آمار

تعداد نشریات7
تعداد شماره‌ها404
تعداد مقالات5,423
تعداد مشاهده مقاله5,528,027
تعداد دریافت فایل اصل مقاله5,023,876
فرهادی, هادی, اسماعیلی, علی, نجف زاده, محمد. (1400). توسعه‌ی یک روش داده‌کاوی درخت تصمیم جهت شناسایی پارامترهای مؤثر در تعیین قدرت تخریب سیل. نشریه مهندسی عمران امیرکبیر, 53(5), 1763-1780. doi: 10.22060/ceej.2020.17119.6465
هادی فرهادی; علی اسماعیلی; محمد نجف زاده. "توسعه‌ی یک روش داده‌کاوی درخت تصمیم جهت شناسایی پارامترهای مؤثر در تعیین قدرت تخریب سیل". نشریه مهندسی عمران امیرکبیر, 53, 5, 1400, 1763-1780. doi: 10.22060/ceej.2020.17119.6465
فرهادی, هادی, اسماعیلی, علی, نجف زاده, محمد. (1400). 'توسعه‌ی یک روش داده‌کاوی درخت تصمیم جهت شناسایی پارامترهای مؤثر در تعیین قدرت تخریب سیل', نشریه مهندسی عمران امیرکبیر, 53(5), pp. 1763-1780. doi: 10.22060/ceej.2020.17119.6465
فرهادی, هادی, اسماعیلی, علی, نجف زاده, محمد. توسعه‌ی یک روش داده‌کاوی درخت تصمیم جهت شناسایی پارامترهای مؤثر در تعیین قدرت تخریب سیل. نشریه مهندسی عمران امیرکبیر, 1400; 53(5): 1763-1780. doi: 10.22060/ceej.2020.17119.6465

توسعه‌ی یک روش داده‌کاوی درخت تصمیم جهت شناسایی پارامترهای مؤثر در تعیین قدرت تخریب سیل

نشریه مهندسی عمران امیرکبیر
مقاله 5، دوره 53، شماره 5، مرداد 1400، صفحه 1763-1780    اصل مقاله (2.21 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22060/ceej.2020.17119.6465
نویسندگان
هادی فرهادی؛ علی اسماعیلی؛ محمد نجف زاده*
دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران.
چکیده
سیل یکی از بلایای ‌طبیعی می‌باشد که به زیر ساخت‌های شهری، زمین‌های کشاورزی و منابع طبیعی خسارات جبران ناپذیری وارد می‌نماید. لذا دست‌یابی به اطلاعات جامع در مورد عوامل مؤثر بر میزان قدرت تخریب سیل می‌تواند در برآورد میزان خسارت وارده مفید واقع شود. از این رو، در این تحقیق، هدف ایجاد پایگاه ‌داده پارامترهای تأثیر‌گذار در قدرت تخریب سیل به صورت موردی با بکارگیری تصاویر ماهواره لندست-7 با سنجنده ETM+ و داده‌های DEM ASTER می‌باشد که در آن از روش داده‌کاوی درخت ‌تصمیم استفاده شده است. در این تحقیق پارامترهای محیطی نظیر پوشش گیاهی، شیب طبیعی زمین و جهت شیب به منظور ارزیابی قدرت تخریب سیل در منطقه مورد مطالعه در نظر گرفته شده‌اند و مدل درخت تصمیم با استفاده از این معیارها ایجاد شد. در نهایت براساس این پارامترها، تعداد پیکسل­های تغییر یافته (بعد از وقوع سیلاب) در منطقه مورد مطالعه 692361 می‌باشد که بیانگر 62312/49 هکتار اراضی تخریب شده در منطقه مورد‌ مطالعه است. با توجه به یافته‌های تحقیق حاضر، اراضی با ویژیگی‌های پوشش گیاهی کم، به عبارت دیگر دارای شاخص پوشش‌ گیاهی تفاضلی نرمال شده (NDVI) بین 0/2 تا 0/4، شیب پایین 0 تا 45 درجه و جهت شیب جنوبی بیشترین تخریب ناشی از سیل را دارند. همچنین مناطقی که دارای NDVI متراکم، شیب زیاد و جهت شیب شمالی می‌باشند، کمترین تأثیر را از سیل می‌پذیرند. در نهایت، می‌توان نتیجه گرفت که روش داده‌کاوی درخت تصمیم با افزایش متغیرهای ورودی دقت و کیفیت بهتری در تعیین پارامترهای مؤثر در برآورد قدرت تخریب سیل ارائه می‌دهد.
کلیدواژه‌ها
سیل؛ درخت تصمیم؛ داده‌کاوی؛ تشخیص تغییرات؛ لندست-7. 7
موضوعات
مدیریت منابع آب
عنوان مقاله [English]
Developing a Decision Tree based on Data Mining Method for Detecting the Influential Parameters on the Power of Flood Destruction
نویسندگان [English]
Hadi Farhadi؛ Ali Esmaeily؛ Mohammad Najafzadeh
M.Sc. Student in Remote Sensing Engineering, Department of Surveying Engineering, Faculty of civil and surveying Engineering, Graduate University of Advanced Technology, Kerman
چکیده [English]
Floods, as one of the natural disasters, cause irreparable damages to the urban infrastructures, agricultural lands, and natural resources. Therefore, access to comprehensive information on influential factors the extent of flood damage can be useful in estimating the extent of the damage. In this way, this study investigates the creation of a database of effective parameters on flood destruction power using a case study of Landsat-7 satellite images with ETM+ sensor and ASTER DEM data using a decision tree. In the current research, environmental parameters such as canopy, natural slope, and slope direction were considered to evaluate flood degradation power in the study area and the decision tree model was created using these criteria. Ultimately, based on these parameters, the number of changed pixels (after the flood) in the study area is 692361 which indicates 62312.49 hectares of degraded land in the study area. According to the findings of the present study, lands with low canopy characteristics, namely normalized differential vegetation index (NDVI) between 0.2 and 0.4, low slope 0 to 45 degrees, and Southern slope direction caused the most damage caused by floods. Also, areas with dense NDVI, high slope, and northern slope orientation have a preventative influence on floods-caused damages. Overall, it can be found that the decision tree, as a data mining method, is capable of yielding better accuracy and quality in determining the effective parameters in estimating flood destruction power by increasing the input variables.
کلیدواژه‌ها [English]
Flood, Decision tree, Data mining, Change detection, Landsat-7
مراجع
  1. Green, Flood management from the perspective of integrated water resource management, in: 2nd International Symposium on Flood Defence, Beijing, 2002.
  2. Mashaly, E. Ghoneim, Flash flood hazard using optical, radar, and stereo-pair derived dem: Eastern desert, Egypt, Remote Sensing, 10(8) (2018) 1204.
  3. R. Asgharimoghaddam, Natural Geography of the City: Hydrology and flooding of the city, First ed., Masi, Tehran 2008. (In Persian).
  4. Alderman, L.R. Turner, S. Tong, Floods and human health: a systematic review, Environment international, 47 (2012) 37-47.
  5. R. Bond, P.S. Lake, A.H. Arthington, The impacts of drought on freshwater ecosystems: an Australian perspective, Hydrobiologia, 600(1) (2008) 3-16.
  6. F. Charron, M.K. Thomas, D. Waltner-Toews, J.J. Aramini, T. Edge, R.A. Kent, A.R. Maarouf, J. Wilson, Vulnerability of waterborne diseases to climate change in Canada: a review, Journal of Toxicology and Environmental Health, Part A, 67(20-22) (2004) 1667-1677.
  7. Hisayoshi Kondo, M. Norimasa Seo, M. Tadashi Yasuda, M. Masahiro Hasizume, M. Yuichi Koido, M. Norifiimi Ninomiya, Post-flood—Infectious Diseases in Mozambique, Prehospital and Disaster Medicine, 14(12,000) (2002) 10,570.
  8. S. Lake, Ecological effects of perturbation by drought in flowing waters, Freshwater biology, 48(7) (2003) 1161-1172.
  9. Li, S. Wu, E. Dai, Z. Xu, Flood loss analysis and quantitative risk assessment in China, Natural hazards, 63(2) (2012) 737-760.
  10. Sun, W. Sun, J. Chen, P. Gong, Comparison and improvement of methods for identifying waterbodies in remotely sensed imagery, International journal of remote sensing, 33(21) (2012) 6854-6875.
  11. Rahman, L. Di, E. Yu, L. Lin, C. Zhang, J. Tang, Rapid flood progress monitoring in cropland with NASA SMAP, Remote Sensing, 11(2) (2019) 191.
  12. Sanyal, X. Lu, Application of remote sensing in flood management with special reference to monsoon Asia: a review, Natural Hazards, 33(2) (2004) 283-301.
  13. S. Rahman, L. Di, The state of the art of spaceborne remote sensing in flood management, Natural Hazards, 85(2) (2017) 1223-1248.
  14. -J. Ban, Y.-J. Kwon, H. Shin, H.-S. Ryu, S. Hong, Flood monitoring using satellite-based RGB composite imagery and refractive index retrieval in visible and near-infrared bands, Remote Sensing, 9(4) (2017) 313.
  15. B. Fatemi, Y. Rezaei, Basics of Remote Sensing, Azadeh Tehran, 2014. (In Persian).
  16. Lin, L. Di, E.G. Yu, L. Kang, R. Shrestha, M.S. Rahman, J. Tang, M. Deng, Z. Sun, C. Zhang, A review of remote sensing in flood assessment, in: 2016 Fifth International Conference on Agro-Geoinformatics (Agro-Geoinformatics), IEEE, 2016, pp. 1-4.
  17. Notti, D. Giordan, F. Caló, A. Pepe, F. Zucca, J. Galve, Potential and limitations of open satellite data for flood mapping, Remote Sensing, 10(11) (2018) 1673.
  18. Schumann, Preface: Remote sensing in flood monitoring and management, Multidisciplinary Digital Publishing Institute, (2015) 17013-17015.
  19. Pulvirenti, M. Chini, N. Pierdicca, L. Guerriero, P. Ferrazzoli, Flood monitoring using multi-temporal COSMO-SkyMed data: Image segmentation and signature interpretation, Remote Sensing of Environment, 115(4) (2011) 990-1002.
  20. Martinis, J. Kersten, A. Twele, A fully automated TerraSAR-X based flood service, ISPRS Journal of Photogrammetry and Remote Sensing, 104 (2015) 203-212.
  21. Landuyt, A. Van Wesemael, F. Van Coillie, N.E. Verhoest, SAR-based flood mapping: an assessment of established approaches, in: EGU General Assembly Conference Abstracts, 2018, pp. 14229.
  22. Lu, L. Giustarini, B. Xiong, L. Zhao, Y. Jiang, G. Kuang, Automated flood detection with improved robustness and efficiency using multi-temporal SAR data, Remote sensing letters, 5(3) (2014) 240-248.
  23. Zazo, P. Rodríguez-Gonzálvez, J.-L. Molina, D. González-Aguilera, C. Agudelo-Ruiz, D. Hernández-López, Flood hazard assessment supported by reduced cost aerial precision photogrammetry, Remote Sensing, 10(10) (2018) 1566.
  24. Kazemi, J. Porhemmat, Investigating the relationship between flood intensity and land use in Kerman province basins, in: 13th National Conference on Watershed Management Science and Engineering and 3rd National Conference on Natural and Environmental Conservation, Focusing on Watershed and Protecting Natural Resources and the Environment, Ardebil, 2018. (In Persian).
  25. R. Shami, A.R. Nazari, A.H. Afsardir, A.R. Saeidi, Investigation of floods occurrence in villages of Langrood functions and explaining the method of influence, in: 5th Conference Flood Management and Engineering Conference, Tehran, 2017. (In Persian).
  26. R. Tahmasebi, M. Alishahi, Study of the Importance and Usage of Data Mining in Organizations, Proposals and Solutions, in: National Conference on Electronic Achievements in Engineering and Basic Sciences, Tehran, 2014. (In Persian).
  27. Zielinski, J. Chmiel, Vertical accuracy assessment of SRTM C-band DEM data for different terrain characteristics, New developments and challenges in remote sensing (ed. BOCHENEK Z.)(Millpress, Rotterdam 2007), (2007) 685-693.
  28. Lillesand, R.W. Kiefer, J. Chipman, Remote sensing and image interpretation, John Wiley & Sons, 2015.
  29. N. Goward, B. Markham, D.G. Dye, W. Dulaney, J. Yang, Normalized difference vegetation index measurements from the Advanced Very High Resolution Radiometer, Remote sensing of environment, 35(2-3) (1991) 257-277.
آمار
تعداد مشاهده مقاله: 1,907
تعداد دریافت فایل اصل مقاله: 1,406


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب