برآورد عمق برف با استفاده از نقشه‌برداري رقومي مبتني بر يادگيري از نمونه‌هاي گذشته

Prediction of snow depth on digital mapping features based on learning of previous labeled samples

آصفي مصطفي Asefi Mostafa

فتح‌زاده علي Fathzadeh Ali

تقي‌زاده مهرجردي روح‌الله Taghizadeh Mehrjerdi Ruholah , زارع چاهوكي محمدعلي Zare Chahooki Mohamad Ali

علوم و مهندسي آبخيزداري گرايش آبخيزداري شهري

كشاورزي و منابع طبيعي

مهندسي طبيعت

140ص

عمق برف , هوش مصنوعي , سنجش ازدور , الگوريتم ژنتيك

snow depth , artificial intelligence , remote sensing , GA

يكي از آشكارترين ويژگي‌هاي پوشش برف كوهستان، ناهمگني مكاني آن مي‌باشد. اين ناپايداري مكاني، در سطح وسيعي از مقياس‌ها وجود دارد كه از مقياس كمتر از متر تا صدها كيلومتر رده‌بندي مي‌شود. ليكن به دليل محدوديت‌هاي عملي، جمع‌آوري اطلاعات، به‌ويژه در مقياس‌هاي مذكور، دشوار و گاهي غيرممكن مي‌باشد؛ اما با توجه به مشكلات موجود در مناطق مرتفع، استفاده از روش‌هاي غيرمستقيم توصيه مي‌شود. در اين پژوهش كارايي شبكه عصبي مصنوعي، رگرسيون خطي، رگرسيون بردار پشتيبان و حداقل مربعات ماشين بردار پشتيبان در مدل‌سازي عمق برف و همچنين اثر كاهش ويژگي‌ها با مدل آناليز مؤلفه اصلي و الگوريتم ژنتيك در منطقه چلگرد استان چهارمحال و بختياري سنجيده شد. به همين منظور ابتدا با استفاده از روش هايپركيوب محل 100 نقطه مشخص و طي يك عمليات صحرايي داده‌هاي عمق برف در نقاط مورد نظر و همچنين در 195 نقطه ديگر به‌صورت تصادفي و با نمونه‌بردار مدل فدرال برداشت گرديد. سپس با استفاده از مدل رقومي ارتفاع 25 پارامتر ژئومورفومتري استخراج گرديد و همراه با شش باند تصاوير ماهواره لندست هشت و شاخص تفاوت نرمال شده برف به‌عنوان ورودي‌هاي مدل‌ها انتخاب گرديد. نتايج مدل‌هاي مورد استفاده بر اساس كمترين ميزان جذر ميانگين مربعات خطا عبارتند از: روش تلفيق شده حداقل مربعات ماشين بردار پشتيبان و الگوريتم ژنتيك با ميزان (97/3)، حداقل مربعات ماشين بردار پشتيبان (81/17)، شبكه عصبي مصنوعي (57/19)، روش آناليز مؤلفه اصلي با شبكه عصبي مصنوعي (86/20)، روش رگرسيون خطي چند متغيره (86/20)، روش آناليز مؤلفه اصلي با رگرسيون خطي چند متغيره (59/21) و در نهايت روش رگرسيون بردار پشتيبان دو قلو (64/37) مي‌باشد.

Spatial heterogeneity is found to be one of the most obvious features of mountain snow cover. Such spatial instability is found in a wide scales ranging less than 1 meter to hundreds kilometer. However due to practical limitations, data collection, particularly on above scales is difficult and sometimes impossible. But given issues in highlands, are recommended indirect methods. In the present research, efficiency of artificial neural networks, linear regression, support vector regression and least squares support vector machine in modeling of snow depth and the effect of reduced snow depth features was measured using principal component analysis and genetic algorithm in Chelgerd Chaharmahal and Bakhtiari Province. First, Hypercube was used to locate 100-points and snow depth data were taken on 195 random with federal sampler. Using Digital Elevation Model were extracted number of 25 Geomorphomety parameters. Six bands of Landsat 8 satellite imagery and normalized difference snow index was chosen as inputs to models. The results of the models used are based on the lowest root mean square error method of least squares support vector machine and genetic algorithm combined with (3.97), least squares support vector machine (17.81), artificial neural network (19.57), the principal component analysis with artificial neural networks (20.86), multivariate linear regression (20.86), principal component analysis and multivariate linear regression method (21.59) and finally twins is support vector regression (37.64).

3/5/2016 12:00:00 AM

127

NE56

خانم فتوحي