آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,554 |
| تعداد مقالات | 18,950 |
| تعداد مشاهده مقاله | 63,841,863 |
| تعداد دریافت فایل اصل مقاله | 23,338,621 |
بهینه‌سازی و ارزیابی شبکه عصبی پیچشی (CNN) برای پیش‌بینی حساسیت به فرسایش خندقی درشهرستان ششتمد | ||
| جغرافیا و برنامه‌ریزی | ||
| دوره 30، شماره 97، آبان 1405 | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/gp.2026.69822.3472 | ||
| نویسندگان | ||
| نادیا بقائی نژاد1؛ لیلا گلی مختاری* 1؛ ابوالقاسم امیراحمدی1؛ علی بهشتی2 | ||
| 1دانشگاه حکیم سبزواری | ||
| 2حکیم سبزواری | ||
| چکیده | ||
| هدف: هدف از این پژوهش، ارزیابی و بهینه‌سازی مدل شبکه عصبی کانولوشنی (CNN) برای پیش‌بینی پتانسیل فرسایش خندقی در محدوده شهرستان ششتمد با استفاده از رویکرد انتخاب ویژگی و همچنین تنظیم هایپرپارامترها است. روش پژوهش: بدین منظور در این تحقیق، ۶۰۰ نقطه با بهره‌گیری از بازدیدهای میدانی و گوگل ارث شناسایی شد. از این میان، ۷۰ درصد داده‌ها برای آموزش و ۳۰ درصد برای اعتبارسنجی مدل اختصاص یافت. تعداد ۲۱ عامل محیطی شامل ویژگی‌های توپوگرافی، زمین‌شناسی، هیدرولوژیکی و کاربری اراضی به‌عنوان متغیرهای مؤثر انتخاب شد و سپس دو روش معیار اطلاعات متقابل (MI) و الگوریتم جنگل تصادفی برای شناسایی عوامل کلیدی مؤثر بر وقوع فرسایش خندقی به‌کار گرفته شدند. در گام بعد مدلسازی بر اساس الگوریتم CNN انجام شد و بهینه سازی هایپرپارامترها در جهت بهبود کارایی مدل اعمال گردید. نقشه حساسیت به فرسایش با استفاده از خروجی مدل بهینه سازی شده، تهیه و مورد ارزیابی صحت و عملکرد قرار گرفت. باتوجه به اینکه منطقه مورد مطالعه (شهرستان ششتمد در غرب خراسان رضوی) از نواحی حساس به فرسایش خندقی به شمار می‌رود، انجام ارزیابی حساسیت قبل از هرگونه فعالیت عمرانی در این منطقه ضروری است. نتایج: نتایج تحلیل اهمیت متغیرها نشان داد که بارندگی، فاصله از رودخانه، فاصله از گسل و ارتفاع از مهم‌ترین عوامل مؤثر بر توسعه فرسایش خندقی هستند. نقشه حساسیت تولید شده با مدل CNN پس از تنظیم هایپرپارامترها با الگوریتم Optuna توانست دقت بالای(accuracy=/09338) عملکرد خود را نشان دهد. نقشه حساسیت فرسایش خندقی نیز بیانگر آن است که بخش شرقی منطقه بیشترین پتانسیل وقوع فرسایش را داراست. نتیجه گیری: یافته‌های پژوهش نشان می‌دهد که استفاده از روش‌های یادگیری عمیق به‌ویژه مدلCNN، همراه با انتخاب ویژگی‌های بهینه و تنظیم هایپرپارامترها می‌تواند ابزار قدرتمندی برای پیش‌بینی دقیق نواحی مستعد فرسایش خندقی فراهم آورد و در تدوین برنامه‌های مدیریتی و سیاست‌های حفاظت از خاک و آب مؤثر واقع شود. | ||
| کلیدواژه‌ها | ||
| فرسایش خندقی؛ مدل شبکه عصبی پیچشی؛ انتخاب ویژگی؛ بهینه سازی هایپرپارامترها؛ شهرستان ششتمد | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 291 |
||