جواد سدیدی

جواد سدیدی

مدرک تحصیلی: استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه خوارزمی

مطالب
ترتیب بر اساس: جدیدترینپربازدیدترین

فیلترهای جستجو: فیلتری انتخاب نشده است.
نمایش ۲۱ تا ۲۲ مورد از کل ۲۲ مورد.
۲۱.

آنالیز حساسیت داده های نقشه ای استاندارد ایران جهت اجرای مدل شبیه سازی چندجهتی جریان های سطحی در مناطق خشک – محدوده مطالعاتی استان بوشهر(مقاله علمی وزارت علوم)

کلیدواژه‌ها: مخاطره جریان سطحی چند جهتی D-Infinity آنالیز حساسیت روش MonteCarlo

حوزه‌های تخصصی:
تعداد بازدید : ۸۲ تعداد دانلود : ۹۵
زیان های مالی و انسانی ناشی از روان شدگی جریان های سطحی از جمله سیلاب ها و نشت مواد شیمیایی مضر لزوم مدل سازی و پیش بینی این مخاطرات را الزامی می نماید. در این راستا بررسی میزان صحت مدل مزبور از نظر میزان شباهت با شرایط واقعی و همچنین آنالیز ترکیبی دقت نتایج حاصله ناشی از داده ها و الگوریتم استفاده شده در مدل حائز اهمیت می باشد. در این مقاله مدلی براساس یکی از الگوریتم های شبیه سازی جریان های سطحی چندجهتی موسوم به D-Infinity، که از سطح بالاتری از صحت و نزدیکی به واقعیت نسبت به سایر مدل های مطرح برخوردار می باشد، را ارائه نموده است. همچنین دقت مدل مزبور از طریق بکارگیری روش MonteCarlo برای آنالیز حساسیت مدل در نتیجه استفاده از داده های استاندارد موجود در ایران، بالاخص داده مدل ارتفاعی رقومی زمین در محدوده مناطق خشک و بیابانی که مستعد ایجاد جریان های سطحی ناشی از وقوع پدیده هایی چون بارش و مشخصا منطقه مطالعاتی استان بوشهر، مطالعه گردیده است. نتایج حاصله مؤید وجود ارتباطی مستقیم میان تغییرات ارتفاعی، شیب و انحنا با جهت جریان است که در شرایط واقعی نیز چنین وضعیتی حاکم است و سطح حساسیت هر یک را تشریح می نماید. در این میان پارامتر شیب با آماره های کشیدگی 8477/0 و نرمی 1936/4 بعنوان مناسبترین پارامتر، از لحاظ تمایل به سمت ثبات و مقاومت در برابر نویز، برای ارزیابی ثبات جریان معرفی شده است.
۲۲.

ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه مکانی. مطالعه موردی: داده های کاربری اراضی OSM(مقاله علمی وزارت علوم)

کلیدواژه‌ها: هوش مصنوعی و OSM کاربری اراضی کامل بودن یادگیری عمیق واحد مبنا کرج

حوزه‌های تخصصی:
تعداد بازدید : ۵۸ تعداد دانلود : ۶۵
یادگیری عمیق یک روش مدرن پردازش تصویر و تجزیه و تحلیل داده هاست که با داشتن نتایج امیدوار کننده و پتانسیل بالا وارد حوزه مدیریت شهری شده است. پروژه (OSM)Open Steet Map بزرگ ترین مجموعه داده های مکانی داوطلبانه است که در بسیاری از حوزه های کاربردی مختلف به عنوان مکمل یا جایگزین با داده های مرجع استفاده می شود. در بعضی از موارد در کشورهای پیشرفته دقت داده های داوطلبانه تولید شده توسط موبایل و دیگر ابزار توسط کاربران حتی بیش از داده ی مرجع دولتی می باشد. هدف از تحقیق حاضر ارزیابی استفاده از هوش مصنوعی در تکمیل داده های داوطلبانه در مناطق کمتر مشارکت شده توسط داوطلبان می باشد. ابتدا با استفاده از شبکه عصبی کانولوشنی Res_UNet کاربری اراضی با دقت 83 درصد به دست آمد، سپس با توجه به پیش بینی انجام شده، از روش واحد مبنا جهت ارزیابی میزان کامل بودن داده های OSM استفاده شد. نتایج نشان می دهد میزان کامل بودن بلوک های ساختمانی OSM در کل منطقه مطالعاتی برابر با 6/3 درصد، جنگل ها7/9درصد، درخت های میوه 4/90 درصد و زمین های کشاورزی 88/81درصد می باشد. که نشان از نرخ پایین کامل بودن بلوک های ساختمانی و جنگل و نرخ بالای کامل بودن زمین های کشاورزی و درختان میوه می باشد. نتایج تحقیق بیانگر درصد مشارکت پایین داوطلبانه درتولید داده های مکانی می باشد. از طرفی دقت بالای تولید کاربری اراضی توسط هوش مصنوعی نتایج امیدوارکننده ای را در استفاده از هوش مصنوعی در تولید و تکمیل داده های داوطلبانه به جای نیروی انسانی بخصوص در کشورهای کمتر توسعه یافته یا مناطق با جمعیت داوطلب کمتر یا نقاط دورافتاده و صعب العبور ارائه میدهد

پالایش نتایج جستجو

تعداد نتایج در یک صفحه:

درجه علمی

مجله

سال

حوزه تخصصی

زبان