یبایزرا لدم
یرامآ فلتخم یاه رد
یهت ۀ شقن ۀ لیس نلایگ ناتسا یریگ
یملاغ یسیع
؛ یرادزیخبآ دشرا یسانشراک یوجشناد
، ۀدكشناد یعیبط عبانم
، سردم تیبرت هاگشناد
،
،رون .ناریا
هاوخافو یدهم ؛*
یرادزیخبآ هورگ داتسا
، ۀدكشناد یعیبط عبانم
، سردم تیبرت هاگشناد
، ریا ،رون .نا
یولع لیلجدیس
؛ یرادلگنج هورگ رایداتسا
، ۀدكشناد یعیبط عبانم
، سردم تیبرت هاگشناد
،
،رون .ناریا
هدیکچ هزوح رثکا رد تاعلاطا دوبمک لیلد هب
هعلاطم یارب نیققحم زا یرایسب ،زیخبآ یاه لیس و یکیژولوردیه یاه
هیزجت زا هدافتسا هب یریگ
لیلحت و روظنم هب رضاح شهوژپ .دندروآ یور ییایفارغج تاعلاطا متسیس رد یناکم یاه ۀسیاقم
نابیتشپ رادرب نیشام لدم هس ییاراک
( ( هتفای میمعت یطخ ،)SVM ( هتفای میمعت یعمج و )GLM
رد )GAM ۀیهت ۀشقن لیس همانرب نلایگ ناتسا یریگ .تسا هدش یزیر
هیلا روظنم نیدب یتاعلاطا یاه
ۀجرد نیمز ،یشکهز مکارت ،هناخدور زا هلصاف ،ایرد حطس زا عافترا ،بیش لکش ،بیش تهج ،بیش
طیحم رد ههاربآ ناوت صخاش و یفارگوپوت تبوطر صخاش ،یضارا یربراک ،یسانش ۀناماس
مرن( ییایفارغج تاعلاطا یاهرازفا
ArcGIS
و SAGA-GIS تاعلاطا ساسا رب سپس .دندش هیهت )
220 طقن ۀ لیس زا ،ریگ 70 و یجنساو روظنم هب طاقن لک دادعت دصرد 30
دصرد
لدم ییآراک یبایزرا و یجنسرابتعا یارب هدنامیقاب لدم تقد یبایزرا جیاتن .تفرگ رارق هدافتسا دروم اه
زا هدافتسا اب بیترت هب اه
صخاش اه ( ینحنم ریز حطس ی ( اپاک و )AUC
Kappa ) ( ینحنم ریز حطس صخاش رظن زا هک داد ناشن ،)AUC
رادرب نیشام لدم
( نابیتشپ اب )SVM
835 / 0 و ( هتفای میمعت یعمج لدم اب )GAM
827 / 0 ( هتفای میمعت یطخ لدم و بوخ یلیخ تقد یاراد )GLM
اب 79 / 0 یم بوخ تقد یاراد اپاک صخاش رظن زا .دشاب
( Kappa ) ( نابیتشپ رادرب نیشام لدم ) SVM
اب 58 / 0 لدم ،بوخ تقد یراد
( هتفای میمعت یعمج اب )GAM
53 / 0 ( هتفای میمعت یطخ لدم و اب )GLM
48 / 0 لوبق لباق تقد یاراد یم
ساسا رب نیاربانب .دنشاب
صخاش نابیتشپ رادرب نیشام لدم روکذم یاه (
رگید لدم ود هب تبسن )SVM لیس قطانم ییاسانش رد
دراد یرتلااب ییاراک ریگ .
نچمه نیرتشیب بیش و ایرد حطس زا عافترا ،هناخدور زا هلصاف لماوع نی ریثأت
لیس رب ار یریگ ۀقطنم .دنراد هعلاطم دروم
ناگژاو دیلک :
لیس هداد ،یریگ لدم ،یواک
لدم ،روحم هداد یاه نلایگ ناتسا ،درکلمع صیخشت ینحنم ،یزاس
.
سامت هرامش :لوئسم هدنسیون * :
981144999120 +
Email: vafakhah@modares.ac.ir
:بیوصت خیرات 22
/ 10 / 1398
ص 1022 - 1011
1 . دقم هم
ًاتبس ن ندمآ لااب اب مأوت دیدش نایرج هب بلایس دایز
هناخدور کی رد بآ قلاطا
هدش ار تسپ یضارا ًلاومعم هک
یم ارف دریگ [ 9 .]
لااااس نیب یاه
2000 ات 2008 بیرقت ًا
99 ناهج رد بلایس طس وت لاس رد مدرم زا رفن نویلیم
تحت ریثأت هتفرگ رارق .دنا
یلامااش یاهرهااش رد هلاااس ره
ناتاااسا لیبق زا ناریا و نلایگ ،ناردنزام یاه
ناتاااسلگ
لیاااس یم قافتا یبیهم یاه دنتفا
[ 23 .]
یم راظتنا دور
رد
یلعف طیارااش
، هب هجوت اب ۀعااسوت
شیازفا ،ینیااشنرهااش
لگنج شراب موادت و ییادز دیداااش یاه
هب رثا کی ناونع
،ساسح و فلتخم قطانم رد ییاوه و بآ تارییغت زا یشان ساسحا هتشذگ زا شیب دوش
. یفنم ریثأت نتفرگ رظن رد اب
قطانم ییاااسانااش ،لیااس لیااس
ریگ هب و لرتنک روظنم
شیپ یرورااض نآ زا یریگ یم
.دااشاب یفرط زا هب هجوت اب
لیاااس نیا عوقو ناکم اه
لیاااسناتپ نیرتاااشیب اب یاه
لیااس همانرب زا لبق دیاب یریگ یزیر
هب ۀلیااسو ۀیهت ۀااشقن
هنهپ صخااشم لیااس یدنب وااش
دن [ 3 .]
لاااس رد ریخا یاه
لدم لامتحا بسحرب و یرامآ یاه یارب یدایز
ۀیهت ۀشقن
لیااس هب یریگ هدرب راک تااسا هدااش
[ 17 ، 18 .]
مه نینچ
ییایفارغج تاعلاطا متاااسیاااس
1( هب )GIS
یاهرازبا ناونع
هب هیاپ زیلانآ تیریدم و لیلحت و هیزجت رد ییاناوت لیلد
هداد زا یدایز ریداقم هب یناکم یاه
تس ا هتفر راک [
24 ] زا .
شور نیا هل مج یم اه
هت فای میمعت یطخ لدم هب ناوت
2( هت فای میمعت یعمج لدم ، )GLM
3( لدم و )GAM
نیشام نابیتش پ رادرب
4( لدم .درک هراشا )SVM
یطخ یاه
رد ار یبوخ جیاتن نابیتااشپ رادرب نیااشام و هتفای میمعت لدم یزاااس رف آ دنی هداد ناااشن یطخ ریغ و یطخ یاه دنا
[ 31 ] . ۀیهت ۀاااشقن لیاااس زا هدافتاااسا اب یریگ شور
یاه
میمصت هرایعمدنچ یریگ [
16 ]،
( کیتسجل نویسرگر )LR
[ 19 ، 30 ]،
ۀکبش ( یعونصم یبصع )ANN
[ 6 ؛ 11 ؛ 36 ]
،
( یناوارف تبااسن )FR
[ 4 ]،
ۀکبااش یبااصع - یقیبطت یزاف
[ 34 ] ، هدااش تیوقت نویااسرگر تخرد [
26 ]،
یطخ لدم
1 Geographic Information System
2 Generalized Linear Model
( هتفای میمعت )GLM
[ 5 ]،
( نابیتشپ رادرب نیشام )SVM
[ 31 ] ( یفداص ت لگنج و )RF
[ 5 ، 26 ] .تس ا هدش ماجنا
یش هوژپ رد ۀش قن
لیس ناتس ا رد عقاو مرهج رهش یریگ
هنیهب اب ار سراف جاتنتس ا متس یس لدم یاهرتماراپ یزاس
یباااصع -
یقیبطت یزاف (
ANFIS
متیروگلا طاااسوت ) یاه
ناگچروم ینولک یتخاناااشارف فلتخم (
متیروگلا ،)ACO
کی تنژ ( هن یهب و )GA
هوبنا تار یزاااااس (
هی هت )PSO
ریز حطاااس سااااسا رب قیقحت نیا جیاتن .دندرک ینحنم
( متسیس درکلمع صیخشت لدم یارب )ROC
یبیکرت یاه
ANFIS-ACO
،
ANFIS-GA
و
ANFIS-PSO
هب بی ترت
اب ربارب 914 / 0 ، 918 / 0 و 945 / 0 داااش شرازگ [
32 .]
رد
هعلاطم یا هب ۀااسیاقم یفداااصت لگنج لدم هااس درکلمع
( ،)RF
ۀکبااش ( یعونااصم یبااصع نیااشام لدم و )ANN
( نابیتاااشپ رادرب )SVM
رب نیچ یناتاااسهوک قطانم رد
ساااسا ۀچخیرات بلایااس
یاه زا هتااشذگ 1949
ات 2000
.دنتخادرپ یاراد یفداص ت لگنج لدم هک داد ناش ن جیاتن
لدم هب تبس ن ییلااب تقد یاه
ۀکبش و یعونص م یبص ع
نابیتش پ رادرب نیش ام یم
دش اب [ 36 ].
ساس ا رب نیاربانب
لماوع راتفر یااسررب قیقحت نیا یلااصا فده قوف بلاطم لی اااس رب رثؤم فلتخم و یریگ
لدم درکلمع یطخ یاه
( هت فای میمعت ،)GLM
( هت فای میمعت یعمج و )GAM
نابیتااشپ رادرب نیااشام (
)SVM
قطانم ییاااسانااش رد
یم نلایگ ناتسا رد لیس دعتسم .دشاب
2 . شور یسانش
1.2 . یفرعم ۀقطنم هعلاطم دروم
نات اااسا نلایگ
تع اااسو اب 14100
عبرمرتمولیک رد
ۀدودحم ییایفارغج
00 ״ 34 ׳ 36°
״ ات
׳ 00 27 38°
ضرع و یلاماااش 00״
34 ׳ 48°
״ ات
׳00 36 48°
لوط
یقرااش رد ۀیااشاح یبونج
یایرد رزخ دراد رارق . عافترا زا
حطس بآ یاه دازآ زا 28 - رتم رد ات لحاوس 2700
رتم رد
3 Generalized Additive Model
4 Support Vector Machine
قطانم یناتااسهوک ریغتم
یم دااشاب [ 1 ] . یگدنراب نیگنایم
هنلاااااس اب ربارب
1100 رتمیلیم یاراد و نیرتاااشیب نازیم
یگدنراب رد
ناتسا نیب روشک یلامش یاه
یم دشاب .
لکش 1 . ناریا رد نلایگ ناتسا یلک تیعقوم
2.2 . داجیا هداد هاگیاپ
شهوژپ سااااسا رب یاه
[ 5
، 26 ، 36 ] و هب هج وت اب
یگژیو یلحم یاه 11
لماع هک ی ت لیس دادخر رد أ
راذگریث
،هدوب دش ییاس انش دن
. سپس ۀش قن شنکارپ 220
ناکم
لیس ریگ ( لکش 1 ) ، زا ۀرادا لک نلایگ ناتسا یعیبط عبانم
.دش هیهت مه
نینچ ۀش قن نیمز سایقم رد هقطنم یسانش
1:100000 نیمز نامزاااس زا
و روااشک یااسانااش ۀااشقن
سایقم رد یفارگوپوت 1:50000
یرادرب هاشقن نامزااس زا
.دندااش هیهت ۀااشقن
یربراک یااضارا اب هدافتااسا زا
ریوااصت
Landsat
هب دمآ تسد سپس .
ۀشقن م لماوع زا کی ره ؤ
رث
لیس رب یریگ زا لیبق ۀجرد
،بیش تهج
،بیش لکش
بیااش ( رمین یانحنا و حطااس یانحنا )
عافترا ، زا حطااس
،هناخدور زا هلااصاف ،ایرد مکارت
،یااشکهز نیمز
،یااسانااش یربراک
،یض ارا صخاش تبوطر یفارگوپوت و
ناوت صخاش
طیحم رد ،ههاربآ ۀناماس
مرن( ییایفارغج تاعلاطا یاهرازفا
ArcGIS
و
SAGA-GIS
.دندش هیهت )
3.2 . لدم یرامآ یاه
1.3.2 . ( نابیتشپ رادرب نیشام لدم )SVM
یکی شور زا تراظن اب یریگدای یاه هدوبSVM
زا هک
هورگ یارب نآ هداد شزارب عبات دروآرب و یدنب
هدافتاااسا اه
یم دوش . هب هورگ رد اطخ نیرتمک هک یروط هداد یدنب
ای اه
یریگدای یروئت سااااسارب شور نیا .دهد ر شزارب عبات
یرامآ یراتخاااس یاطخ یزاااس هنیمک لااصا زا و تااسا1
( )SRM
یم هرهب2
باوج کی ات دریگ ۀنیهب
لاااصاح یلک
دوااش [ 35 ] . یم لدم نیا دناوت
هداد هب یطخ تروااص هب اه
دواااش شزارب هداد نامدیچ رگا و
یلاااصا یااااضف رد اه
نآ دااشاب یطخریغ یم یرتلااب یاااضف هب ار اه
ات درب ۀوحن
نآ یریگرارق لیلد هب یفرط زا .دوااش یطخ تروااص هب اه
نیا راک فلتخم ل اااسم یارب یگژیو عبات نتفای هک رایااسب
یم نیاربانب تااسا یراوااشد لنرک عباوت زا ناوت
هدافتااسا 1
دومن [ 15 ].
2.3.2 . ( هتفای میمعت یطخ لدم )GLM
لدم هداد لی لحت و هی زجت یارب GLM
یاراد یاه
ریغ عیزوت هعاااسوت نویاااسرگر لدم بوچراهچ رد لامرن
مه .تاااسا هتفای نینچ
هداد زا یعیاااسو فیط GLM
اب اه
شش وپ ار ییامن عیزوت یم
د ده . هدافتس ا اب لدم نیا رد زا
( دنویپ عبات هزادنا ریغتم و وگاشیپ ریغتم ،)g
هداش یریگ اب
یم بیکرت مه دنواااش
. ءاقترا لدم نیا ۀتفای
یطخ لدم
هداد دوخ یعیبط تلاح زا هک تس ا یم هدافتس ا اه
و دیامن
هداد هجیتن رد یم هدش هدافتسا یاه
هدوب یطخریغ دناوت و
ای نآ سنایراو دااشابن تباث اه
. لدم نیا رد دراد ناکما
ک ه
هداد
،لام رن عیزوت هل مج زا یفلتخم عیزوت عباوت زا اه ود
هلمج هلمجود ،نوساوپ ،یا یپ اماگ عیزوت ای و یفنم یا
یور
نآ زا یاااضعب هک دن نک هداد یارب بااااسان م اه
یاه
یم یک ی ژول ورداایه لداام نی ارب ااانب .دااناااشاااب
GLM
فاط عنا و رتریذپ زا هک یکیژولوردی ه طباور لی لحت یارب
یمن یوریپ لامرن عیزوت بسانم دننک
تسا [ 14 ].
3.3.2 . ( هتفای میمعت یعمج لدم )GAM
و یرتماراپ ان لدم کی هت فای میمعت یعمج لدم زا
یفرط طااسب ۀتفای لدم هتفای میمعت یطخ یاه یم
.دااشاب
لدم رد میمعت یعمج یاه نویاااسرگر لدم فلاخرب هتفای
نآ رد هک یطخ ۀط بار
اااساپ و ینییبت یاهریغتم نیب
1 Statistical Learning Theory
2 Structural Risk Minimization
3 Kernel Functions
هب ۀلیااسو یم ه ارا لومرف
،دوااش یم قیرط زا ناوت هداد
اه
،
ینحنم متس یس درکلمع صیخش ت (
) ROC
ک نییعت ار در
.
لدم یااساااسا توافت لدم اب هتفای میمعت یعمج یاه
یاه
هب یطخ عباوت هک تاااسا نیا رد یرتماراپ ۀلیاااسو
عباوت
یم نیشناج مولعمان راومه اهزاسراومه ندوب اراد هک دنوش
نآ هک تااسا هتفای میمعت یعمج لدم مهم یایازم زا یکی لدم ریاس زا ار یم زیامتم اه
دنک [ 14 ].
ۀتکن دروم رد مهم
لدم نیا لدم یاج هب هک تاااسا نیا اه
هداد ،یروحم
لدم زا هدمآ تاااسد هب یاهرتماراپ جیاتن ینعی ،دنروحم یمن طابنتااسا نیااشیپ هداد راتخاااس هکلب ،دوااش
نومزآ اه
یم دواااش [ 28
3].
لدم یمامت اذل زا هدافتاااسا اب اه
ۀتاااسب
( )sdm
ۀخس ن4
1 4.
3.
یرامآ رازفا مرن رد ۀخس نR
‚0
‚5 3
ارجا ش .دند
4.2 . لدم یجنسرابتعا اه
شهوژپ نیا رد 70
هب لیاااس طاقن لک داااصرد روظنم
و یجناااساو 30
و یجناااسرابتعا یارب هدنامیقاب داااصرد
راک یبایزرا ا
لدم یی تفرگ رارق هدافتاااسا دروم اه
[ 31 ] .
زا مادکره لدم
اه 10 دااش یجنااسرابتعا و ءارجا راب ه
رد و
.داااش شرازگ یجناااسرابتعا نیگنایم تیاهن اب سپاااس
ینحنم ریز حطااس زا هدافتااسا
5 ( )AUC
درکلمع صیخااشت
متس یس (
) ROC
اپاک صخاش و هش قن تحص6
هیهت یاه
هدش
، دش صخشم [
10 ] . رد لدم تیساسح نداد رارق اب
روحم روحم رد یگژیو و اهx
ینحنم اهy
میاااسرتROC
م ی دوااش ینحنم ریز حطااس ریداقم . جنپ هبROC
ۀتااسد
یلاع ( 1 - 9 / 0 یلیخ ،) ( بوخ
9 / 0 - 8 / 0 ( بوخ ،) 8
/ 0 - 7 / 0 ،)
( طس وتم 7
/ 0 - 6 / 0 ( فیعض و ) 6
/ 0 - 5 / 0 هقبط ) هدش یدنب
تاااسا [ 25 ].
راااض ی ب ب قفاوت زا اپاک ی
ن داقم ی ر پ ی ش بی ن ی
هب هدش هدهاشم و هدش م تسد
ی آی د داقم . ی ر رامآ ۀ رد اپاک
دودحم ۀ 1 - هب 1 رادقم هک دراد رارق + 1
+ نااااشن دنهد ۀ
رفاااص شزرا و لماک تقفاوم یا
زا رتمک 1 نااااشن دنهد ۀ
فداصت زا رتهب درکلمع ی
تسا [ 22 ] . داقم ی ر اپ اپاک یی ن رت زا
4 Species Distribution Modelling
5 Area Under Curve (AUC)
6 Kappa Index
4 / 0 عاااض ی
،ف 4 / 0 ات 55 / 0 ،لوبق لب اق 55
/ 0 ات 70 / 0
،بوخ 70 / 0 ات 85 / 0 خ ی ل ی زا رتلااب و بوخ 85
/ 0 لاع ی
م ی دشاب [ 21 ].
3 . جیاتن
ۀااشقن لماوع زا کی ره لیااس رب رثؤم
یریگ زا لیبق
ۀجرد
،بیش تهج
،بیش لکش بیش و حطس یانحنا(
،) رمین یانحنا عافترا
زا حطااس
،هناخدور زا هلااصاف ،ایرد
مکارت
،یش کهز نیمز
،یس انش یربراک
،یض ارا صخاش
تبوطر یفارگوپوت و
ههاربآ ناوت صخاااش ( لکااش رد
2 ) یم هدهاشم
دوش .
1.3 . یارجا زا لصاح جیاتن لدم
اه
لدم تق د یبای زرا جیات ن هب اه
زا هداف تاااسا اب بی ترت
صخاااش اه
( ینحنم ریز حطااس ی اپاک صخاااش و )AUC
(
Kappa
) لودج ساسا رب (
1 ( لکش و ) 3
) داد ناش ن زا هک
( ینحنم ریز حطس صخاش رظن ،)AUC
رادرب نیش ام لدم
( نابیتاااشپ اب )SVM
833 / 0 و هتفای میمعت یعمج لدم
( اب )GAM
817 / 0 یم بوخ یلیخ تق د یاراد .دن اااشاب
c b
a
f e
d
i h
g
k i
لکش 2 . هشقن :یدورو یاه a (
) ،ایرد حطس زا عافترا b(
) ،بیش تهج c(
) ،یشکهز مکارت d(
) هلصاف ،ههاربآ زا e(
) ،یضارا یربراک
f( ) گنس ،یسانش g( ) ،حطس یانحنا h(
) مین یانحنا ،خر
i( ) ،بیش j( ) ،ههاربآ ناوت صخاش k(
) یفارگوپوت تبوطر صخاش
یلاحرد ( هتفای میمعت یطخ لدم هک اب )GLM
79 / 0
اپاک صخااااش رظن زا و هدوب یبوخ تقد یاراد (
Kappa
)
( نابیتااشپ رادرب نیااشام لدم اب )SVM
58 / 0 تقد یراد یعمج لدم ،بوخ
( هتفای میمعت اب )GAM
53 / 0 لدم و
( هت فای میمعت یطخ اب )GLM
48 / 0 لب اق تق د یاراد
لوبق یم .دنشاب
لودج 1 . یبایزرا زا لصاح جیاتن لدم
اه ساسا رب صخاش اه ( ینحنم ریز حطس ی ( اپاک صخاش و )AUC
Kappa )
هتفای میمعت یطخ لدم ( )GLM یعمج
هتفای میمعت ( )GAM ( نابیتشپ رادرب نیشام
)SVM
یعاعش عبات لنرک هلمج دنچ لنرک
یا یطخ لنرک
صخاش یبایزرا نیگنایم
فارحنا رایعم نیگنایم
فارحنا رایعم نیگنایم
فارحنا رایعم نیگنایم
فارحنا رایعم نیگنایم
فارحنا رایعم
ینحنم ریز حطس ( )AUC 79
/ 0 03 / 0 82 / 0 04 / 0 83 / 0 02
/ 0 76 / 0 03 / 0 77 / 0 02 / 0
اپاک صخاش ( Kappa 48 )
/ 0 06 / 0 53 / 0 07 / 0 58 / 0 05
/ 0 43 / 0 05 / 0 45 / 0 07 / 0
a b
c
لکش 3 . ینحنم ( ینحنم ریز حطس وROC
لدم هب طوبرم )AUC ( یاه
)a SVM(RBF) ( ،
)b ( ،GAM )c GLM
2.3 . یبسن تیمها یسررب اهریغتم
لدم یلااب درکلمع هب هج وت اب رد SVM
پ شی ینیب
لیااس قطانم یبااسن تیمها لدم نیا زا هدافتااسا اب ،ریگ
شیپ رد هدافتاااسا دروم یاهریغتم لیاااس قطانم ینیب
ریگ
رد نآ زا لاااصاح جیاتن هک دیدرگ هیهت لودج
( 2 ) شرازگ تس ا هدش
. اتن ساس ارب ی
،ج زا عافترا ،ههاربآ زا هلص اف لماوع
رد حطاااس یا
اااش و ی ب بیترت هب اب
نزو یاه 23 / 0 ، 18 / 0 و
05 / 0 بی ش رت ی ن ثأت ی ر انحنا و ههاربآ ناوت صخاش لماوع و ی
فورپ ی ل نزو اب بیترت هب یاه
009 / 0 و 01 / 0 رتمک ی ن ثأت ی ر
س رب ار ی ل یگ ر ی قطنم ۀ هتشاد هعلاطم دروم دنا
.
لودج 2 . اتن ی ج مها زا لصاح ی
ت بسن ی رد لماوع ۀقطنم هعلاطم دروم
لدم ( نابیتشپ رادرب نیشام
یعاعش عبات لنرک ،)SVM (
)RBF
0.0 0.2 0.4 0.6 0.8 1.0
0.00.20.40.60.81.0
ROC plot
1-Specificity (false positive rate)
Sensitivity (true positive rate)
Mean AUC (training) = 0.922 Mean AUC (test.dep) = 0.817
0.0 0.2 0.4 0.6 0.8 1.0
0.00.20.40.60.81.0
ROC plot
1-Specificity (false positive rate)
Sensitivity (true positive rate)
Mean AUC (training) = 0.923 Mean AUC (test.dep) = 0.833
لماع یبسن تیمها
بیش 05
/ 0
بیش تهج 02
/ 0
ایرد حطس زا عافترا 18
/ 0
یضارا یربراک 04
/ 0
یسانش نیمز 02
/ 0
صخاش یفارگوپوت تبوطر 04
/ 0
ههاربآ ناوت صخاش 009
/ 0
لیفورپ یانحنا 01
/ 0
حطسم یانحنا 03
/ 0
یشکهز مکارت 03
/ 0
ههاربآ زا هلصاف 23
/ 0
لکش 4 . ۀشقن لیس لدم اب یریگ ۀقطنمGAM
هعلاطم دروم لکش
۵ . ۀشقن لیس لدم اب یریگ ۀقطنمGLM
هعلاطم دروم
لکش 6 . ۀشقن لیس لدم اب یریگ ۀقطنمSVM
هعلاطم دروم
4 . هجیتن و ثحب یریگ
روظنم هب راضاح قیقحت رد ۀیهت
ۀاشقن لیاس زا یریگ
لدم هااس ،GLM
وGAM
درکلمع .دااش هدافتااساSVM
نیا لدم اه ساسا رب هداد
اه هدوب لیس عوقو مدع و عوقو ی
نیا هک هداد اه لباق یتحار هب عمج
روآ ی م ی رد .دنشاب نیا
قیقحت 10 لماع ۀجرد ،بیش لکش ،بیش تهج ،بیش
،یااشکهز مکارت ،هناخدور زا هلااصاف ،ایرد حطااس زا عافترا یفارگوپوت تبوطر صخاش ،یضارا یربراک ،یسانش نیمز لماوع ناونع هب ههاربآ ناوت صخاش و رثؤم
لیس رب یریگ
لماوع نایم زا .دنداااش هدافتاااسا رثؤم
،بلایاااس یبد رد
یگژیو یکیزیف یاه ۀزوح
و یرادی اپ بب اااس هب زیخبآ
یص اخ تیمها زا لماوع ریاس هب زیچان رایس ب یریذپرییغت دنرادروخرب لدم زا کی ره سپاااس.
یاه ،SVM
وGLM
هدGAM
ارجا راب زا هدافتس ا اب و صخاش
اه ریز حطس ی
( ینحنم ( اپاک صخااش و )AUC
Kappa
) .دنداش یبایزرا
هرهب گ زا یری صخااااش اه
یبایزرا یارب فلتخم ی لدم
اه ناش ن
دنهد ۀ هک تس ا نآ لدم
اه ی فلتخم م ی دنناوت ۀرمن
لااب ار رد کی هبنج صاخ ب ه تسد دنروآ و رد ریاس هبنج اه
ۀرمن اپ نیی هد صاااااصتخا دوخ هب یرت ن
د [ 12 ] . جیات ن
ۀس یاقم لنرک لدم رد یاه عبات لنرک هک داد ناش نSVM
( یعاع اااش درکلمع )RBF
لن رک هب تب اااسن یرتهب یاه
هلمجدنچ .دراد یطخ و یا
جیاتن هاااسیاقم لدم هاااس نیب
هدربمان لدم هک داد نااااشن یعاعاااش عبات لنرک ابSVM
( ریاس هب تبس ن )RBF
لدم اه هک هتش اد یرتلااب درکلمع
اب راااضاح قیقحت جیاتن تاقیقحت جیاتن
[ 29 ، 31 ، 2 ، 20 ،
33 ] .دراد تقباطم لدم درکلمع ندوب رتهب
اااشانSVM
ی
هام زا ی ت سا هدوب لدم دوخ ت
، لدم نیا مان هب رازبا کی زا
هداد لیلحت رد لنرک یم هدافتاااسا یدورو یاه
دنک ره و
لنرک و رتماراپ زا هفلؤم
یاه لدم دنیارف رد یفلتخم یزاس
هدافتسا یم نک ن د ازفا ثعاب هک ی
ش اناوت یی تسا هدش لدم .
لدم توافتم درکلمع اه
ناش ن دنهد ۀ لدم ندوب ساس ح اه
هداد هب اه ی دورو ی م ی دااشاب . هداد اه داعبا یکیژولوردیه ی
و یطخ ریغ طباور و هدوب اراد ار یدای ز پ
هدی چی نیب یا
مکاح اهریغتم م
ی دوبن نینچمه و داااشاب هداد
اه یفاک ی
یاهریغتم لماک شاااشوپ یارب هزادنا
گ ثعاب هداااش یری
م ی هک دواااش شور
اه دننام یطخ یرامآ ی ییاناوتGLM
یاه ریغتم نیبام یاه وگلا و طباور فاااشک یارب یفاک تقد شهاک ثعاب رما نیمه و دنااشاب هتااشادن ار یطیحم
پ شی یارب ینیب لدم
اه یطخ ی م
ی دوش [ 7 ] . لدم
GAM
عباوت یارب زاااسراومه نونف زا و هدوب یرتماراپان لدم کی هدافتااسا یطخریغ م
ی دیامن
، هب نیمه لیلد هزاجا یم دهد
ات لدم یزاااس دزن کی رت هب هداد اه یلاح رد ،دریگب تروااص
لدم هک
ًلاومعمGLM
یبیکرت زا طیاراااش
،یطخ ۀجرد
مود و ای ۀجرد هدافتااسا موااس م
ی اما ،دنک نآ تلع هب
هک
لدم فاطعناGAM
یریذپ یرتش یب لدم هب تبس ن ،دراد
رد یرتلااب ییاناوتGLM
لدم زاااس ی شنکاو اه ی هدیچیپ
یکیژولوردیه اراد ار
م ی دااشاب [ 8 ] . تیولوا نینچمه یدنب
لماوع رثؤم عافترا ،هناخدور زا هلص اف لماوع هک داد ناش ن
نیرتااشیب بیترت هب بیااش و ایرد حطااس زا ریثأت
لماوع و
نیرتمک لیفورپ یانحنا و ههاربآ ناوت صخاااش ریثأت
رب ار
لیاااس یریگ ۀقطنم هتاااشاد هعلاطم دروم
،دنا هک اب یاتن ج
[ 13 ، 31 ] هب .دراد تقباطم یلد
ا ل ی ن هک هلاااصاف رد یاه
دزن ی ک س ههاربآ هب ی
ل گ ی ر ی ب ی ش رت تس ا [ 30 ].
س ی ل رد
قطانم ی اراد هک ی کاااشت هدوب مک تاعافترا ی
ل اب و هداااش
ازفا ی ش کاااشت عاف ترا ی
ل اااس ی ل مک رت یم دواااش [ 27 ].
اااس ی ل یگ ر ی اااش رد ی ب یاه اپ یی ن کاااشت ی ل رد و هداااش
ااش ی ب یاه لااب ااس ی ل یخ ز ی م قافتا ی دتفا اربانب . ی ن مها ی ت غتم
ی اهر رد اااشقن ۀ اااس ی ل یگ ر ی ثأت تحت ی
ر دروم شور
قحت رد هدافتاااسا ی
ق و و ی گژ ی یاه هقطنم ۀ هعلاطم دروم
م ی دااشاب د ترابع هب . ی
رگ ارااش ی ط مز فلتخم ی
ن یااسانااش
،
فارگوپوت ی اوه و بآ و ی
ی ک ولوا ،هقطنم ی
ت رثؤم لماوع
رد هت ۀی شقن ۀ س ی ل یگ ر ی غت ار یی ر م ی دهد . جیاتن ساسا رب
یم ،لااصاح شهاک یارب بااسانم یتیریدم تامادقا ناوت
ماجنا ار لیااس زا یااشان تافلت و تاراااسخ داد
. هب ور دنور
لاس رد لیس شیازفا رثکا هک تسا نآ زا یکاح ریخا یاه
بلایس ضرعم رد روش ک قطانم رارق برخم و یراودا یاه
،اهاتس ور ،اهرهش زا یرایس ب رظن نیا زا ،دنراد تاس یس أت
رطخ ضرعم رد ینوکااسم نکاما و یزرواااشک و یتعنااص لیااس هتفرگ رارق یریگ ییاااسانااش اذل .دنا
قطانم یلوااصا
لیس لیس ناتپ یاراد و زاس رطخ هلمج زا هقطنم رد یریگ
تاراااسخ شهاک و لیااس لرتنک رد مهم رایااسب تامدقا یم بوس حم نآ زا یش ان مه .دوش
همانرب نینچ یارب یزیر
بلایس تیریدم و راهم هرهب و تیفیک زا تظافح ،اه
یرادرب
زا بسانم نآ
لدم زا قیقد و حیحص کرد مزلتسم اه اس
یز
لیاااس یم یریگ مهم .داااشاب
هنیمز نیا رد هک یلماع نیرت
لدم بسانم لدم باختنا ،دنریگب رظن رد ار نآ دیاب اهزاس
دناوتب هک تااسا ۀرتااسگ
بلایااس زا یعیااسو روط هب ار اه
هیبااش حیحااص دم زا هدافتااسا نیاربانب .دنک یزاااس
ل یاه
یارب رتهب جیاتن هب یبایتسد یارب یقیفلت و یدرف تاعلاطم
یم داهنشیپ هدنیآ دوش
نآ زا لصاح جیاتن ات نانیمطا اب اه
راک رد یرتش یب رارق هدافتس ا دروم ییارجا و یتیریدم یاه
.دریگ
References
[1] Akbarzadeh, A., Jaimand, K., Hemmati, A. and Khanjani shiraz, B. (2009). Medicinal plants of Gilan province and their applications. Iranian Journal of Medicinal and Aromatic Plants, 26(3), 326-347. (In Persian)
[2] Behzad, M., Asghari, K. and Coppola Jr, E. A. (2009). Comparative study of SVMs and ANNs in aquifer water level prediction. Journal of Computing in Civil Engineering, 24(5), 408-413.
[3] Bubeck, P., Botzen, W. J. and Aerts, J. C. (2012). A review of risk perceptions and other factors that influence flood mitigation behavior. Risk Analysis, 32(9), 1481-1495.
[4] Cao, C., Xu, P., Wang, Y., Chen, J., Zheng, L., and Niu, C. (2016). Flash flood hazard susceptibility mapping using frequency ratio and statistical index methods in coalmine subsidence areas. Sustainability, 8(9), 948.
[5] Chapi, K., Singh, V. P., Shirzadi, A., Shahabi, H., Bui, D. T., Pham, B. T. and Khosravi, K. (2017). A novel hybrid artificial intelligence approach for flood susceptibility assessment. Environmental Modelling Software, 95, 229- 245.
[6] Costache, R. and Bui, D. T. (2019). Spatial prediction of flood potential using new ensembles of bivariate statistics and artificial intelligence: A case study at the Putna river catchment of Romania. Science of the Total Environment, 691, 1098-1118.
[7] De'ath, G. and Fabricius, K. E. (2000). Classification and regression trees: a powerful yet simple technique for ecological data analysis. Ecology, 81(11), 3178-3192.
[8] Elith, J., Graham, C. H., Anderson, R. P., Dudík, M., Ferrier, S., Guisan, A., Hijmans, R, Huettmann, F. R., Leathwick, J., Lehmann, A. and Li, J. (2006). Novel methods improve prediction of species' distributions from occurrence data. Ecography, 129-151.
[9] Esmali, A. and Abdollahi, Kh., (2012). Watershed Management and Soil Conservation. First Edition, Mohaghegh Ardebili University press. (In Persian).
[10] Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874.
[11] Falah, F., Rahmati, O., Rostami, M., Ahmadisharaf, E., Daliakopoulos, I. N. and Pourghasemi, H. R. (2019).
Artificial Neural Networks for Flood Susceptibility Mapping in Data-Scarce Urban Areas. In Spatial Modeling in GIS and R for Earth and Environmental Sciences (pp. 323-336). Elsevier.
[12] Fukuda, S., De Baets, B., Waegeman, W., Verwaeren, J., and Mouton, A. M. (2013). Habitat prediction and knowledge extraction for spawning European grayling (Thymallus thymallus L.) using a broad range of species distribution models. Environmental Modelling and Software, 47, 1-6.
[13] Hasani Loor, S.M., (2016). Comparing Efficiency of Random Forest and Adaptive Neuro-fuzzy Inference System Models for Flood Susceptibility Mapping in the Guilan Province. Faculty of Natural Resources and Marine Sciences, Tarbiat Modares University, 92p. (In Persian).
[14] Hastie, T. and Tibshirani, R., )1987(. Non-parametric logistic and proportional odds regression. Applied Statistics, 260-276.
[15] Hofmann, T., Schölkopf, B. and Smola, A. J. (2008). Kernel methods in machine learning. The Annals of Statistics, 1171-1220.
[16] Khosravi, K., Shahabi, H., Pham, B. T., Adamowski, J., Shirzadi, A., Pradhan, B., Dou, J., Ly, H.B., Gróf, G., Ho, H.L. and Hong, H. (2019). A comparative assessment of flood susceptibility modeling using Multi-Criteria Decision- Making Analysis and Machine Learning Methods. Journal of Hydrology, 573, 311-323.
[17] Lee, M. J., Kang, J. E. and Jeon, S. (2012). Application of frequency ratio model and validation for predictive flooded area susceptibility mapping using GIS. In Geoscience and Remote Sensing Symposium, 2012 IEEE International, 895-898.
[18] Levy, J. K., Hartmann, J., Li, K. W., An, Y. and Asgary, A. (2007). Multi‐Criteria decision Support Systems for Flood Hazard Mitigation and Emergency Response in Urban Watersheds Journal of the American Water Resources Association, 43(2), 346-358.
[19] Mind'je, R., Li, L., Amanambu, A. C., Nahayo, L., Nsengiyumva, J. B., Gasirabo, A. and Mindje, M. (2019). Flood susceptibility modeling and hazard perception in Rwanda. International Journal of Disaster Risk Reduction, 38:101211.
[20] Moharrampour, M., Sohrabi, S. and Vakili, J. (2013). Comparison of Support Vector Machines (SVM) and Autoregressive integrated moving average (ARIMA) in daily flow forecasting. Journal of River Engineering, 1.
[21] Monserud, R. A., and Leemans, R. (1992). Comparing global vegetation maps with the Kappa statistic. Ecological Modelling, 62(4): 275-293.
[22] Mouton, A.M., De Baets, B. and Goethals, P.L., (2010). Ecological relevance of performance criteria for species distribution models. Ecological Modelling, 221(16), pp.1995-2002.
[23] Nohani, E., Darabi, F., Maroufinia, E. and Khosravi, Kh. (2016). Evaluation of Shannon Entropy in Order to Flood Probability and Susceptibility Mapping At Haraz Catchment. Journal of Natural Environmental Hazards, 5(10), 99- 116.
[24] Oh, H. J. and Pradhan, B., (2011). Application of a neuro-fuzzy model to landslide-susceptibility mapping for shallow landslides in a tropical hilly area. Computers and Geosciences, 37(9), 1264-1276.
[25] Périé, C. and de Blois, S. (2016). Dominant forest tree species are potentially vulnerable to climate change over large portions of their range even at high latitudes. PeerJ, 4, e2218.
[26] Rahmati, O. and Pourghasemi, H. R. (2017). Identification of Critical Flood Prone Areas in Data-Scarce and Ungauged Regions: A Comparison of Three Data Mining Models. Water Resources Management, 31(5), 1473-1487.
[27] Rahmati, O., Pourghasemi, H. R. and Zeinivand, H. (2015). Flood susceptibility mapping using frequency ratio and weights-of-evidence models in the Golastan Province, Iran. Geocarto International, 31(1), 42-70. (In Persian) [28] Salehi, M., Vazirinasab, H., Khoshgam, M. and Rafati, N. (2012). Application of the generalized additive model in
determination of the retinopathy risk factors relation types for Tehran diabetic patients. Razi Journal of Medical Sciences, 19(97), 1-9. (In Persian)
[29] Suliman, A., Nazri, N., Othman, M., Abdul, M. and Ku-Mahamud, K. R. (2013). Artificial neural network and support vector machine in flood forecasting: A review. In Proceedings of the 4th International Conference on Computing and Informatics, ICOCI (pp. 28-30).
[30] Tehrany, M. S., Pradhan, B. and Jebur, M. N. (2013). Spatial prediction of flood susceptible areas using rule based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS. Journal of Hydrology, 504(2013), 69-79.
[31] Tehrany, M. S., Pradhan, B. and Jebur, M. N. (2015). Flood susceptibility analysis and its verification using a novel ensemble support vector machine and frequency ratio method. Stochastic Environmental Research and Risk Assessment, 29(4), 1149-1165.
[32] Termeh, S. V. R., Kornejady, A., Pourghasemi, H. R. and Keesstra, S. (2018). Flood susceptibility mapping using novel ensembles of adaptive neuro fuzzy inference system and metaheuristic algorithms. Science of the Total Environment, 615, 438-451.
[33] Tien Bui, D., Pradhan, B., Lofman, O. and Revhaug, I. (2012). Landslide susceptibility assessment in vietnam using support vector machines, decision tree, and Naive Bayes models. Mathematical Problems in Engineering, 2012.
[34] Tien Bui, D., Khosravi, K., Li, S., Shahabi, H., Panahi, M., Singh, V., Chapi, K., Shirzadi, A., Panahi, S., Chen, W.
and Bin Ahmad, B. (2018). New hybrids of anfis with several optimization algorithms for flood susceptibility modeling. Water, 10(9), 1210.
[35] Vapnik, V.N., (1999). The Nature of Statistical Learning Theory. 2nd Edition, Springer Verlag, New York, 314p.
[36] Zhao, G., Pang, B., Xu, Z., Yue, J. and Tu, T. (2018). Mapping flood susceptibility in mountainous areas on a national scale in China. Science of the Total Environment, 615, 1133-1142.
