شماره ركورد كنفرانس :
5424
عنوان مقاله :
توسعه مدلي مبتني بر روش هاي هوشمند يادگيري ماشين به منظور شناسايي بهنگام مكان هاي مستعد وقوع سيلاب با استفاده از داده هاي سنجش از دوري
عنوان به زبان ديگر :
Development of a model based on intelligent machine learning methods in order to real-time identify flood-prone places using remote sensing data
پديدآورندگان :
مصلي طبري مائده m.mosalla@email.kntu.ac.ir دانشجوي كارشناسي ارشد، دانشكده مهندسي ژئودزي و ژئوماتيك، دانشگاه خواجه نصير الدين طوسي , عبادي حميد ebadi@kntu.ac.ir استاد، دانشكده مهندسي ژئودزي و ژئوماتيك، دانشگاه خواجه نصير الدين طوسي , عليزاده زهرا alizadehzahra@email.kntu.ac.ir دانشجوي دكتري، دانشكده مهندسي ژئودزي و ژئوماتيك، دانشگاه خواجه نصير الدين طوسي
كليدواژه :
داده هاي زميني , داده هاي سنجش از راه دور , جنگل تصادفي , الگوريتم PSO , مديريت بحران سيلاب.
عنوان كنفرانس :
بيست و هفتمين همايش ملي مهندسي نقشه برداري و اطلاعات مكاني (ژئوماتيك 1402)
چكيده فارسي :
پديده سيلاب يكي از بزرگترين مخاطرات طبيعي است كه سالانه سبب ايجاد خسارات جاني و مالي زيادي مي شود. لذا شناسايي مناطق مستعد وقوع سيلاب از اقدامات ضروري در مديريت بحران سيلاب محسوب مي شود. در راستاي مدلسازي مكاني سيلاب عموما از داده هاي ايستگاه زميني و داده هاي سنجش از دوري استفاده مي شود. در اين پژوهش هدف استفاده از داده هاي زميني و سنجش براي انجام مدلسازي سيلاب، ضمن بررسي امكان استفاده از فقط داده هاي سنجش از دوري در دسترس و رايگان به منظور انجام مدلسازي بهنگام مكان هاي مستعد وقوع سيلاب است. همچنين براي انجام مدلسازي ها با قابليت اعتماد پذيري بالا به توسعه يكي از محدوديت هاي مدل جنگل تصادفي با استفاده از الگوريتم بهنيه سازي ازدحام ذرات (PSO) پرداخته شده است. مدلسازي ها با روش پيشنهادي در مناطق مطالعاتي اٌتاووا-گاتينوا و گنبد كاووس انجام شده است كه نتايج نشان داد اگر چه انجام مدلسازي ها با داده هاي زميني و سنجش از دوري نسبت به مدلسازي با داده هاي فقط سنجش از دوري دقت بالاتري داشته است. اما مدلسازي با داده هاي سنجش از دوري رايگان و در دسترس نيز عملكرد قابل قبولي داشته است و مي توان با استفاده از داده هاي سنجش از دوري نقشه هاي بهنگام براي مديريت بحران سيلاب توليد نمود.
