عنوان پایان‌نامه
مدل سازی تغییرات کاربری اراضی چند گانه با استفاده از درخت تصمیم گیری رگرسیون و رگرسیون چند متغیره تطبیقی اسپلاین
- رشته تحصیلی
- مهندسی عمران-سیستمهای اطلاعات جغرافیایی(GIS)
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3287;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76082;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3287;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76082
- تاریخ دفاع
- ۱۵ شهریور ۱۳۹۵
- دانشجو
- محمد احمدلو
- استاد راهنما
- محمودرضا دلاور
- چکیده
- در این تحقیق، به مدلسازی و پیش بینی تغییرات کاربری های اراضی شهری و جنگلی با استفاده از دو فن داده کاوی شامل رگرسیون چند متغیره تطبیقی اسپلاین و درخت کلاسه بندی و رگرسیون در تلفیق با سیستم اطلاعات مکانی و به کمک تصاویر ماهواره ای در منطقه شیرگاه واقع در شهرستان سواد کوه استان مازندارن در بازه زمانی بین 1991-2011 پرداخته شده است. علیرغم استفاده از دو مدل مذکور در تحقیقات پیشین در مدلسازی تغییرات کاربری اراضی، به نظر می رسد که تاکنون قابلیت پیش بینی دو مدل مورد بررسی قرار نگرفته است. لذا در این مطالعه قابلیت پیش بینی این دو مدل در پیش بینی تغییرات کاربری شهری و جنگل بررسی شده است. فاکتور های موثر در تغییرات کاربری اراضی شهری و جنگلی با انجام آنالیز حساسیت استخراج و وارد مدلسازی شدند. دو مدل مذکور با مدل جنگل تصادفی مورد مقایسه قرار گرفتند که چنین مقایسه ای تاکنون در ارزیابی دقت این سه مدل انجام نشده است. برای ارزیابی کارآیی مدل ها، از شاخص عامل نسبی و شاخص عامل کلی استفاده شد. مساحت زیر منحنی شاخص عامل نسبی برای نقشه شبیه سازی شده شهری سال 2001 توسط سه مدل رگرسیون چند متغیره تطبیقی اسپلاین، درخت کلاسه بندی و رگرسیون و جنگل تصادفی به ترتیب 37/84%، 87/94% و 99/98% بدست آمد. مساحت زیر منحنی شاخص عامل نسبی برای نقشه شبیه سازی شده جنگلی سال 2001 توسط سه مدل فوق به ترتیب 84/90%، 56/93% و 57/97% بدست آمد. همچنین مساحت زیر منحنی این شاخص برای نقشه شبیه سازی شده شهری سال 2011 برای سه مدل به ترتیب 16/78%، 55/76 و 60/73% و برای نقشه شبیه سازی شده جنگلی سال 2011 به ترتیب 65/89%، 17/87% و 47/90 بدست آمد. همچنین برای نشان دادن مقادیر موجود در داخل جداول احتمال، از منحنی شاخص عامل کلی استفاده شد. طبق نتایج بدست آمده، در پیش بینی کاربری های شهری مدل رگرسیون چندمتغیره تطبیقی اسپلاین دقت بالاتری نسبت به دو مدل درخت کلاسه بندی و رگرسیون و جنگل تصادفی دارا می باشد. این در حالی است که دقت یادگیری مدل جنگل تصادفی بهتر از دو مدل دیگر بوده است. همچنین در پیش بینی تغییرات کاربری جنگل، دو مدل جنگل تصادفی و رگرسیون چند متغیره تطبیقی اسپلاین دقت های بهتری نسبت به مدل درخت کلاسه بندی و رگرسیون داشته اند. این در حالی است که دقت یادگیری مدل جنگل تصادفی بهتر از دو مدل دیگر بوده است. در حالت کلی نتایج تحقیق نشان داد که مدل رگرسیون چند متغیره تطبیقی اسپلاین دقت بهتری در پیش بینی تغییرات کاربری اراضی دارا می باشد کلمات کلیدی: رگرسیون-رگرسیون چند متغیره- اسپلاین - کاربری اراضی
- Abstract
- This study compares three land use/cover change models including Classification and Regression Tree (CART), Multivariate Adaptive Regression Spline (MARS) and Random Forest (RF) in an Geospatial Information Systems (GIS) environment to simulate and predict urban and forest land use changes. Three Landsat TM and ETM+ images (1991, 2001 and 2011) and a number of environmental variables including distance to main roads, distance to built-up areas, distance to forest, distance to agricultural land, distance to water, slope, DEM, aspect, northing and easting were used as inputs while urban, non-urban, forest and non-forest changes were considered as outputs for the three models. Despite using the three above-mentioned models in the previous research, predictive ability of three models has not been investigated. So, in this study, predictive ability of the three models has been assessed to predict urban and forest land use changes. Effective factors in urban and forest land use changes were extracted using sensitive analysis for the land use change modeling. The simulated resulting maps were evaluated using a recently modified version of the receiver operating characteristics (ROC) tool called the total operating characteristic (TOC) tool. Area under curves (AUC) value of MARS, CART and RF were 84.37%, 94.87% and 98.99% for 2001 simulated map of urban use change. AUC value of MARS, CART and RF were 90.84%, 93.56% and 97.57% for 2001 simulated map of forest use change. Also, AUC value of MARS, CART and RF were 78.16%, 76.55% and 73.60% for 2011 simulated map of urban land use change and AUC value of these three models were 89.65%, 87.17% and 90.47% for 2011 simulated map of forest land use change, respectively. In general, the results showed that MARS more accurately predicted the land use changes. Key words: Classification and Regression Tree, Multivariate Adaptive Regression Spline, Random Forest, Receiver Operating Characteristics, Total Operating Characteristic, Land Use Change Modeling
