light box
امتیاز 2.58 نقشه‌برداری حساسیت زمین لغزش با الگوریتم‌های یادگیری عمیق">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 31
تعداد کلمات : 10000
مجله : sustainability
انتشار : 2022
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:نقشه‌برداری حساسیت زمین لغزش با الگوریتم‌های یادگیری عمیق

 چکیده

  در میان خطرات طبیعی، رانش زمین در چین ویرانگر است. با این حال، اطلاعات کمی در مورد مناطق مستعد زمین لغزش در شهرستان ماکسین وجود دارد. هدف از این مطالعه استفاده از چهار الگوریتم یادگیری عمیق، شبکه عصبی کانولوشن (CNN)، شبکه عصبی عمیق (DNN)، شبکه‌های حافظه کوتاه مدت (LSTM) و شبکه عصبی بازگشتی (RNN) در ارزیابی امکان رانش زمین در سراسر شهرستان مائوسیان، سیچوان، چین. در مجموع ۱۲۹۰ رکورد زمین لغزش با استفاده از سوابق تاریخی، مشاهدات میدانی و تکنیک های سنجش از دور ایجاد شد. نقشه های حساسیت زمین لغزش نشان داد که بیشترین مناطق مستعد در امتداد رودخانه مینجیانگ و در برخی از بخش های جنوب شرقی منطقه مورد مطالعه قرار دارند. شیب، بارندگی و فاصله تا گسل‌ها بیشترین تأثیر را بر وقوع زمین لغزش داشتند. نتایج نشان داد که نسبت مناطق مستعد زمین لغزش در شهرستان مائوکسیان به شرح زیر است: زمین لغزش های شناسایی شده (۱۳٫۶۵-۲۳٫۷۱٪) و غیر زمین لغزش (۷۶٫۲۹-۸۶٫۳۵٪). نقشه های حاصل در برابر مکان های شناخته شده زمین لغزش با استفاده از ناحیه زیر منحنی (AUC) مورد آزمایش قرار گرفتند. این مطالعه نشان داد که الگوریتم DNN با مقادیر AUC (برای دقت پیش‌بینی) به ترتیب ۳۰/۸۷، ۵۰/۸۶، ۶۰/۸۵ و ۹۰/۸۲ درصد، بهتر از LSTM، CNN و RNN در شناسایی زمین لغزش‌ها در شهرستان ماکسین عمل می‌کند. نتایج این مطالعه برای کاهش خطر زمین لغزش در آینده همراه با ابداع برنامه ریزی کاربری پایدار در منطقه مورد مطالعه مفید است(نقشه‌برداری حساسیت زمین لغزش).

Title: Landslide Susceptibility Mapping with Deep Learning Algorithms

Abstract

 Among natural hazards, landslides are devastating in China. However, little is known regarding potential landslide-prone areas in Maoxian County. The goal of this study was to apply four deep learning algorithms, the convolutional neural network (CNN), deep neural network (DNN), long short-term memory (LSTM) networks, and recurrent neural network (RNN) in evaluating the possibility of landslides throughout Maoxian County, Sichuan, China. A total of 1290 landslide records was developed using historical records, field observations, and remote sensing techniques. The landslide susceptibility maps showed that most susceptible areas were along the Minjiang River and in some parts of the southeastern portion of the study area. Slope, rainfall, and distance to faults were the most influential factors affecting landslide occurrence. Results revealed that proportion of landslide susceptible areas in Maoxian County was as follows: identified landslides (13.65–23.71%) and non-landslides (76.29 86.35%). The resultant maps were tested against known landslide locations using the area under the curve (AUC). This study indicated that the DNN algorithm performed better than LSTM, CNN, and RNN in identifying landslides in Maoxian County, with AUC values (for prediction accuracy) of 87.30%, 86.50%, 85.60%, and 82.90%, respectively. The results of this study are useful for future landslide risk reduction along with devising sustainable land use planning in the study area.

      دیدگاهها بسته است.

      محصولات مشابه
      عملکرد زیست محیطی شرکت و ارزش شرکت – با استفاده از معیارهای انتشار آلودگی
      خـریـد محـصـول
      اندازه گیری کمی عدم قطعیت بارندگی و تبخیر و تعرق در مدل‌سازی بارش-رواناب
      خـریـد محـصـول
      فیزیولوژی تنش غرقابی در جو
      خـریـد محـصـول
      ارزش مصرف، نوآوری مصرف کننده و پذیرش محصول جدید: شواهد تجربی از ویتنام
      خـریـد محـصـول
      کیفیت پایین خواب و خواب آلودگی در روز در متخصصان بهداشت: شیوع و عوامل مرتبط
      خـریـد محـصـول
      پریکاردیت حاد پس از مداخله عروق کرونر از راه پوست: کیس ریپورت
      خـریـد محـصـول
      آگاهی موقعیتی: تکنیک ها، چالش ها و چشم اندازها
      خـریـد محـصـول
      چگونه از مشکلات رایج اجرای فناوری اطلاعات سلامت جلوگیری کنیم
      خـریـد محـصـول
      ارزیابی هوشیاری و توجه پایدار در بزرگسالان مبتلا به ADHD
      خـریـد محـصـول
      کمبود(نقص) توجه و علائم ADHD در بزرگسالان مبتلا به بیماری فابری – یک مطالعه آزمایشی
      خـریـد محـصـول
      ثبت اختراع یا انتشار مقاله

      در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. سامانه جستجوگر مالکیت فکری دارکوب به تازگی از پایگاه جستجو علائم تجاری خود نیز رونمایی کرده است که دارای امکانات تخصصی فراوانی می باشد.

      ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

      در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

      از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

       
      برو بالا