مقایسه عملکرد مدل های مختلف یادگیری ماشینی در پهنه بندی خطر ریزش بهمن در جاده خلخال به شاهرود(مقاله علمی وزارت علوم)
حوزههای تخصصی:
ریزش بهمن یکی از پدیده هایی است که رخداد آن سبب ایجاد خسارات زیادی به ویژه در مناطق کوهستانی می شود. بنابراین ارزیابی و شناخت عوامل مؤثر بر وقوع رخداد ریزش بهمن در مناطق کوهستانی امری ضروری است. هدف از این پژوهش مقایسه عملکرد مدل های مختلف یادگیری ماشینی در پهنه بندی خطر ریزش بهمن در جاده خلخال به شاهرود است. مدل ماشین بردار پشتیبان و مدل پرسپترون چند لایه یکی مدل های نوین یادگیری ماشینی است که توانایی حل مسائل پیچیده را دارد. برای شناسایی عوامل مهم در رخداد ریزش بهمن با توجه به مطالعات میدانی 8 عامل شناسایی شده است که شامل: 1- ارتفاع 2- پوشش گیاهی 3- جهت شیب 4- فاصله از گسل 5- فاصله از جاده 6- پهنه برفی 7- کاربری اراضی 8-شیب، است. بعد از پیش پردازش ها تمام لایه ها وارد نرم افزار SPSS MODELER شده و مدل سازی با 8 نورون ورودی 8 نورون میانه و 1 خروجی طراحی شده است. نتایج این پژوهش نشان داد که خروجی وزنی در مدل ماشین بردار پشتیبان بیشترین ارزش وزنی را برای لایه پهنه برفی با مقدار 26/0 و برای لایه شیب و فاصله از جاده به ترتیب مقدار 18/0 و 15/0، همچنین در مدل پرسپترون چندلایه نیز بیشترین ارزش وزنی برای عامل پهنه برفی با مقدار 20/0 و بعدازآن نیز لایه های فاصله از جاده، شیب هر دو مقدار 17/0 و 13/0 تعلق گرفته است. هم چنین در بخش اعتبار سنجی مدل ها نیز، نتایج نشان داد که خروجی مدل ماشین بردار نسبت به پرسپترون چندلایه دارای اعتباری بالایی بوده و مقدار AUC مدل ماشین بردار عدد 926/0 در بخش آموزش و 936/0 در بخش تست شبکه را نمایش می دهد که گویای این است عملکرد مدل ماشین بردار پشتیبان در پهنه بندی خطر ریزش بهمن عالی بوده و نتایج آن دارای دقت بالایی است.