مقالات ترجمه شده

مقایسه روش‌های پهنه‌ بندی حساسیت زمین‌ لرزه برای Koyulhisar، ترکیه: احتمالات شرطی، رگرسیون لجستیک، شبکه‌ های عصبی مصنوعی، و ماشین بردار پشتیبان

عنوان فارسی

مقایسه روش‌های پهنه‌ بندی حساسیت زمین‌ لرزه برای Koyulhisar، ترکیه: احتمالات شرطی، رگرسیون لجستیک، شبکه‌ های عصبی مصنوعی، و ماشین بردار پشتیبان


عنوان لاتین

Comparison of landslide susceptibility mapping methodologies for Koyulhisar, Turkey: conditional probability, logistic regression, artificial neural networks, and support vector machine

مشخصات کلی

سال انتشار 2010
کد مقاله 1396
فرمت فایل ترجمه Word
تعداد صفحات ترجمه 23
نام مجله Environ Earth Sci
نشریه Springer
درج جداول و شکل ها در ترجمه انجام شده است
جداول داخل مقاله ترجمه شده است

چکیده فارسی

مطالعه موردی نشان داده‌شده در اینجا روش پهنه‌ بندی حساسیت به زمین‌ لرزه مبتنی بر GIS را مانند مدل‌های احتمالات شرطی (CP)، رگرسیون لجستیک (LR)، شبکه‌های عصبی مصنوعی (ANNO و ماشین بردار پشتیبان (SVM) بکاررفته در Koyulhisar را باهم مقایسه می‌کند. مدل رقومی ارتفاع ابتدا با استفاده از نرم‌افزار GIS ایجاد می‌شود. فاکتورهای مرتبط با زمین‌لرزه مانند زمین‌شناسی، گسل، سیستم‌های زه‌کشی، ارتفاع توپوگرافی، زاویه شیب، طرف شیب، شاخص رطوبت توپوگرافیک، شاخص قدرت جریان، شاخص پوشش گیاهی متفاوت نرمال‌شده؛ فاصله از شهرک‌ها و جاده‌های استفاده شده در تحلیل حساسیت به زمین‌ لرزه مورد توجه قرار می‌گیرند. در آخرین مرحله تحلیل، پهنه‌بندی حساسیت به زمین‌لرزه از مدل‌های ANN؛ CP، LR، SVM تولید می‌شود، و سپس با میانگین امکان‌سنجی‌ مقایسه می‌شوند. بااین حال، مقدار ناحیه زیر منحنی بدست‌آمده از همه چهار متدلوژی نشان می‌دهد که نقشه بدست‌امده از مدل ANN به‌نظر می‌رسد که از مدل‌های دیگر دقیق‌ تر است، دقت همه مدل‌ها می‌توانند نسبت به آن ارزیابی شوند. نتایج همچنین نشان می‌دهند که CP یک روش ساده در پهنه‌بندی حساسیت به زمین‌لرزه است و در سطح بالا با خصیصه‌های عملیاتی GIS قابل مقایسه می‌باشد. نقشه حساسیت می‌تواند بااستفاده از CP تولید می‌شود، چرا که پردازش ورودی، محاسبات و پردازش خروجی در مدل CP در زمان مقایسه با دیگر روش‌های بررسی شده در این مطالعه بسیار ساده است.

چکیده لاتین

This case study presented herein compares the GIS-based landslide susceptibility mapping methods such as conditional probability (CP), logistic regression (LR), artificial neural networks (ANNs) and support vector machine (SVM) applied in Koyulhisar (Sivas, Turkey). Digital elevation model was first constructed using GIS software. Landslide-related factors such as geology, faults, drainage system, topographical elevation, slope angle, slope aspect, topographic wetness index, stream power index, normalized difference vegetation index, distance from settlements and roads were used in the landslide susceptibility analyses. In the last stage of the analyses, landslide susceptibility maps were produced from ANN, CP, LR, SVM models, and they were then compared by means of their validations. However, area under curve values obtained from all four methodologies showed that the map obtained from ANN model looks like more accurate than the other models, accuracies of all models can be evaluated relatively similar. The results also showed that the CP is a simple method in landslide susceptibility mapping and highly compatible with GIS operating features. Susceptibility maps can be easily produced using CP, because input process, calculation and output processes are very simple in CP model when compared with the other methods considered in this study

خرید و دانلود ترجمه این مقاله:

جهت خرید این مقاله ابتدا روی لینک زیر کلیک کنید، به صفحه ای وارد می شوید که باید نام و ایمیل خود را وارد کنید و پس از آن روی دکمه خرید و پرداخت کلیک نمایید، پس از پرداخت بلافاصله به سایت بازگشته و می توانید فایل خود را دانلود کنید، همچنین لینک دانلود به ایمیل شما نیز ارسال خواهد شد.

دیدگاه ها

هیچ دیدگاهی برای این مقاله ثبت نشده است

ارسال دیدگاه

مقالات معتبر علمی از ژورنال های ISI