تحقیقات کاربردی علوم جغرافیایی، جلد ۲۱، شماره ۶۰، صفحات ۲۹۷-۳۱۳
عنوان فارسی مدلسازی هوشمند منفرد(پرسپترون چند لایه) و ترکیبی (نروفازی) تخریب جنگل (محدوده: شهرستان ساری)
چکیده فارسی مقاله
روش‌های کلاسیک یا روشهای سخت بر دقیق بودن محاسبات، پایه­گذاری شده­اند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیت­ها استوار است که بیشتر با روش‌های محاسبات نرم مطابقت دارد، که این روش­ها نیز به تنهایی نقاط ضعف و قوتی دارند و برای رفع آنها تئوری پیوند­زنی مطرح شد که با عنوان سیستم­های ترکیبی هوشمند شناخته می­شوند. در این تئوری دو یا چند روش هوشمند با یکدیگر ترکیب می­شود تا کاستی­ها و نواقص روش­های منفرد رفع یا تعدیل گردد. در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدل­سازی شده­است. برای اینکار از تصاویر سنسور TM ماهواره لندست 5 سال 1999 و سنسور OLI متعلق به لندست 8 برای سال 2017 استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در 200 نقطه نمونه­برداری شد. سپس 7 فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای 200 نقطه محاسبه شد. برای ارزیابی عملکرد مدل­ها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتمLevenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient  به ترتیب 50.053، 40.070 و 80.090 بدست­آمد. MSE برای مدل عصبی-فازی با الگوریتم بهینه­سازی و روش ترکیبی به ترتیب 00.019 و 0.0102 محاسبه شد. تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیم­پذیری می­باشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب داده­ی مناسب موفق­تر بوده­است.
 
کلیدواژه‌های فارسی مقاله مدلسازی هوشمند، تخریب جنگل، نروفازی، پرسپترون چند لایه
عنوان انگلیسی Intelligent Modeling; Single (Multi-layer perceptron) and Hybrid (Neuro-Fuzzy Network) Method in Forest Degradation (Case Study: Sari County)
چکیده انگلیسی مقاله The classical methods, also known as hard methods, are based on the accuracy of calculations, while the real world is founded on the inaccuracy of boundaries and the uncertainties, which is more consistent with soft computing methods. Each of these methods has its own strengths and weaknesses, and the hybridization theory was introduced to solve these problems. In the hybridization theory, which is also called intelligent hybrid systems, two or more single intelligent methods are combined to eliminate or rectify the shortcomings and limitations of single methods. In this study, forest degradation was modeled by employing the single-perceptron neural network and hybrid neuro-fuzzy method. For this purpose, the images from Landsat-5 TM sensor in 1999 and Landsat 8 OLI sensor in 2017 were utilized. Then, the degraded and non-degraded forest areas were sampled in 200 locations. Seven factors identified as the most effective factors in forest degradation, including the distance from the features like city, river, village, sea, and road, elevation and slope were measured for the 200 locations. The mean squared error (MSE) was used to evaluate the performance of models, which was 0.0535, 0.0704, and 0.0908 for the perceptron neural network in the Levenberg-Marquardt, Bayesian regularization, and scaled conjugate gradient algorithms, respectively. Also, the MSE value for the neuro-fuzzy model in the optimization and hybrid algorithms was 0.0190 and 0.0102, respectively. The analysis of the results showed the optimal performance of the neuro-fuzzy method both in reducing the error and in generalizing the model. Relying on the uncertainty rule, the neuro-fuzzy model provides the conditions that are closer to reality and have been more successful than the perceptron model at selecting the appropriate data.
کلیدواژه‌های انگلیسی مقاله Intelligent Modeling, Multilayer Perceptron, Neural-Fuzzy, Forest Degradation
نویسندگان مقاله سمیه مهرآبادی | somayeh mehrabadi
university of tabriz
کارشناس ارشد GIS & RS دانشگاه تبریز

نشانی اینترنتی http://jgs.khu.ac.ir/browse.php?a_code=A-10-3747-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات