حسین شیرانی

پژوهش حاضر به دنبال پاسخ به این سوال می باشد که چه ترکیبی از الگوریتم های یادگیری ماشین، روش های انتخاب ویژگی و تکنیک های گروهی، قوی ترین پیش بینی عملکرد شرکت ها را در بورس اوراق بهادار تهران ارائه می کند؟ در این مسیر تمامی شرکت های پذیرفته شده در بورس تهران طی سال های 1389 تا 1402 به عنوان جامعه آماری در نظر گرفته شدند و برای انتخاب نمونه، از روش حذف سیستماتیک استفاده شد که در نهایت، 171 شرکت به عنوان نمونه نهایی انتخاب گردید. داده های گردآوری شده با استفاده از نرم افزار یادگیری ماشین RapidMiner و نرم افزار اقتصادسنجی EViews مورد تجزیه وتحلیل قرار گرفته شد. نتایج تحلیل مقایسه ای مدل های مختلف یادگیری ماشین نشان داد که ماشین های بردار پشتیبان، جنگل تصادفی و شبکه های عصبی عموماً از سایر الگوریتم ها در وظایف پیش بینی مالی بهتر عمل می کنند.  عملکرد رقابتی مدل های ساده تر مانند رگرسیون لجستیک در سناریوهای خاص، ارزش تفسیرپذیری مدل و خطر پیچیدگی غیرضروری را به ما یادآوری کرد، بنابراین یک رویکرد متعادل با در نظر گرفتن عملکرد مدل و تفسیرپذیری، در وظایف پیش بینی مالی بسیار ضروری به نظر می رسد. مطالعه ما نشان داد که تکنیک های کاهش ابعاد مانند تجزیه و تحلیل مؤلفه اصلی و نقشه های خودسازمان دهنده در این زمینه مفید نیستند و اغلب منجر به کاهش عملکرد می شوند. این یافته مهم نسبت به کاربرد بی رویه چنین تکنیک هایی هشدار می دهد و بر نیاز به در نظر گرفتن دقیق ماهیت داده ها و وظیفه پیش بینی خاص تاکید می کند. استفاده از روش های گروهی، به ویژه بگینگ، عملکرد مدل های قوی را بیشتر افزایش داد، بنابراین ترکیب چندین مدل یا نسخه از یک مدل می تواند به پیش بینی های قوی تر در محیط پرنوسان بازار سهام منجر شود. شاید مهمترین نکته این باشد که بهترین مدل های پژوهش تعمیم بسیار خوبی به پرتفوی خاص مانند هلدینگ سرمایه گذاری غدیر داشتند. این نشان دهنده کاربرد عملی روش پژوهش حاضر است و نشان می دهد که مدل های آموزش داده شده بر روی داده های گسترده تر بازار می توانند بینش های ارزشمندی برای پرتفوی های سرمایه گذاری خاص ارائه دهند.

این پژوهش باهدف بررسی وضعیت اکولوژیکی منطقه جیرفت تحت تأثیر تغییرات کاربری اراضی انجام شده است. بدین منظور از تصویر ماهواره ای در سال 1990 (سنجنده TM از لندست 5) و سال 2020 (سنجنده OLI از لندست 8) برای استخراج دمای سطح زمین با کمک الگوریتم تک باندی و نقشه کاربری اراضی با روش طبقه بندی ماشین بردار پشتیبان[1] (SVM) استفاده شد. در ادامه به منظور بررسی نقش پوشش اراضی در ایجاد جزایر حرارتی از شاخص سهم[2] (CI) و برای ارزیابی وضعیت اکولوژیکی از شاخص UTFVI[3] استفاده شد. نتایج نشان داد در سال 2020 مناطق بایر بیشترین تغییر کاربری را نسبت به سال 1990 داشتند (کاهش 7300 هکتار) و مناطق ساخت انسان، پهنه کشاورزی و سطوح آبی افزایش داشته اند. همچنین بر اساس نتایج شاخص سهم کاربری اراضی مناطق بایر و رخنمون سنگی بیشترین و سطوح آبی و مرتع کمترین سهم را در تشکیل جزایر حرارتی در سال های 1990 و 2020 داشته اند. کاهش مناطق بایر و افزایش سطوح آبی، کاربری کشاورزی و باغات باعث بهتر شدن وضعیت اکولوژیکی نسبت به سال 1990 شده است؛ درحالی که دمای سطح زمین در سال 2020 به میزان 11 درجه افزایش داشته است. با توجه به نتایج می توان گفت بااینکه وضعیت اکولوژیک منطقه در وضعیت مناسب تری نسبت به سال 1990 قرار دارد؛ اما وجود اراضی بیابانی و رخنمون های سنگی اطراف جیرفت باعث تشکیل جزایر حرارتی در منطقه جیرفت شده است.

مبسوط پیشینه و هدف: دمای سطح زمین، عامل مهمی در مطالعات گرمایش جهانی و امروزه چالش اصلی بسیاری از محققین در سرتاسر دنیا است. با فناوری سنجش از دور می توان دمای سطح زمین و تغییرات کاربری را طی سال های مختلف با کمک تصاویر ماهواره ای، استفاده از تشعشع فروسرخ حرارتی و کاربرد مدل های فیزیکی مورد ارزیابی قرار داد. در مطالعات محیطی به علت موقعیت و مکان قرار گرفتن مشاهدات در فضای نمونه نمی توان از آمار سنتی به علت ساختار پیوسته در زمان و مکان استفاده کرد. بدین منظور آمار فضایی (خودهمبستگی فضایی) روشی مناسب و نوین در تحلیل این داده ها است. مواد و روش ها : این پژوهش داده های ماهواره ای مربوط به تصاویر لندست 5 و 8 برای سال های 1990 و 2020 از سایت زمین شناسی آمریکا تهیه شدند. پس از انجام تصحیحات تصاویر، نقشه های کاربری اراضی شهرستان جیرفت تهیه شدند و سپس با استفاده از ترکیب باندی مرئی و مادون قرمز نقشه های کاربری اراضی تهیه شد. تبدیل مختلف طبقات کاربری اراضی و تغییرات آن طی این سال ها در نرم افزار ایدریسی مورد بررسی قرار گرفت. همچنین برای ارزیابی دقت نقشه های طبقه بندی شده از 150 نقطه کنترلی از گوگل ارث استفاده شد. برای بدست آوردن دمای سطح زمین نیز از باندهای حرارتی تصاویر لندست دریافتی استفاده شد و  طی دو مرحله تبدیل رادیانس طیفی به دمای جسم سیاه و محاسبه گیسل مندی سطح دمای سطح زمین تعیین شد. در نهایت برای آشکارسازی الگوی فضایی تفاوت های محلی از آماره خودهمبستگی فضایی موران محلی استفاده شده است. یافته ها و بحث: نتایج نشان داد که طی سال های 1990 تا 2020 بخشی از اراضی بایر و مسیل به پهنه آبی تبدیل شده اند که این کاربری با احداث سد بعد از سال 1990 افزایش پیدا کرد. میانگین دمای سطح زمین طی 30 سال 1/11 درجه افزایش داشت که این افزایش دما در همه کاربری ها دیده می شود. علت این افزایش را می توان بالا رفتن دمای هوا دانست. از دلایل دیگر افزایش دمای سطح زمین را می توان افزایش ساخت وسازها در منطقه دانست. تقسیم بندی طبقات دمای سطح زمین نشان داد که طبقات خیلی گرم و گرم که در بخش های جنوبی در سال 2020 افزایش و طبقه متوسط (بیشترین تغییر) و سرد کاهش داشته است. نتایج آنالیز آماره همبستگی مکانی محلی نشان داد که خوشه های داغ به تدریج در مناطق جنوبی و خوشه های خنک در مناطق شمالی و شمال شرقی تمرکز بیشتری پیداکرده اند. نتیجه گیری: یافته های این پژوهش نشان داد با وجود افزایش کاربری کشاورزی و باغ و کاهش مناطق بایر دمای سطح زمین در همه کاربری ها به مقدار زیادی افزایش خواهد یافت. هرچند که مناطق ساخت انسان نیز درحال افزایش است اما دلیل اصلی دمای سطح زمین را می توان بالا رفتن دمای هوا و تغییرات اقلیم برشمرد.

نقشه های خاک به منزله یکی از نقشه های پایه در بسیاری از مطالعات مرتبط با محیط و منابع طبیعی اهمیت زیادی دارند. نقشه های رقومی خاک بر پایه ارتباط بین ویژگی های محیطی و خاک پایه ریزی شده اند. هدف از انجام پژوهش حاضر، بررسی خطا و عدم قطعیت کلاس های رقومی خاک پیش بینی شده در سطوح مختلف سامانه رده بندی آمریکایی با استفاده از مدل شبکه عصبی مصنوعی است. تعداد 120 خاک رخ برمبنای یک الگوی شبکه ای منظم در دشت شهرکرد حفر، تشریح و نمونه برداری شد. برای تخمین کلاس های خاک، دو گروه ویژگی های خاکی (کمّی و کیفی) و داده های کمکی (شامل نقشه زمین شناسی، نقشه شکل اراضی، نقشه فاز شکل اراضی، نقشه خاک سنتی منطقه، شاخص تفاضل نرمال شده پوشش گیاهی و بعضی مشتقات مدل ارتفاع رقومی) مدنظر قرار گرفت. پس از تهیه نقشه های ویژگی های خاک و اطمینان از صحت و دقت آنها، این نقشه ها به همراه داده های کمکی برای تخمین کلاس های خاک با مدل شبکه عصبی مصنوعی در محیط نرم افزار R استفاده شدند و درنهایت دقت و عدم قطعیت مدل مزبور به ترتیب با صحت عمومی و شاخص درهمی ارزیابی شد. نتایج نشان داد ورود جزئیات بیشتر در رده بندی خاک ها در سطوح پایین طبقه بندی، ضمن افزایش تعداد کلاس ها، کاهش صحت عمومی و افزایش عدم قطعیت را به همراه داشته است. با توجه به حد پذیرفته صحت عمومی (75درصد)، مدل شبکه عصبی مصنوعی از صحت لازم تا سطح گروه بزرگ برخوردار بوده است؛ اما عدم قطعیت زیادی را داشته است؛ بنابراین صرف توجه به صحت مدل در انتخاب آن برای مدل سازی مؤثر نیست؛ بلکه در کنار خطای مدل، توجه به عدم قطعیت آن نیز بسیار مهم است. بر این اساس، به کارگیری روش های دیگری از محاسبات نرم برای مدل سازی در مناطق دشت یا مناطق با ناهمواری های کم پیشنهاد می شود.