش از دور و محاسبات نرم
عنوان اصلي به زبان ديگر
Eco-environmental quality evaluation using remotely sensed imagery and soft computing
نام نخستين پديدآور
/احسان فرومندی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی عمران
تاریخ نشرو بخش و غیره
، ۱۳۹۷
نام توليد کننده
، افشاری
مشخصات ظاهری
نام خاص و کميت اثر
۱۱۸ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی و مدیریت منابع آب
زمان اعطا مدرک
۱۳۹۷/۰۶/۱۸
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
مشکلات زیست‌صمحیطی، یکی از مهترین مشکلات پیش روی بشر در قرن اخیر است .یکی از روش-های مورد استفاده جهت ارزیابی شاخص‌صهای کیفیت زیست‌صمحیطی، مدل‌صهای جعبه سیاه شبکه عصبی مصنوعی می‌صباشد که می‌صتوان از داده‌صهای حاصل از ابزار سنجش از دور به عنوان ورودی آن-ها استفاده‌صنمود .در این پایان‌صنامه، جهت ارزیابی کیفیت زیست‌صمحیطی با استفاده از محاسبات‌صنرم و ابزار سنجش از دور، اندیس EBV ، مورد بررسی قرارصگرفت .برای مدل‌صسازی، از شاخص‌صهای پوشش‌صگیاهی، رطوبت-خاک، روشنایی‌صخاک، درخشندگی، دمای‌صسطح‌صزمین و داده‌صهای رقومی ارتفاعی که با استفاده از ابزار صسنجش از دور یافت‌صشد و همچنین از داده‌صهای مربوط به بارش، دما و سرعت‌صباد که با استفاده از ایستگاه‌صهای هواشناسی زمینی به دست‌صآمد، به عنوان ورودی‌ص شبکه عصبی مصنوعی سه لایه، بهره-گیری شده‌صاست .در این پژوهش، میانگین داده‌صهای مربوط به۸ صسال گذشته، برای ۵۰۰ منطقه از استان آذربایجان‌صشرقی، یک‌صبار به صورت فصلی و بار دیگر به صورت سالانه وارد شبکه شدند .نتیجه حاصل، نشان‌صگر عملکرد شبکه در فصل بهار با RMSE=۰.۰۲۱۹ و R=۰.۹۹۷۸ ، در فصل تابستان RMSE=۰.۰۴۴۳ وR=۰.۹۸۸۸ ، برای فصل پاییز شاهد RMSE=۰.۰۲۸۴۶ و R=۰.۹۹۷۲ و در فصل زمستان RMSE=۰.۰۶۷۳ و R=۰.۹۸۷۲ و بررسی سالیانه داده‌صها، RMSE=۰.۰۴۸۶ و R=۰.۹۹۲۱ را نشان داد .مقایسه نتایج، نشانگر عملکرد بهتر شبکه در فصل بهار می‌صباشد .در ادامه با توجه به نتایج بهتر مدل در فصل بهار در مناطق مورد بررسی اولیه، مدل برای ۵۰۰ منطقه از استان گیلان با میانگین داده‌صهای ۸ سال گذشته در فصل بهار، طراحی گردید .نتیجه اجرای مدل RMSE=۰.۰۳۰۳ و R=۰.۹۹۶۵ را نشان داد .مقایسه عملکرد مدل در استان گیلان و آذربایجان شرقی، نشان داد که مدل در استان آذربایجان‌صشرقی عملکرد بهتری دارد .با توجه به غنای پوشش‌صگیاهی استان گیلان نسبت به استان آذربایجان‌صشرقی، می‌صتوان نتیجه گرفت دلیل عمل‌صکرد بهتر حاصل، ضعف تصاویر ماهواره‌صای در ارائه داده‌صهای دقیق در مناطق با پوشش گیاهی بیشتر می‌صباشد .در انتها، برای مقایسه عملکرد شبکه عصبی مصنوعی سه لایه با شبکه عصبی مصنوعی چندصلایه‌صپرسپترون ، این شبکه با همان داده‌صهای مربوط به فصل بهار آذربایجان شرقی، آموزش و امتحان گردید .نتیجه حاصل برای سنجش شبکه، RMSE=۰.۰۳۴۶ و R=۰.۹۹۷۴ بود که عملکرد بهتر حالت سه‌صلایه را نشان می‌صدهد
متن يادداشت
Eco-environmental problem is one of the most attention getting issues in the new century. One of the methods that used to evaluate the eco-environmental quality indexes is black box models of artificial neural network(ANN) which the required data using remote sensing imagery can be feeded back as inputs to the mentioned methods. In this thesis, to evaluate the eco-environmental quality by soft computing and remote sensing imagery, the EBV index will be evaluated. In order to train the models, some indexes such as vegetation index, soil moisture index, soil brightness index, radiance index, land surface temperature index and terrain attribute (elevation) derived via remote sensing imagery and furthermore the meteorological attribute (seasonal temperature, seasonal precipitation and wind speed) acquired through ground measurement are employed as input to three layer ANN. In this study, the average data of past eight years for 500 zones of east Azarbaijan province, once seasonally and once again annually are entered into the network. Accordingly, the performance of the model in spring is (RMSE=0.0219, R=0.9978), in summer is (RMSE=0.0443,R=0.9888), in autumn is (RMSE=0.0284,R=0.9972), in winter is (RMSE=0.0673,R=0.9872) and the annual assessment of the data eventuate as RMSE=0.0486 and R=0.9921. Results comparison show the superior performance in spring. Next, regarding the better performance in spring in the primary under investigation regions, the model was designed for 500 zones of Gilan province with average data of past eight years. Running the model resulted in RMSE=0.0303 and R=0.9965. Comparing the model performance for east Azarbaijan and Gilan provinces declares the preferable performance of the model in east Azarbaijan province. Considering the rich vegetation of Gilan province with respect to east Azarbaijan province, it can be concluded that the better performance is resulted from the weakness of the remote sensing in providing exact data in areas with more vegetation. At the end, in order to compare the efficiency of the three layer ANN with Multi-Layer Perceptron(MLP), this network with the same data related to spring in east Azarbaijan province was examined. The results of the network investigation show RMSE=0.0346 and R=0.9974 which shows the superior performance of the three layer case
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Eco-environmental quality evaluation using remotely sensed imagery and soft computing
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
فرومندی، احسان
مستند نام اشخاص تاييد نشده
Foroumandi, Ehsan
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
