هوش مکانی اتیم تحقیقاتی ونوس نصیرفام

یک رویکرد جدید مبتنی بر یادگیری ماشینی و مشارکت عمومی برای پیش‌بینی خطر کمبود آب در مناطق شهری

خلاصه

تغییرات اقلیمی، رشد جمعیت و گسترش شهرها بر منابع آب در سراسر جهان فشار وارد کرده است و تامین آب مورد نیاز را دشوار کرده است، به ویژه در مناطق شهری که اکنون بیش از نیمی از جمعیت جهان در آن ساکن هستند. با توجه به بافت شهری پیچیده، تکنیک‌های مرسوم باید برای تشخیص خطر کمبود آب (WSR) با درگیر کردن جمع‌سپاری توسعه داده شود. هدف این مطالعه توسعه یک رویکرد جدید مبتنی بر مشارکت عمومی (PP) با یک سیستم اطلاعات جغرافیایی همراه با یادگیری ماشین (ML) در حوزه آب شهری است. این رویکرد برای تشخیص (WSR) به دو روش، یعنی پیش‌بینی با استفاده از مدل‌های ML به طور مستقیم و با استفاده از تابع ترکیب خطی وزنی (WLC) در GIS استفاده شد. پنج نوع الگوریتم ML، یعنی ماشین بردار پشتیبان (SVM)، پرسپترون چند لایه، K-نزدیکترین همسایه، جنگل تصادفی و بیز ساده برای این منظور ترکیب شدند. مدل توضیح افزودنی Shapley برای تجزیه و تحلیل نتایج اضافه شد. همچنین از سیستم تکامل و برنامه ریزی آب برای پیش بینی تقاضای آب برآورده نشده به عنوان معیار مربوطه استفاده شد که با معیارهای دیگر تجمیع شد. پنج الگوریتمی که در این کار استفاده شد نشان داد که تشخیص WSR با استفاده از PP به دقت خوب تا کامل دست یافت. علاوه بر این، یافته‌های فرآیند پیش‌بینی در دو تکنیک پیشنهادی به دقت بالایی دست یافت. با این حال، وزن معیارهای مربوطه که توسط SVM استخراج شد، دقت بالاتری نسبت به وزن چهار مدل دیگر به دست آورد. علاوه بر این، میانگین وزن‌های پنج مدلی که در تکنیک WLC اعمال شدند، دقت پیش‌بینی WSR را افزایش دادند. اگرچه نسبت عدم قطعیت با نتایج مرتبط بود،

کلید واژه ها:

مشارکت عمومی ؛ آب شهری ; خطر کمبود آب ؛ یادگیری ماشینی ؛ GIS _ جمع سپاری

۱٫ معرفی

در طول قرن گذشته، جمعیت جهان از ۲ میلیارد به ۷٫۷ میلیارد نفر افزایش یافته است که نزدیک به ۸۰ درصد آنها در مناطق تحت فشار آب زندگی می کنند [ ۱ ، ۲ ]. رشد جمعیت و گسترش شهرها نقش کلیدی در افزایش تقاضای آب دارند، که تامین آن در مناطق شهری بسیار دشوار می شود، زیرا بیش از نیمی از جمعیت جهان اکنون در شهرها زندگی می کنند [ ۳ ، ۴ ]. علاوه بر این، تغییرات آب و هوا بر منابع آب، به ویژه در مناطق خشک و نیمه خشک پرجمعیت، تأثیر گذاشته است. بنابراین، مناطق وسیعی از تمدن بشری با خطر کمبود آب (WSR) مواجه هستند [ ۵ ، ۶ ، ۷]. درک مدیریت آب شهری به دلیل طیف وسیعی از شاخص‌های اندازه‌گیری، از جمله کیفیت و کمیت آب آشامیدنی، حاکمیت آب، بهداشت، رفاه انسان، تولید آب، عوامل اجتماعی-اقتصادی، بهداشت محیطی و اکولوژیکی، WSR دشوار است. و مدیریت آب [ ۸ ]. با افزایش فشار بر تقاضای آب شهری، مطالعات متعددی تلاش کرده اند تا تعامل متغیرهای خارجی و داخلی را در کمبود آب شهری توضیح دهند [ ۹ ].
دو نوع چالش مرتبط با بحران آب پیش روی جوامع شهری وجود دارد: چالش های خارجی که توسط تغییرات آب و هوایی و مدیریت ملی آب در رابطه با تقسیم سهمیه آب بین شهرها نشان داده می شود، و چالش های داخلی که توسط نابرابری در تامین آب بین محله ها نشان داده می شود [ ۱۰ ]. از یک سو، تغییر اقلیم با افزایش دما و کاهش بارندگی، تقاضای آب را افزایش داده و آب موجود را کاهش داده است .]. از طرفی سهم شهر از آب ملی تاثیر بسزایی بر آب تحویلی به پروژه های تصفیه آب دارد. شهری که اولویت بیشتری برای تخصیص آب دارد، با چالش های کمتری در تامین آب مواجه است. علیرغم اینکه تغییرات آب و هوایی تأثیر منفی بر عرضه فعلی آب دارد، سایر عوامل محرک (به عنوان مثال، رشد جمعیت، شهرنشینی، زیرساخت ها، استانداردهای زندگی و نابرابری فضایی) فشار بیشتری بر سیستم تامین آب وارد می کنند [ ۱۲ ].]. اصل نابرابری فضایی در مورد تامین آب بین جوامع یک شهر منجر به تغییر در سطوح تامین آب شده است. به این معنا که برخی از بخش‌های یک شهر با کمبود آب مواجه نمی‌شوند، حتی زمانی که شرایط آبی-اقلیمی نامطلوب باشد. برعکس، سایر بخش‌ها در برابر WSR آسیب‌پذیر هستند، حتی زمانی که شرایط آبی-اقلیمی مساعد باشد. برای پیشرفت در جهت بهبود مدیریت آب، حکمرانی آب باید حقوق بشر را در کنار سایر نیروهای محرکه مانند افزایش جمعیت و شرایط آب و هوایی در نظر بگیرد [ ۲ ]. بنابراین، مدیریت آب شهری نیازمند تلاش های بیشتری برای طراحی رویکردهای علمی است که مشارکت عمومی (PP) را در سطوح مختلف فرآیند تصمیم گیری برای مبارزه با کمبود آب تشویق کند [ ۱۳ ].
با این حال، بسیاری از مطالعات قبلی، تحلیل‌های نظری را نادیده گرفته‌اند که نشان می‌دهد اقدامات کاهش تقاضا و کاهش تلفات آب باید برای کاهش WSR در مناطق شهری در نظر گرفته شود [ ۳ ]. در این زمینه، از جمله برخی معیارها، مانند نشت در خط لوله و مصرف آب در هر قطعه، دقت تجزیه و تحلیل ریسک را افزایش می دهد [ ۱۴ ]. علاوه بر این، اجرای اقدامات کاهش نشت می تواند تقاضای برآورده نشده را کاهش دهد [ ۱۵ ]. علاوه بر این، پیش‌بینی تقاضای آب برآورده نشده از منابع آب یک عنصر برنامه‌ریزی ضروری در تحلیل ریسک آب است [ ۱۶]. علاوه بر این، روش سنتی برآورد تقاضای آب بر اساس پیش بینی های جمعیتی اجازه برنامه ریزی فضایی را نمی دهد، که برای سیستم های تامین آب (WSS) حیاتی است [ ۱۷ ]. بنابراین، این مطالعه با ترکیب تلفات آب و تقاضاهای برآورده نشده در مجموعه ای از عوامل اجتماعی و جغرافیایی که می تواند عملیات تامین آب یک شهر را در شرایط آبی-اقلیمی مطلوب و نامطلوب به دقت شبیه سازی کند، این شکاف ها را پر می کند. رویکردهای سنتی در این حوزه، با این حال، باید برای مقابله با عوامل محرک پیشنهادی در این مطالعه توسعه یابد.
با توجه به ادبیات، پرکاربردترین روش‌ها برای تجزیه و تحلیل خطر سیل، آتش‌سوزی و رانش زمین و انتخاب مکان‌های بهینه پروژه‌های مختلف، مدل‌های تحلیل تصمیم‌گیری چند معیاره (MCDA) و یادگیری ماشینی (ML) هستند [ ۱۸ ، ۱۹ ]. MCDA و ML دو مورد از مهم‌ترین و سریع‌ترین حوزه‌های هوش مصنوعی هستند که رویکردهایی را ارائه می‌کنند که می‌تواند به برنامه‌ریزان شهری در فرآیندهای تصمیم‌گیری کمک کند [ ۲۰ ]. چندین شکل از MCDA توسعه یافته است، مانند فرآیند تحلیل سلسله مراتبی (AHP؛ ساعتی، ۱۹۸۰) و نظریه مطلوبیت چند ویژگی، که تأثیرات انتخاب معیارها و وزن ها را بر تصمیم گیری نهایی نشان می دهد [ ۲۱ ].]. ترکیب AHP با GIS یکی از حیاتی ترین روش هایی است که نقش مهمی در تحلیل فضایی ایفا می کند [ ۲۲ ، ۲۳ ]. با این حال، هر روش ارزیابی دارای مزایا و محدودیت هایی است.
از یک طرف، MCDA دارای معایب قابل توجهی است. پیچیدگی بیهوده فرآیند بهینه سازی به زمان، تلاش، منابع و هزینه های پیاده سازی اضافی نیاز دارد [ ۲۴ ]. نتایج آن با عدم قطعیت و سوگیری ذهنی نظرات کارشناسان مرتبط است. متفاوت از MCDA، ML قابلیت پیش بینی قوی تری دارد. بنابراین، مدل‌های ML از نظر عملکرد پیش‌بینی بهتر از MCDA عمل می‌کنند [ ۱۸ ، ۲۵ ]. از سوی دیگر، در مقایسه با ادغام MCDA و GIS، مزیت اصلی ادغام رویکردهای GIS و ML بهبود عملکرد بر روی نقشه‌های حساسیت حاصله و همچنین زمان پردازش داده‌ها سریع‌تر است [ ۲۶ ].]. اگرچه مدل‌های GIS و ML می‌توانند WSR را برای منطقه مورد مطالعه به طور موثر پیش‌بینی کنند، شناسایی اثرات واقعی عوامل پیوسته (به عنوان مثال، نزدیکی به ایستگاه‌های پمپاژ (PS)، خطوط لوله اصلی و رودخانه‌ها) دشوار است، زیرا اثرات آنها نمی‌تواند توسط مرزهای محله در سراسر منطقه مورد مطالعه. علاوه بر این، تکنیک مرسوم ML با چالش‌های تفسیرپذیری نتیجه مواجه است، در نتیجه استفاده گسترده آن در شناسایی ناهنجاری‌های عناصر مؤثر بر هیدرولوژیکی را محدود می‌کند [ ۲۷ ]. علاوه بر این، دیدگاه‌های انسانی در قضاوت‌های ML نادیده گرفته می‌شوند، اگرچه نظرات افرادی که در معرض آسیب‌پذیری یا خطر هستند، عامل مهمی در تصمیم‌گیری است.
برای به دست آوردن پاسخ های مناسب به مشکلاتی که مناطق شهری با آن روبرو هستند، فرآیند تصمیم گیری باید مستلزم گوش دادن به افکار، نگرانی ها و خواسته های مردم و سپس مشارکت دادن آنها در مشارکت فعال باشد [ ۲۸ ]. به گفته برخی از محققان، مشارکت اجتماعی برای دستیابی به پایداری حیاتی است زیرا گسترش مشارکت عمومی طیف دیدگاه ها را گسترش می دهد و خطوط تضاد احتمالی را بیشتر نمایان می کند [ ۲۹ ]. بنابراین، بازخورد شهروندان یک منبع غنی از اطلاعات به روز را فراهم می کند، که به بهبود کیفیت تحلیل کمک می کند و به پاسخ های متفاوتی نسبت به زمانی که از انواع سنتی داده ها استفاده می شود، منجر می شود [ ۳۰ ].
این مطالعه با هدف توسعه یک رویکرد جدید در حوزه آب شهری برای غلبه بر محدودیت‌ها و چالش‌های رویکردهای سنتی و بهره‌گیری از ویژگی‌های خوب ML، MCDA و GIS است که در مطالعات قبلی ذکر شد. این رویکرد می‌تواند WSR را در مناطق شهری شناسایی کند، سهم هر یک از عوامل محرک را شناسایی کند، مناطق شهر را بر اساس سطح کمبود آب رتبه‌بندی کند و مناطقی را که بیشتر از سایرین تحت تأثیر WSR قرار دارند، تعیین کند. PP ساکنان محلی در این رویکرد به عنوان یک تکنیک جدید برای غلبه بر سوگیری ذهنی و اطمینان از ارزیابی پیشگیرانه فرآیند کاهش در مناطق شهری که با WSR روبرو هستند، اتخاذ شد. بدین ترتیب شهر ناصریه عراق به عنوان منطقه مطالعاتی انتخاب شد. برای این هدف، پنج نوع الگوریتم ML، یعنی ماشین بردار پشتیبانی (SVM)، پرسپترون چند لایه (MLP)،۳۱ ]. علاوه بر این، مدل ششم، توضیح افزودنی شاپلی (SHAP)، برای توضیح یافته‌های مدل‌های فوق‌الذکر گنجانده شد. تکنیک SHAP به افزایش تفسیرپذیری نتایج ML کمک می کند [ ۲۶ و ۲۷ ].

۲٫ روش شناسی

درک مدیریت آب شهری با توجه به طیف وسیعی از شاخص‌های اندازه‌گیری، از جمله کیفیت و کمیت آب آشامیدنی، حاکمیت آب، بهداشت، رفاه انسان، تولید آب، عوامل اجتماعی-اقتصادی، سلامت محیطی و اکولوژیکی و WSR دشوار است [ ۸ ].]. این مطالعه به منظور توسعه یک رویکرد یادگیری ماشینی جدید برای پیش‌بینی WSR در مناطق شهری بر اساس PP انجام شد. با این حال، رویکردهای نظری زمانی که در موارد عملی اجرا می‌شوند با محدودیت‌های زیادی روبرو هستند. بنابراین، یک رویکرد عملی مبتنی بر مشارکت عمومی با تمرکز بر مناطق آسیب‌پذیر در حالی که زمینه‌های فیزیکی و اجتماعی-اقتصادی را در نظر می‌گیرد، پیشنهاد می‌شود. این رویکرد برای تشخیص WSR به دو روش، یعنی پیش‌بینی مستقیم با استفاده از مدل‌های ML و تابع ترکیب خطی وزنی (WLC) در GIS توسعه داده شد. مدل آموزش دیده از متغیرهای مستقل و وابسته ساخته شده است. ده عامل محرک برای متغیرهای مستقل بر اساس بررسی ادبیات، نظرات کارشناسان محلی، و در دسترس بودن داده ها، برای تشخیص WSR در مناطق شهری اتخاذ شد. در مقابل، نتایج PP ارزیابی ریسک کمبود آب به عنوان متغیرهای وابسته، همانطور که در بخش‌های زیر توضیح داده شد، اتخاذ شد. این کار در شهر ناصریه عراق انجام شد.

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه شهر ناصریه عراق است. در امتداد سواحل رود فرات بین عرض‌های جغرافیایی ۳۱ درجه و ۵۰ دقیقه و ۳۰ درجه و ۵۰ دقیقه و ۴۶ درجه و ۰۰ دقیقه شرقی و ۴۶ درجه و ۲۴ دقیقه با ارتفاع ۴۶ درجه و ۲۴ دقیقه قرار گرفته است. تقریباً ۴ متر بالاتر از MSL، همانطور که در شکل ۱ نشان داده شده است. مساحت این منطقه در مجموع حدود ۴۶۰۰۰ هکتار است که ۴۳۰۰ هکتار آن مناطق شهری است که به ۹۳ محله تقسیم شده است و ۲۰۰ هکتار آن نیز اراضی روستایی است که به محلات شهر متصل است. جمعیت آن بالغ بر ۷۰۰۰۰۰ نفر در شهر و ۲۰۰۰۰ نفر در نواحی روستایی (براساس سرشماری محلی ۲۰۲۱) است. این شهر بزرگترین مرکز شهری استان ذی قار است و از نظر جمعیت چهارمین استان عراق است. اگرچه رود اصلی فرات از مرکز شهر ناصریه می گذرد، اما به دلیل شوری زیاد آب رودخانه فرات در این منطقه، آب آن از رودخانه غراف در حدود ۴۰ کیلومتری شهر تامین می شود. رودخانه گاراف شاخه کوچکی از رود دجله است که بیش از میلیون ها ساکن را که بیشتر آنها عمدتاً به کشاورزی متکی هستند، پشتیبانی می کند. علاوه بر این، تغییرات آب و هوایی بر محیط زیست شهر تأثیر گذاشته است. به عنوان مثال، در سال های اخیر، دمای هوا در این منطقه به ۵۲ درجه سانتی گراد در تابستان رسیده است.۳۲ ]. در نتیجه ساکنان منطقه مورد مطالعه به طور مکرر و شدید با کمبود آب مواجه می شوند. اگرچه برخی از محلات به میزان کمتری با کمبود آب مواجه هستند، اما اکثر محله ها به دلیل نابرابری های اجتماعی، اقتصادی و توزیع زیرساخت ها به طور مداوم این مشکل را تجربه می کنند.

۲٫۲٫ انتخاب معیارها

محققان در مورد نیروهای محرک WSR شهری بحث کرده اند. Millington (2018) بیان کرد که شرایط آبی-اقلیمی و مسائل فنی، اجتماعی و نابرابری عوامل محرک مهمی برای WSR شهری هستند [ ۳۳ ]. کوردائو و همکاران (۲۰۲۰) بیان کرد که WSR در شهرها نه تنها با جمعیت، شهرنشینی و تغییرات اقلیمی، بلکه با عدم تعادل آب (عرضه و تقاضای آب)، تخصیص ناعادلانه زیرساخت ها در بین مناطق شهر و موقعیت های اقتصادی مرتبط است [ ۱۴ ]. به طور مشابه، سیموکوندا، فرمانی و باتلر (۲۰۱۸) هفت عامل را که به WSR در مناطق شهری کمک می کنند، از جمله بی عدالتی اجتماعی، جمعیت شناسی و اقتصاد، افزایش تقاضای آب، فشار کم سیستم، تامین برق ناکافی و کمبود آب را برجسته کردند [ ۳۴ ].]. نوری و همکاران (۲۰۲۲) عوامل مختلفی از جمله شرایط محیطی، جغرافیایی، زمین شناسی، اقتصادی، اقلیمی و اجتماعی را مرتبط با WSR در نظر گرفتند [ ۳۵ ]. علاوه بر این، موضوع کمبود آب در یک شهر توسط کروگر، رائو و بورچارد (۲۰۱۹) در چهار عامل اساسی خلاصه شد: (۱) مقدار آب تخصیص یافته به شهر. (۲) امکانات برای تصفیه آب، ذخیره سازی و تحویل. (۳) بودجه پولی برای ساخت و ساز و نگهداری زیرساخت. و (۴) عملکرد مدیریتی برای کنترل و اجرای سیستم آب [ ۳۶ ]. لیو و همکاران (۲۰۲۲) اشاره کرد که برای کوتاه مدت، منبع تغذیه برق به شدت با WSR مرتبط است [ ۳۷ ]]. به طور خلاصه، مکان‌های شهری که با شرایط کم‌آبی یکسانی مواجه هستند (خشکسالی طولانی و شدید) ممکن است به دلایل دیگری که به شرایط اقلیمی مرتبط نیستند، درجات مختلفی از خطر کمبود آب داشته باشند.
علاوه بر این، این مطالعه تحلیل فضایی عوامل ضروری برای تامین آب آشامیدنی خانه‌ها را برجسته کرد. این فرآیند که معمولاً توسط اکثر کشورهای جهان مورد استفاده قرار می گیرد، از طریق سیستمی به نام WSS که از منابع آب به خانه ها می رود، از مراحل بسیاری عبور می کند. مخازن آب، تصفیه خانه های آب (WTP)، PS، تاسیسات تامین برق، شبکه های خط لوله و ذخیره آب داخلی اجزای ضروری تشکیل دهنده این سیستم هستند. با این حال، صرف نظر از هر بخشی از WSS دشوار است. یعنی اگر قسمتی از آن بشکند، آب منازل قطع می شود. بنابراین، عوامل محرک فضایی که نقش مؤلفه‌های WSS را منعکس می‌کنند در این مطالعه اتخاذ شدند. در نتیجه، ده معیار فهرست شده در زیر بر اساس مرور ادبیات انتخاب شدند.

۲٫۲٫۱٫ تقاضای برآورده نشده (C1)

تقاضای برآورده نشده اصطلاحی است که برای بیان تفاوت بین مقدار آب مورد نیاز و مقدار آب تخصیص یافته برای هر گره تقاضا در امتداد رودخانه بر اساس در دسترس بودن آب و اولویت های تقاضا استفاده می شود [ ۳۸ ]. تقاضای آب برای هر شهر معمولاً بر اساس جمعیت و مصرف سرانه آب محاسبه می شود [ ۳۹]. مقدار آب باید به اندازه ای باشد که WTP ها به طور کارآمد برای تولید آب کافی برای همه مناطق مشترک کار کنند. با این حال، اگر آب رودخانه ها نتواند به اندازه کافی نیاز شهر را تامین کند، تقاضا برآورده نمی شود. در نتیجه افزایش تقاضای برآورده نشده WSR را افزایش می دهد. در این کار، از مدل تکامل و برنامه ریزی آب (WEAP) برای محاسبه تقاضای آب برآورده نشده به عنوان یک معیار مورد نیاز استفاده شد که با سایر معیارهای فضایی برای تهیه نقشه های WSR با استفاده از GIS تجمیع شد.
۲٫۲٫۲٫ نزدیکی به حوضه رودخانه (C2)
به گفته اداره توزیع آب یکی از مهم ترین عوامل موثر بر میزان WSR در مناطق شهری فاصله رودخانه تا مخازن آب است. با افزایش مسافت، به دلیل اشتراک های غیر رسمی، نشت آب و تصادفات لوله، تلفات افزایش می یابد. بنابراین، محله‌هایی که آب خود را از مخازن دور از رودخانه‌ها می‌گیرند، نسبت به سایر مناطق شهری بیشتر در معرض کمبود آب هستند [ ۴۰ ، ۴۱ ].
۲٫۲٫۳٫ نزدیکی به PS (C3)
از یک طرف در مقایسه با محله های دورتر از PS، نشت آب در محله های نزدیک به آن به دلیل فشار زیاد بیشتر است. از سوی دیگر، محله های دورتر از PS به دلیل فشار کم آب، بیشتر در معرض خطر کمبود هستند. در نتیجه، ساکنانی که در وسط شهر، بین PS و لبه شهر زندگی می کنند، در موقعیت خوبی برای فشار آب قرار دارند [ ۴۲ ، ۴۳ ، ۴۴ ، ۴۵ ].
۲٫۲٫۴٫ نزدیکی به لوله های اصلی (C4)
فشار آب در مجاورت خطوط لوله اصلی بیشتر از فشار در مناطق نزدیک به انتهای خط لوله است. بنابراین، محله‌های انتهای شبکه اغلب فشار کمتری دارند و در برابر کمبود آب آسیب‌پذیر هستند. در نتیجه، نزدیکی به خطوط لوله اصلی و مقادیر تامین آب یک رابطه خطی منفی دارد [ ۴۶ ].
۲٫۲٫۵٫ عصر لوله های شبکه (C5)
کارایی سیستم توزیع آب در مناطق شهری تا حد زیادی توسط عمر عملیاتی سیستم تعیین می شود. ناهمواری لوله با افزایش سن به دلیل تجمع اجزای مختلف اطراف سطح داخلی لوله‌ها افزایش می‌یابد، که در نتیجه اثرات منفی بر عملکرد سیستم شبکه خط لوله دارد [ ۴۷ ]. بنابراین، با افزایش سن لوله های شبکه، راندمان تامین آب کاهش می یابد [ ۴۸ ].
۲٫۲٫۶٫ ظرفیت مخزن (C6)
ظرفیت مخازن برای کنترل راندمان آبرسانی به محله حیاتی است. با این حال، یک معادله تعادل بین جمعیت و ظرفیت مخازن باید حفظ شود [ ۴۹ ]. این معادله باید در برنامه‌های بلندمدت توسعه لحاظ شود و سیاست‌گذاران رشد جمعیت و گسترش شهرها را به ظرفیت آب شهری مورد نیاز پیوند دهند. بنابراین، ریسک با افزایش ظرفیت مخزن کاهش می یابد [ ۵۰ ].
۲٫۲٫۷٫ تامین برق (C7)
برای ارائه خدمات بدون وقفه، سیستم های آب به سطح کافی از قابلیت اطمینان برق نیاز دارند. WTP و PS برای حفظ جریان آب به محله های شهر به شدت به برق متکی هستند. قطع مکرر برق باعث قطع غیرمنتظره در تحویل آب می شود [ ۳۷ ]. حتی قطعی های جزئی برق ممکن است عواقب عمده ای برای برخی از تاسیسات داشته باشد. بنابراین، افزونگی عرضه یا ظرفیت تولید پشتیبان خطر را کاهش می دهد [ ۵۱ ]. با این حال، WSR و قطع برق یک رابطه خطی مثبت دارند [ ۳۴ ].
۲٫۲٫۸٫ جمعیت (C8)
مصرف آب و جمعیت ارتباط پیچیده ای دارند. تقاضای آب با ضرب مصرف آب به ازای هر نفر در جمعیت برآورد می شود. به عنوان مثال، افزایش جمعیت و تقاضا می تواند تأثیر قابل توجهی بر منابع آب شهری داشته باشد [ ۵۲ ]. علاوه بر این، افزایش جمعیت، کمبود آب را در مناطق شهری تشدید کرده است [ ۵۳ ، ۵۴ ]. محله ای با جمعیت بالاتر نسبت به سایر محله ها در برابر کمبود آب آسیب پذیرتر است.
۲٫۲٫۹٫ تراکم جمعیت (C9)
این فشار نسبی بر روی WSS ایجاد می کند. یک رابطه خطی مثبت بین تراکم جمعیت یک محله و WSR وجود دارد. بنابراین، مناطق با تراکم بالاتر فشار بیشتری بر WSS نسبت به مناطق با تراکم پایین‌تر وارد می‌کنند، حتی اگر جمعیت یکسانی داشته باشند [ ۱۴ ، ۵۵ ، ۵۶ ].
۲٫۲٫۱۰٫ نسبت بیکاری (C10)
به گفته متخصصان تامین آب شهری، بیکاری بر ظرفیت ذخیره آب مسکونی تأثیر می گذارد [ ۵۷ ]. از یک طرف، خانه ها در محله های ثروتمند اغلب با مخازن آب کافی فراهم می شوند [ ۱۴ ]. مخازن خصوصی در زمان کمبود آب به مردم کمک می کنند. از سوی دیگر، خانوارها در محله‌های فقیرنشین، معمولاً با قطع آب از کمبود آب رنج می‌برند [ ۵۸ ].

۲٫۳٫ جمع آوری داده ها

جمع‌آوری داده‌ها مرحله‌ای بود که در آن زمان طولانی و تلاش بیشتری در مقایسه با سایر مراحل این پژوهش صرف شد، زیرا WSS یک سیستم پیچیده و همپوشانی است. در این مرحله، انواع مختلف داده‌ها (یعنی شطرنجی، داده‌های مکانی و داده‌های آماری) از منابع مختلف برای استخراج عوامل محرک WSR جمع‌آوری شد. علاوه بر این، کار نقشه برداری برای تعیین داده های از دست رفته و بررسی مکان های بخش های مختلف WSS مورد نیاز بود. علاوه بر این، با توجه به اینکه داده های اقلیمی ارائه شده توسط ناسا/پیش بینی منابع انرژی در سراسر جهان (POWER) را می توان با اطمینان معقول در تحقیقات علمی استفاده کرد [ ۵۹ ]، داده های آب و هوایی منطقه مورد مطالعه برای دوره ۱۹۸۴-۲۰۲۱ از ناسا دانلود شد. /قدرت. میز ۱انواع داده های جمع آوری شده برای این کار را فهرست می کند.

۲٫۴٫ تولید عوامل محرک

در این مطالعه، GIS برای تامین ورودی‌ها، تحلیل داده‌های مکانی و تجسم WSR در مقیاس همسایگی پیاده‌سازی شد. تکنیک های GIS می توانند عوامل محرک را از پایگاه داده اولیه بر اساس رابطه بین ویژگی های جغرافیایی و WSR ایجاد کنند. در این مطالعه، چندین تکنیک تحلیل فضایی برای استخراج عوامل محرک WSR، همانطور که در شکل ۲ نشان داده شده است، استفاده شد .

۲٫۴٫۱٫ فاصله اقلیدسی و شطرنجی سازی

در یک پروژه GIS، شطرنجی سازی و فاصله اقلیدسی معمولاً برای تبدیل هندسه های برداری (نقاط، خطوط و چندضلعی ها) به تصاویر شطرنجی استفاده می شود. Rasterization بر روی داده های مکانی گسسته استفاده می شود، در حالی که فاصله اقلیدسی در داده های جغرافیایی پیوسته استفاده می شود [ ۶۰ ]. در نتیجه، هفت عامل محرک از داده های جمع آوری شده با استفاده از ابزار شطرنجی سازی بر اساس داده های مشخص شده ساخته شد: جمعیت، تراکم جمعیت، نسبت بیکاری، تقاضای آب برآورده نشده، تامین برق، سن لوله های شبکه و ظرفیت مخازن. این عوامل محرک دارای واحدهای مجزا بودند و در مدلسازی با استفاده از معادله درونیابی خطی (۱) به یک محدوده مشترک (از ۰ تا ۱) نرمال شدند [ ۶۱ ]]. تکنیک نرمال‌سازی امکان مقایسه‌های گویا را فراهم می‌کند که ۱ نشان‌دهنده «ریسک بالا» و ۰ نشان‌دهنده «ریسک کم» است. در مقابل، فاصله اقلیدسی یک تابع مفید بر اساس قضیه فیثاغورث است که فاصله اقلیدسی تا نزدیکترین منبع را برای هر سلول در یک مجموعه داده شطرنجی با استفاده از رابطه (۲) محاسبه می کند [ ۶۲ ]. با استفاده از این تکنیک، داده های مکانی لوله های اصلی، PS، رودخانه و مخازن به شکل شطرنجی تبدیل شدند که نشان دهنده فواصل موجود از آن ویژگی های جغرافیایی تا منطقه بافر باقی مانده است.

yمن=ایکسمن-ایکس.دقیقهایکس.حداکثر-ایکس.دقیقه

که در آن ۰ ≤ yi ≥ ۱، و xi مقدار هر پیکسل در شطرنجی است.

د =ایکس۲-ایکس۱۲+y2-y12

جایی که d فاصله بین ویژگی خاص (لوله های اصلی یا PS) و سایت های باقی مانده است.

۲٫۴٫۲٫ عضویت فازی بزرگ و نزدیک

عضویت بزرگ فازی و عضویت نزدیک فازی دو تابع اصلی تحلیلی فضایی هستند که در این مطالعه استفاده می‌شوند [ ۶۳ ]. از یک طرف، زمانی که مقادیر ورودی بزرگتر احتمال بیشتری دارد که بخشی از مجموعه باشند، تابع بزرگ فازی استفاده می شود، که در آن مقادیر بالاتر از نقطه میانی احتمال عضویت بالاتری دارند و مقادیر کمتر از وسط راه دارای عضویت در حال کاهش هستند. ۶۴ ]. در نتیجه، این تابع در برابر مجموعه داده شطرنجی دو معیار مرتبط (نزدیک به حوضه رودخانه و نزدیکی به خطوط لوله اصلی) بر اساس رابطه ای که در آن درجه WSR با فاصله از خطوط لوله اصلی یا حوضه رودخانه تا افزایش می یابد، اعمال شد. خانوارها یا WTP بر اساس معادله (۳)، همانطور که در شکل ۳ نشان داده شده استآ. از سوی دیگر، تابع نزدیک فازی زمانی بسیار مفید است که عضویت نزدیک به یک مقدار معین باشد [ ۶۵ ]. تابع توسط یک نقطه میانی تعریف می شود که مرکز مجموعه را مشخص می کند [ ۶۶ ]. بر اساس رابطه (۴) و همانطور که در شکل ۳ ب نشان داده شده است، با دور شدن مقادیر از نقطه میانی در جهت مثبت و منفی، عضویت از ۱ به ۰ کاهش می یابد [ ۶۷ ]]. در نتیجه، معیار نزدیکی به PS با استفاده از عضویت نزدیک فازی تعیین شد. این معیار محله هایی را در منطقه مورد مطالعه که نزدیک به مرکز فواصل بین PS و لبه های شبکه خط لوله هستند، تعریف می کند. برعکس، ناحیه نزدیک PS فشار آب بالایی دارد که باعث نشت لوله ها می شود. ناحیه لبه های شبکه خط لوله فشار آب کمتری دارد.

توایکس=۱۱+ایکسf2-f1
توایکس=۱۱+f1ایکس-f22

که در آن f ۱ گسترش تابع، f ۲ نقطه وسط و u ( x ) مقدار عضویت دسته x است.

۲٫۵٫ فرآیند مشارکت عمومی

سطوح خطر در مناطق شهری که توسط ذینفعان یا کارشناسان ارزیابی می شود، اغلب با عدم قطعیت و سوگیری ذهنی در نظرات کارشناسان همراه است. علاوه بر این، دیدگاه‌های انسانی معمولاً در قضاوت‌های ML نادیده گرفته می‌شوند، اگرچه نظرات افرادی که در معرض آسیب‌پذیری یا خطر قرار دارند، عامل مهمی در تصمیم‌گیری است. بنابراین، مشارکت ساکنان در این رویکرد به عنوان یک تکنیک جدید برای غلبه بر سوگیری ذهنی و اطمینان از ارزیابی فعال فرآیند کاهش در مناطق شهری که با WSR مواجه هستند، اتخاذ شد. با این حال، الزامات ایمنی مرتبط با COVID-19 چالش های پیچیده ای را برای انجام مصاحبه با مردم ایجاد کرد. از این رو در این تحقیق از تلفن همراه برای ارتباط با ساکنان محلی با کمک مدیریت محلی شهر ناصریه (منطقه مورد مطالعه) استفاده شد.۶۸ ]. ۵۰ محله به عنوان نمونه شهر انتخاب شدند. حداقل با ۱۰ نفر به عنوان نمایندگان هر محله برای ارزیابی WSR تماس گرفته شد. کارشناسان محلی داده های جمع آوری شده را بررسی کردند و تشخیص دادند که ۳۵ محله در معرض خطر کم آبی هستند.

۲٫۶٫ مدل داده در ML

شهر ناصریه در عراق، با مجموع ۹۴ محله و ۱۰ معیار مربوط به WSR، به عنوان مجموعه داده ورودی مدل ML برای پیش‌بینی WSR و استخراج وزن معیارهای مرتبط با کمبود آب در مناطق شهری انتخاب شد. ابتدا مدل داده و متغیرهای مستقل و وابسته سازماندهی شدند. فرآیند کاهش ویژگی انجام شد و مجموعه‌ای از شش مدل ML برای پیش‌بینی عدم قطعیت در متغیر وابسته ساخته شد. متغیرهای مستقل، مقادیر ۱۰ معیار بودند که توسط یک ابزار مکانی خاص در محیط GIS استخراج شدند. در مقابل، متغیرهای وابسته ارزیابی WSR (خطر بالا، کم خطر) محله‌های شهر با مشارکت ساکنان آن‌ها از طریق PP بود. این ارزیابی نتیجه PP را اتخاذ کرد،شکل ۴ روش بکار گرفته شده در این مقاله را نشان می دهد.

۲٫۷٫ ساخت مدل های ML

چندین مدل ML برای پیش‌بینی WSR، با کمک دو کاربرد رایج ML، Weka و Orange انتخاب شدند . از یک طرف، پیش پردازش داده ها با استفاده از نرم افزار Weka [ ۶۹ ] انجام شد. پیش پردازش داده به آماده سازی داده های اصلی برای استفاده توسط یک مدل ML اشاره دارد که شامل یکپارچه سازی، کاهش، تمیز کردن و تبدیل داده ها می شود. از سوی دیگر، مجموعه مدل های ML با استفاده از نرم افزار Orange شامل مدل های MLP، SVM، KNN، RF، NB و SHAP ساخته شد.

۲٫۷٫۱٫ کاهش ویژگی با استفاده از نرم افزار Weka

بزرگی زیاد ویژگی های ورودی مانع عملکرد ML می شود و تأثیر منفی بر نتایج طبقه بندی دارد. از این نقطه به بعد، کاهش ویژگی یک استراتژی پیش پردازش مورد نیاز قبل از استفاده از مدل‌های ML برای حذف معیارهای نامربوط و اعمال بهترین مدل پیش‌بینی است [ ۷۰ ]. کیفیت اجرای مدل ها اغلب با استفاده از یک استراتژی کاهش ویژگی مناسب قبل از فرآیند آموزش بهبود می یابد [ ۷۱ ]]. در این تحقیق از سه نوع ارزیاب صفت InfoGainAttributeEval، GainRatioAttributeEval و CorrelationAttributeEval استفاده شد که توسط Waikato Environment for Knowledge Analysis نرم افزار Weka نسخه ۳٫۸٫۶ ارائه شده است. InfoGainAttributeEval یک آزمایشگر تک ویژگی است که از الگوریتم رتبه‌بندی استفاده می‌کند، که با استفاده از رویکرد گسسته‌سازی، سود اطلاعات ویژگی‌های انتخاب‌شده را با توجه به کلاس‌های اعلام‌شده اندازه‌گیری می‌کند [ ۷۲ ]. GainRatioAttributeEval ارزیاب دیگری است که با اندازه گیری نسبت بهره در رابطه با خروجی، مقدار عامل را شناسایی می کند [ ۷۳ ]. CorrelationAttributeEval ضریب همبستگی پیرسون را بین خروجی و ورودی ویژگی ها محاسبه می کند [ ۷۴]. علاوه بر این، از رویکرد اعتبارسنجی متقابل ۱۰ برابری الگوریتم برای بهبود عملکرد، کاهش نرخ خطا و افزایش کارایی استفاده شد [ ۷۵ ]. با این حال، هر ارزیاب ویژگی، متغیرهای مستقل را بر اساس مقدار میانگین آنها که به صورت عددی بین ۰ و ۱ بیان می شود، ارزیابی می کند [ ۷۶ ].
۲٫۷٫۲٫ مدل سازی با نرم افزار نارنجی

MLP، SVM، NBC، KNN و RF برای ساخت مدل‌های پیش‌بینی با استفاده از نرم‌افزار داده‌کاوی Orange استفاده شدند. مدل ششم، SHAP نیز برای توضیح یافته‌های آن مدل‌ها اضافه شد. MLP یک شبکه عصبی مصنوعی است که از سه جزء کلیدی تشکیل شده است: یک لایه ورودی، لایه های پنهان (یک لایه یا بیشتر)، و یک لایه خروجی. Feedforward به داده ها اجازه می دهد تا در یک جهت از لایه ورودی از طریق لایه های پنهان به لایه خروجی منتقل شوند [ ۷۷ ]. شبکه های عصبی با یک و به ندرت دو لایه پنهان به طور گسترده در عمل مورد استفاده قرار می گیرند و عملکرد بسیار خوبی از خود نشان داده اند [ ۷۸ ]. تعداد زیادی از لایه های پنهان منجر به افزایش زمان محاسبات و خطر برازش بیش از حد می شود [ ۷۹ ]]. علاوه بر این، تعداد نورون های لایه پنهان را می توان با آزمون و خطا پیدا کرد [ ۸۰ ]. با این حال، در این مطالعه لایه پنهان بر اساس رابطه (۵) [ ۸۱ ] روی یک لایه با ۶ نورون پنهان تنظیم شد.

n=من+o/2،

جایی که i لایه ورودی است و n نشان دهنده تعداد نورون ها در لایه (s) پنهان است.

SVM مجموعه ای از مدل های ML نظارت شده با تابع هسته مرتبط است که ممکن است برای انجام طبقه بندی غیرخطی (SVC) و رگرسیون (SVR) استفاده شود [ ۸۲ ]. در زمینه های مختلفی از جمله سری های زمانی، رگرسیون، تشخیص شخصیت و طبقه بندی (خوشه بندی) استفاده می شود. SVM ممکن است برای تبدیل ورودی غیر خطی به ورودی خطی با استفاده از یک تابع هسته و سپس حل مسائل (مثلاً مسائل خطی) اصلاح شود [ ۸۳ ]. با این وجود، SVM می‌تواند نمونه‌های وزنی را مدیریت کند و یادگیری افزایشی-کاهشی را بر اساس معادله (۶) انجام دهد [ ۷۵ ، ۸۴ ].

f ایکس=wتی φایکس+ب

که در آن b بردار انحراف را نشان می دهد، w وزن و φ (x) تابع نگاشت غیرخطی است.

NBC همچنین می‌تواند داده‌ها را در طیف وسیعی از کلاس‌ها پیش‌بینی و تولید کند، نه اینکه صرفاً محتمل‌ترین کلاس را با اکثر رویکردها ارائه دهد. اگرچه NBC قابل مقایسه با الگوریتم‌های گروه‌بندی نظارت شده پرکاربرد، مانند SVM و MLP است، اما دارای تعدادی پارامتر مهم است که باید به دقت شناسایی و برای نتایج بهتر تنظیم شوند [ ۸۵ ]. علاوه بر این، غیرخطی بودن قوی در NBC، برخلاف SVM، آن را به یک انتخاب عالی برای طبقه‌بندی آسیب‌پذیری شهری تبدیل می‌کند [ ۸۶ ]. KNN یک تکنیک ML شناخته شده، ساده و غیر پارامتری است که در چندین برنامه تشخیص الگو به کار گرفته شده است. بنابراین، بسیاری از دانشگاهیان استفاده از آن را برای مسائل مختلف طبقه بندی به دلیل سادگی و کارایی آن پیشنهاد کرده اند [ ۸۷ ]]. روش‌های مبتنی بر KNN به طور منظم شباهت بین یک مدل آموزشی و یک مدل آزمایشی را با استفاده از فاصله اقلیدسی محاسبه می‌کنند. سپس، KNN بر اساس شباهت‌های محاسبه‌شده شناسایی می‌شود، در نتیجه در نهایت برچسب خروجی مدل آزمایشی، یعنی بیشترین تعداد رای در میان k همسایه‌ها تعیین می‌شود [ ۸۸ ، ۸۹ ]. RF، برخلاف SVM و KNN، می‌تواند داده‌های بسیار ابعادی را تجزیه و تحلیل کند و مسائل مختلفی از جمله طبقه‌بندی، انتخاب ویژگی و رگرسیون را مدیریت کند [ ۹۰ ]. این مدل نتایج هر درخت تصمیم را مطابق با یک تکنیک ترکیبی خاص ترکیب می‌کند تا یک طبقه‌بندی کننده با قابلیت تعمیم خوب ایجاد کند [ ۸۹ ]]. این تکنیک شامل استفاده مجدد از نمونه‌های اولین نمونه‌های آموزشی برای ایجاد تعدادی زیرگروه است. این زیر مجموعه ها چندین طبقه بندی کننده پایه را آموزش می دهند و رای طبقه بندی کننده های پایه بهترین نتایج طبقه بندی را تعیین می کند [ ۹۰ ]. بنابراین، تحقیقات اخیر نشان داده است که انتخاب ویژگی های RF ممکن است به طور قابل توجهی دقت پیش بینی را افزایش دهد [ ۹۱ ].
داده های ورودی مدل آموزشی بود، یعنی ۷۰ درصد از مجموعه داده. متشکل از متغیرهای مستقل بود که ۹ معیار مرتبط تایید شده توسط توابع ارزیاب صفت بودند، در حالی که متغیرهای وابسته ارزیابی WSR در محله‌های شهر بر اساس نظر ساکنان آن‌ها (ریسک بالا، غیرخطر) بود. علاوه بر این، ۳۰ درصد از مجموعه داده به عنوان مدل آزمایشی برای ارزیابی مدل آموزشی با استفاده از شش شاخص (یعنی دقت، حساسیت (یادآوری)، ویژگی، امتیاز F1، دقت طبقه‌بندی (CA) و سطح زیر منحنی (AUC) استفاده شد. ) اندازه گیری ها) برای ارزیابی عملکرد مدل ها. از یک طرف، پس از آموزش تیم مدل‌های ML با استفاده از مدل آموزشی، توانست WSR را برای منطقه مورد مطالعه و همچنین هر منطقه شهری دیگر پیش‌بینی کند. از سوی دیگر، مدل SHAP وزن متغیرهای مستقل (نه معیار) را ارائه کرد و سهم هر عامل را به صورت بصری نشان داد. این وزن ها در WLC در GIS برای تهیه نقشه های WSR از منطقه مورد مطالعه با روش دیگری وارد شدند. میانگین وزن پنج مدل برای تهیه نقشه نهایی استفاده شد.

۲٫۸٫ اعتبارسنجی مدل

اعتبارسنجی مهمترین مرحله در هر فرآیند مدلسازی ML است. در این مطالعه، بخشی از مجموعه داده آزمون ۳۰ درصد برای ارزیابی عملکرد پنج مدل استفاده شد و نتایج اعتبارسنجی با استفاده از چندین شاخص اعتبارسنجی، مانند دقت، حساسیت (یادآوری)، ویژگی، امتیاز F1، CA و اندازه گیری AUC بر اساس معادلات (۷) – (۱۲) [ ۹۲ ]. به طور کلی، دقت نسبت نمونه های مربوطه را در بین نمونه های بازیابی شده نشان می دهد. حساسیت (یادآوری) نشان می دهد که چگونه یک مدل می تواند موارد مثبت را به طور موثر تشخیص دهد. اختصاصی بودن نشان می دهد که چگونه به طور موثر موارد منفی را کشف می کند. و انتظار می رود دقت نشان دهد که چقدر هر دو دسته را به خوبی شناسایی می کند [ ۷۹]. امتیاز F1 میانگین هارمونیک دقت و فراخوانی است که با استفاده از رابطه (۱۲) [ ۹۳ ] محاسبه می شود. AUC ناحیه زیر منحنی مشخصه عملکرد گیرنده (ROC) را نشان می دهد که با استفاده از رابطه (۱۳) تعیین می شود. این یک پارامتر مفید برای ارزیابی عملکرد یک طبقه‌بندی‌کننده و اندازه‌گیری توانایی طبقه‌بندی کننده برای جلوگیری از طبقه‌بندی نادرست است [ ۹۴ ]. علاوه بر این، عملکرد کلی مدل ها با استفاده از پارامتر ارزیابی دقت ROC [ ۹۵ ] تایید شد.

 دقت، درستی=تیپتیپ+افپ
 حساسیت به خاطر آوردن=تیپتیپ+افن
اختصاصی=تینتین+افپ
                       آججتوrآجy=تیپ+تینتیپ+تین+افپ+افن
                         اف۱-سجorه=۲×دقت، درستی ×به خاطر آوردن دقت، درستی+به خاطر آوردن
آUسی=۱۲تیپتیپ+افن+تینتین+افپ
T، F، P و N نشان دهنده درست، نادرست، مثبت و منفی هستند. TP، TN، FP و FN مثبت درست، منفی درست، مثبت کاذب و منفی کاذب هستند.

۲٫۹٫ تولید نقشه های WSR با استفاده از GIS

در این تحقیق نقشه های WSR به دو صورت در GIS تهیه شد. راه اول یک روش سنتی ساده برای ارائه مستقیم نتایج پیش‌بینی مدل‌های ML است. بنابراین، بر اساس نتایج پنج الگوریتم مورد استفاده در این تحقیق، پنج نقشه تهیه شد. راه دوم استفاده از تابع WLC است. در مجموع شش بار اعمال شد و شش نقشه WSR شهری به دست آمد. WLC لایه‌های معیارها و وزن‌های مرتبط با آن‌ها را که به‌صورت جداگانه از هر مدل به‌دست آمد، جمع‌آوری کرد تا پنج نقشه تولید کند. نقشه ششم (نقشه نهایی) با استفاده از میانگین وزن ها بر اساس رابطه (۱۳) [ ۹۶ ] تهیه شد.]. همچنین با استفاده از روش طبقه‌بندی شکست‌های طبیعی جنکس (JNB) در GIS، نقشه‌ها به پنج طبقه‌بندی آسیب‌پذیری آب شهری (خیلی زیاد، زیاد، متوسط، کم و خیلی کم) تقسیم شدند. در نهایت فرآیند ارزیابی بین دو روش با استفاده از شاخص‌های ارزیابی برای اعتبارسنجی نتایج انجام شد.

WSR=∑من=۰nجمنwمن (qمن)،

که در آن n تعداد معیارها را نشان می دهد، w i معیار وزن ( ci ) ، q i مقدار یک معیار ( ci ) و WSR خطر کمبود آب است.

۳٫ نتایج

۳٫۱٫ نتایج کاهش ویژگی

نتایج استفاده از سه الگوریتم رتبه بندی، InfoGainAttributeEval، GainRatioAttributeEval و CorrelationAttributeEval، بینشی را در مورد درجه اهمیت هر معیار از ۱۰ معیار برای کلاس خروجی، همانطور که در جدول ۲ نشان داده شده است، ارائه کرد . با این حال، عوامل بر اساس میانگین شایستگی آنها رتبه بندی می شوند که به عنوان مقداری بین ۰ و ۱ ارائه می شود. ویژگی های با شایستگی پایین (آستانه ۰٫۱) کنار گذاشته شدند. علاوه بر این، فرآیند ارزیابی اعمال شده، که توسط NB انجام شد، تأیید کرد که عملکرد CorrelationAttributeEval دقیق‌تر از دو مورد دیگر است. در نتیجه، تنها یک متغیر مستقل (جمعیت) کنار گذاشته شد.

۳٫۲٫ عملکرد مدل های ML

دقت مدل های آموزشی بر اساس الگوریتم های SVM، MLP، RF، KNN و NB به ترتیب ۰٫۹۲۳، ۰٫۹۲۳، ۰٫۹۲۳، ۰٫۸۸۵ و ۰٫۸۴۶ بود. از یک سو، مجموعه داده (عوامل شرطی) برای پیش‌بینی مستقیم سطح WSR همه مناطق مورد مطالعه وارد مدل‌ها شد. از سوی دیگر، مدل SHAP وزن عوامل شرطی را جمع آوری کرد تا از آنها در روش های WLC برای تولید نقشه های WSR با تکنیک دیگری استفاده کند ( شکل ۵ ).

۳٫۳٫ نتایج تکنیک های GIS

نتایج فرآیند پیش‌بینی مستقیماً با استفاده از برنامه GIS نشان داده شد. بنابراین، پنج نقشه WSR بر اساس مدل ML مورد استفاده تولید شد، همانطور که در سمت چپ شکل ۶ ، شکل ۷ ، شکل ۸ ، شکل ۹ و شکل ۱۰ نشان داده شده است. علاوه بر این، تکنیک WLC پنج بار در محیط GIS برای تولید پنج نقشه WSR برای شهر ناصریه با تکنیک دیگری استفاده شد، همانطور که در سمت راست شکل ۶ ، شکل ۷ ، شکل ۸ ، شکل ۹ و شکل ۱۰ نشان داده شده است.. در این فرآیندها، وزن‌های مجموعه معیار هر بار با توجه به مدل ML تغییر می‌کرد. علاوه بر این، طبقه بندی هر نقشه تولید شده توسط WLC با استفاده از الگوریتم ML مربوطه ارزیابی شد. CA برای نقشه های تولید شده از وزن مدل های NB، RF، KNN، MLP و SVM به ترتیب ۷۸، ۸۴، ۸۵، ۹۰ و ۹۶ درصد بود ( جدول ۳ ). برای دستیابی به دقت بالا، میانگین وزن های تولید شده توسط پنج مدل ML بر روی تابع WLC اعمال شد تا نقشه نهایی ایجاد شود ( شکل ۱۱).) که دقت آن همانطور که در شکل ۱۴ نشان داده شده از بقیه بیشتر بود. بر اساس نقشه نهایی، ۲۶ درصد از جمعیت شهر که در ۱۷ محله زندگی می کنند، تحت WSR بسیار بالا، ۱۳ درصد ساکن هستند. همانطور که در شکل ۱۲ نشان داده شده است، در ۱۸ محله تحت WSR بالا، و بقیه در معرض خطر متوسط ​​تا بسیار کم قرار دارند .

۴٫ اعتبار سنجی

در هر مرحله از این کار یک فرآیند ارزیابی اعمال شد. ابتدا، الگوریتم NB با روش اعتبارسنجی متقاطع ۱۰ برابری برای اعتبار سنجی مرحله ویرایش ویژگی استفاده شد. نتایج نشان داد که دقت عملکرد CorrelationAttributeEval حدود ۹۳% بود در حالی که دقت InfoGainAttributeEval و GainRati-oAt-tributeEval به ترتیب ۹۱٫۶۷% و ۹۱٫۲۵% بودند. سپس، مدل آموزش دیده با استفاده از پنج مدل ML (NB، RF، KNN، SVM و MLP) با استفاده از مجموعه داده آزمایشی از طریق یک ماتریس سردرگمی ارزیابی شد. شش شاخص اعتبارسنجی محاسبه شد: AUC، ACC، F1، دقت، یادآوری و ویژگی، همانطور که در جدول ۴ و شکل ۱۳ نشان داده شده است.. با وجود این واقعیت که مدل آموزش دیده ارزیابی شده توسط MLP از نظر مقادیر AUC بهترین بود، مقادیر ACC پنج مدل ML ثابت کرد که مجموعه داده تقریباً کامل است. در مرحله بعد، شش نقشه تولید شده با وارد کردن وزن به دست آمده از مدل های ML به تکنیک WLC با اعمال مدل ML مربوطه مورد ارزیابی قرار گرفت. CA برای نقشه های تولید شده از وزن مدل های NB، RF، KNN، MLP و SVM به ترتیب ۷۸، ۸۴، ۸۵، ۹۰ و ۹۶ درصد بود ( جدول ۳ ). علاوه بر این، نقشه نهایی که میانگین وزن‌های پنج مدل و تکنیک WLC را اعمال می‌کند، به دقت بالاتری نسبت به پنج وزن دیگر دست یافت، همانطور که در شکل ۱۴ مشاهده می‌شود .

۵٫ بحث

این مطالعه مشکل تامین آب در مناطق شهری را با تجزیه و تحلیل چالش‌های بیرونی و داخلی که باعث WSR می‌شوند، برجسته می‌کند. در مناطق شهری، چالش‌های خارجی با تغییرات آب و هوایی و سهمیه‌بندی شهر از آب نشان داده می‌شود، در حالی که چالش‌های داخلی با نابرابری در مدیریت آب در میان محله‌های شهر نشان داده می‌شود.
اگرچه چالش اول را می توان با استفاده از مدل های هیدرولوژیکی سنتی درک کرد، اما به دلیل سوگیری ذهنی، به دست آوردن درک عمیق از چالش دوم با روش های مرسوم که نظرات کارشناسان را برای تعیین مناطق آسیب پذیر شهری اتخاذ می کند، دشوار است. بنابراین در این تحقیق یک سوال پژوهشی مطرح می‌شود، یعنی آیا نظرات افراد آسیب‌پذیر در برابر WSR نسبت به نظرات کارشناسان به واقعیت نزدیک‌تر است؟ برای پرداختن به این مشکل، این مطالعه از PP برای ارائه یک رویکرد جدید در تشخیص مناطق شهری که در برابر WSR آسیب‌پذیر هستند با ادغام ML و GIS استفاده کرد. رویکرد جدید ارائه شده در این مطالعه نشان داد که نظرات مردم با نتیجه تجمع نیروهای محرک WSR مطابقت دارد.
نتایج این کار نشان داد که رویکرد جدید ترکیب PP با ML و GIS یک تکنیک موثر برای کاوش ریسک‌های شهری به‌طور کلی و WSR به‌ویژه است. هر پنج مدل ML که در این کار استفاده شد نشان داد که دقت مجموعه داده تقریباً کامل است. دقت مجموعه داده با انجام MLP، SVM، KNN، RF و NBC به ترتیب ۰٫۹۲۳، ۰٫۹۲۳، ۰٫۸۸۵، ۰٫۹۲۳ و ۰٫۸۴۶ بود. اگرچه مدل های ML WSR را برای منطقه مورد مطالعه به طور موثر پیش بینی کردند، اما تعیین اثرات واقعی عوامل پیوسته، مجاورت به PS، مجاورت با خطوط لوله اصلی و نزدیکی به رودخانه های منطقه مورد مطالعه به دلیل اثرات عوامل پیوسته دشوار است. توسط مرزهای محله ها مسدود شود. از این رو،۳۱ ].
اگر نتیجه مقایسه بین طبقه‌بندی‌های مبتنی بر روش پیش‌بینی ML و WLC که از میانگین وزن‌ها استفاده می‌کند، تأیید شود، این پیشنهاد قانع‌کننده خواهد بود. با این حال، CA از پنج نقشه WSR که به صورت جداگانه از وزن الگوریتم‌های NB، RF، KNN، MLP و SVM تولید شده‌اند، در مقایسه با طبقه‌بندی به ترتیب ۷۸، ۸۴، ۸۵، ۹۰ درصد و ۹۶ درصد بود. که مستقیماً با پیش‌بینی مدل تولید شد. اگرچه CA نقشه تولید شده با استفاده از وزن های مدل SVM به دقت بالایی (۹۶٪) دست یافت، نقشه نهایی WSR با استفاده از میانگین وزن های پنج مدل به ۹۹٪ رسید، همانطور که در شکل ۱۱ نشان داده شده است.. علاوه بر این، این رویکرد با موفقیت اثرات عوامل پیوسته را نشان داد که نمی‌توان آن‌ها را توسط مرزهای محله در سراسر منطقه مورد مطالعه مسدود کرد، همانطور که در شکل ۱۵ نشان داده شده است. بنابراین، نتایج قابلیت رویکرد جدید برای تشخیص WSR با دقت بالا را تایید کرد.
فرآیند تجزیه و تحلیل عوامل محرک انجام شده توسط مدل SHAP نشان داد که معیارهای ظرفیت مخازن، تقاضای آب برآورده نشده و نزدیکی به رودخانه بیشترین وزن (به ترتیب ۲۹، ۱۹ و ۱۲ درصد) را در بین سایر معیارها به خود اختصاص دادند. ، همانطور که در شکل ۵ نشان داده شده است. بنابراین، ۶۰٪ از تصمیم گیری تنها به این سه معیار بستگی داشت، در حالی که هر شش معیار تنها در ۴۰٪ از تصمیم گیری نقش داشتند. بنابراین، تصمیم گیرنده باید این نتیجه را زمانی که فرآیندهای کاهش WSR در حال انجام است در نظر بگیرد. با این حال، نتایج نشان داد که به دلیل توزیع فضایی WSS شهری، تغییری در تامین آب در این شهر وجود دارد. نقشه نهایی نشان داد که ۲۶ درصد از جمعیت شهر که در ۱۷ محله زندگی می کنند، تحت WSR بسیار بالا قرار داشتند. همانطور که در شکل ۱۲ نشان داده شده است، ۱۳ درصد که در ۱۸ محله زندگی می کنند، تحت WSR بالا و بقیه در معرض خطر متوسط ​​تا بسیار کم قرار دارند.. این نتیجه فرضیه این مطالعه را تأیید کرد: که نابرابری در مدیریت توزیع آب در همان منطقه شهری یک چالش مهم است که منجر به WSR می‌شود.
متفاوت از رویکردهای سنتی، این رویکرد جدید همه عوامل کمک کننده برای تامین آب، از رودخانه تا خانه را در نظر گرفت تا دلایل واقعی WSR در مناطق شهری را تحلیل کند [ ۱۱ ، ۱۲ ، ۱۴ ]. علاوه بر این، در مقایسه با تحقیقات اخیر، این مطالعه تجزیه و تحلیل نظری کاهش WSR با کاهش تلفات آب را اتخاذ کرد. بنابراین، این تحلیل در فرآیند استخراج معیارهای مربوطه، مانند نزدیکی به PS و نزدیکی به رودخانه، اتخاذ شد [ ۳ ، ۱۷ ]. علاوه بر این، تکنیک‌های مدرن (یعنی عضویت بزرگ فازی و عضویت نزدیک فازی) در فرآیند اشتقاق استفاده شد [ ۹۳ ، ۹۷]. با این حال، در زمینه مدیریت ریسک، مدل‌های یادگیری ماشینی اغلب برای محیط‌های فضایی مشابه قابل استفاده هستند. بنابراین، مدل آموزشی پیشنهادی از تجزیه و تحلیل فضایی اجزای اساسی یک سیستم آبرسانی معمولی (WSS) ساخته شده است که معمولاً توسط اکثر کشورهای جهان استفاده می‌شود. مدل آموزشی شامل چندین متغیر مستقل، یعنی ۱۰ عامل محرک فضایی است که نقش مؤلفه‌های WSS را که از منابع آب تا منازل اجرا می‌شود، و یک متغیر وابسته، یعنی وضعیت آب هر بخش از یک منطقه شهری را منعکس می‌کند. علاوه بر این، کیفیت اجرای مدل با استفاده از سه نوع ارزیاب ویژگی برای حذف عوامل محرک نامربوط و اعمال بهترین مدل پیش‌بینی بهبود یافت. از این رو،
رویکرد پیشنهادی را می توان به سایر زمینه ها تعمیم داد تا از تصمیم گیرندگان در کاهش درجه آسیب پذیری در مناطق شهری در کشورهای توسعه یافته و در حال توسعه حمایت کند. با این حال، تضمین صحت داده های مورد نیاز در این مطالعه دشوار است. از یک طرف، WSS در یک شهر پیچیده است. از سوی دیگر، رویکرد PP در کشورهای در حال توسعه با محدودیت های زیادی در جمع آوری نظرات مردم در مورد خدمات اصلی ارائه شده توسط دولت مواجه است. اگرچه نسبت عدم قطعیت به دلیل دقت داده‌های جمع‌آوری‌شده با نتایج مرتبط بود، رویکرد جدید نتایج را به شکل واضحی تفسیر کرد، که به تصمیم‌گیرندگان اجازه می‌دهد از اکتشاف فعال WSR شهری حمایت کنند و جایگزین‌های مناسب را در زمان مناسب انتخاب کنند.

۶٫ نتیجه گیری

درک امنیت آب شهری با استفاده از روش‌های سنتی به دلیل طیف وسیعی از شاخص‌های اندازه‌گیری، از جمله کیفیت و کمیت آب آشامیدنی، نیازهای انسانی، شاخص‌های اجتماعی-اقتصادی و خطرات مرتبط با آب، دشوار است. بنابراین، هدف اصلی کار حاضر توسعه رویکردی جدید بر اساس PP و ML در حوزه مدیریت آب شهری بود. برای این منظور از GIS همراه با شش مدل معمولی ML به نام‌های SVM، MLP، KNN، RF، NB و SHAP استفاده شد. یافته‌ها تأیید کردند که به طور کلی، رویکرد جدید در تشخیص WSR در منطقه شهری مؤثر است. این آزمایش نقش مهم PP را در فرآیند کاهش در مورد WSR در جوامع شهری تایید کرد. علاوه بر این، یافته‌های این تحقیق نشان می‌دهد که میانگین وزن عوامل شرطی استخراج‌شده توسط پنج مدل ML از نظر زمان، هزینه و دقت در مقایسه با روش‌های سنتی که MCDA و ML را در حوزه ریسک‌های شهری اتخاذ می‌کنند، بهترین هستند. بنابراین، این مطالعه یک رویکرد جدید به حوزه مدیریت آب شهری اضافه می‌کند که می‌تواند برای حمایت از تصمیم‌های پیشگیرانه برای کاهش خطرات استفاده شود. با این حال، دسترسی به داده های مورد نیاز به دلیل مقررات محدود مدیریت محلی WSS یک چالش مهم برای این مطالعه است. مطالعه بیشتر می تواند این رویکرد را برای تعیین WSR در مقیاس خیابان به جای سطح محله توسعه دهد. آب به طور قابل توجهی بر حفظ زندگی، سلامت محیط زیست و حتی نوآوری فرهنگی تأثیر می گذارد. بنابراین، مردم در سراسر جهان دعوت می شوند تا تلاش های فوق العاده ای برای رسیدگی به کمبود آب انجام دهند.

منابع

  1. یوهانسن، OM; Shalina، EV افزایش جمعیت بر اقلیم تأثیر می گذارد و از قطب شمال به عنوان مثال استفاده می کند. اقیانوس اتمسفر. علمی Lett. ۲۰۲۲ ، ۱۵ ، ۱۰۰۱۹۲٫ [ Google Scholar ] [ CrossRef ]
  2. Gesualdo، GC; Sone، JS; Galvão، CDO; مارتینز، ES; مونته نگرو، SMGL؛ تومازلا، جی. مندیوندو، EM پرده برداری از امنیت آب در برزیل: چالش های فعلی و چشم اندازهای آینده. هیدرول. علمی J. ۲۰۲۱ , ۶۶ , ۷۵۹-۷۶۸٫ [ Google Scholar ] [ CrossRef ]
  3. احمدی، ام اس; سوشنیک، جی. ویربیک، دبلیو. Zevenbergen، C. به سوی یک روز جهانی صفر؟ ارزیابی عرضه و تقاضای آب فعلی و آتی در ۱۲ کلان شهر به سرعت در حال توسعه حفظ کنید. جامعه شهرها ۲۰۲۰ , ۶۱ , ۱۰۲۲۹۵٫ [ Google Scholar ] [ CrossRef ]
  4. لو، پی. سان، ی. وانگ، اس. وانگ، اس. لیو، جی. ژو، ام. ناکاگامی، ک. تاکارا، ک. هیچ، D. ارزیابی تاریخی و چالش های پایداری آینده مدیریت منابع آب مصر. جی. پاک. تولید ۲۰۲۰ ، ۲۶۳ ، ۱۲۱۱۵۴٫ [ Google Scholar ] [ CrossRef ]
  5. رفیعی، ف. قره چلو، س. گولیان، س. جانسون، BA آبخوان و ارزیابی تعامل فرونشست زمین با استفاده از داده های Sentinel-1 و تکنیک DInSAR. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۴۹۵٫ [ Google Scholar ] [ CrossRef ]
  6. البرقونی، MMY; یاگمور، ن. Balcik، FB; Sekertekin، A. ارزیابی تغییرات مکانی-زمانی در وسعت سطح آب و دمای سطح دریاچه با استفاده از موتور Google Earth برای منطقه دریاچه ها، ترکیه. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۴۰۷٫ [ Google Scholar ] [ CrossRef ]
  7. هانون، SK; عبدالله، اف. شفری، HZM; Wayayok، A. استفاده از تکنیک طبقه بندی نظارت شده برای پایش سیستم های هیدرولوژیکی باتلاق های بین النهرین در استان ذی قار (عراق). در مجموعه مقالات IGARSS 2022-2022 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، کوالالامپور، مالزی، ۱۷ تا ۲۲ ژوئیه ۲۰۲۲؛ صص ۶۱۸۹–۶۱۹۲٫ [ Google Scholar ]
  8. چاپاگین، ک. Aboelnga، HT; بابل، ام اس; ریب، ال. شینده، VR؛ شارما، دی. Dang، NM امنیت آب شهری: ارزیابی تطبیقی ​​و تحلیل سیاست پنج شهر در کشورهای مختلف در حال توسعه آسیا. محیط زیست توسعه دهنده ۲۰۲۲ ، ۴۳ ، ۱۰۰۷۱۳٫ [ Google Scholar ] [ CrossRef ]
  9. اصغر، ع. اقبال، ج. امین، ع. Ribbe، L. مدل‌سازی هیدرولوژیکی یکپارچه برای ارزیابی تقاضا و عرضه آب تحت سناریوهای تغییر اقلیم اجتماعی-اقتصادی و IPCC با استفاده از WEAP در حوضه سند مرکزی. J. Water Supply Res. تکنولوژی ۲۰۱۹ ، ۶۸ ، ۱۳۶-۱۴۸٫ [ Google Scholar ] [ CrossRef ]
  10. یوسف، م. راپانتووا، ن. یونس، JH مدیریت آب پایدار در عراق (کردستان) به عنوان یک چالش برای مسئولیت دولتی. Water ۲۰۱۸ ، ۱۰ ، ۱۶۵۱٫ [ Google Scholar ] [ CrossRef ]
  11. اوگوگدال، HA; خبیزا، من; مسولی، م. Lachir، A. ارزیابی تقاضا و عرضه آب در آینده تحت تغییرات آب و هوایی IPCC و سناریوهای اجتماعی-اقتصادی، با استفاده از ترکیبی از مدل‌ها در حوضه اوریکا، اطلس بالا، مراکش. Water ۲۰۲۰ ، ۱۲ ، ۱۷۵۱٫ [ Google Scholar ] [ CrossRef ]
  12. امین، ع. اقبال، ج. اصغر، ع. Ribbe، L. تجزیه و تحلیل تقاضای آب فعلی و آینده در حوضه سند فوقانی تحت شرایط آب و هوایی و اجتماعی-اقتصادی IPCC با استفاده از مدل WEAP آبی-اقتصادی. Water ۲۰۱۸ , ۱۰ , ۵۳۷٫ [ Google Scholar ] [ CrossRef ]
  13. الوان، IA; عزیز، ن.ا. حمودی، شناسایی مکان‌های برداشت آب بالقوه MN با استفاده از ارزیابی چند معیاره فضایی در استان میسان، عراق. ISPRS Int. J. Geo-Inf. ۲۰۲۰ ، ۹ ، ۲۳۵٫ [ Google Scholar ] [ CrossRef ]
  14. د سوسا کوردائو، ام جی; روفینو، IAA؛ باروس رامالهو آلوز، پ. Barros Filho، MNM نقشه برداری خطر کمبود آب: یک رویکرد GIS-MCDA برای یک شهر متوسط ​​در منطقه نیمه خشک برزیل. Urban Water J. ۲۰۲۰ , ۱۷ , ۶۴۲-۶۵۵٫ [ Google Scholar ] [ CrossRef ]
  15. الجوعیدی، ع. الشطیری، AS ارزیابی گزینه های سیستم تامین آب شهری با استفاده از سیستم ارزیابی و برنامه ریزی آب (WEAP): مطالعه موردی جده. آب شیرین کن. ۲۰۲۰ ، ۱۷۶ ، ۳۱۷-۳۲۳٫ [ Google Scholar ] [ CrossRef ]
  16. چینی، سی ام; Stillwell، مدل AS One با همه مناسب نیست: شاخص‌های پایین به بالا استفاده از آب مسکونی، توضیح محدودی در مورد جریان آب شهری ارائه می‌دهند. J. Sustain. محیط ساخته شده با آب ۲۰۲۰ , ۶ , ۰۴۰۲۰۰۱۱٫ [ Google Scholar ] [ CrossRef ]
  17. روفینو، آی. جورجویچ، اس. د بریتو، HC; Alves، PBR شبکه‌های ساخته‌شده چند زمانی شهرهای برزیل: چگونه روندها و مدل‌سازی پویا می‌تواند به چالش‌های تاب‌آوری کمک کند؟ پایداری ۲۰۲۱ ، ۱۳ ، ۷۴۸٫ [ Google Scholar ] [ CrossRef ]
  18. خسروی، ک. شهابی، ح. فام، بی تی؛ آداموفسکی، جی. شیرزادی، ع. پرادان، بی. دوو، جی. لی، H.-B. گروف، جی. هو، اچ ال. و همکاران ارزیابی مقایسه‌ای مدل‌سازی حساسیت سیل با استفاده از روش‌های تحلیل تصمیم‌گیری چند معیاره و یادگیری ماشینی. جی هیدرول. ۲۰۱۹ ، ۵۷۳ ، ۳۱۱-۳۲۳٫ [ Google Scholar ] [ CrossRef ]
  19. ساچیت، ام اس; شفری، HZM; عبدالله، اف. رافعی، ASM; جبرئیل، نقشه برداری مناسب فضایی جهانی MBA از سیستم های بادی و خورشیدی با استفاده از یک رویکرد مبتنی بر هوش مصنوعی قابل توضیح. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۴۲۲٫ [ Google Scholar ] [ CrossRef ]
  20. مارتین، ک. Kadziński، M. یادگیری ترجیحی عمیق برای تجزیه و تحلیل تصمیم گیری چند معیاره. یورو جی. اوپر. Res. ۲۰۲۳ ، ۳۰۵ ، ۷۸۱-۸۰۵٫ [ Google Scholar ] [ CrossRef ]
  21. روی، ا. کار، بی. چارچوب تجزیه و تحلیل تصمیم چند معیاره برای اندازه گیری دسترسی عادلانه به مراقبت های بهداشتی در طول COVID-19. J. Transp. شفا دادن. ۲۰۲۲ ، ۲۴ ، ۱۰۱۳۳۱٫ [ Google Scholar ] [ CrossRef ]
  22. هانون، SK; عبدالله، اف. شفری، HZM; Wayayok، A. استفاده از مدل‌سازی سناریو برای سازگاری با شهرنشینی و کمبود آب: به سوی شهری پایدار در مناطق نیمه خشک. دوره زمانی. مهندس نات. علمی (PEN) ۲۰۲۱ ، ۱۰ ، ۵۱۸-۵۳۲٫ [ Google Scholar ] [ CrossRef ]
  23. Almansi، KY; شریف، ARM; عبدالله، اف. اسماعیل، ارزیابی سایت بیمارستان SNS با استفاده از سه رویکرد یادگیری ماشینی: شواهدی از نوار غزه در فلسطین. Appl. علمی ۲۰۲۱ ، ۱۱ ، ۱۱۰۵۴٫ [ Google Scholar ] [ CrossRef ]
  24. کومار، پی. شارما، آر. تکنیک‌های Bhaumik، S. MCDA در بهینه‌سازی وزن‌ها و رتبه‌بندی مدل DRASTIC برای ارزیابی آسیب‌پذیری آب‌های زیرزمینی استفاده می‌شوند. اطلاعات علمی مدیریت ۲۰۲۲ ، ۵ ، ۲۸-۴۱٫ [ Google Scholar ] [ CrossRef ]
  25. Nachappa، TG; پیرالیلو، ST; غلام نیا، ک. قربانزاده، ا. رحمتی، ا. Blaschke، T. نگاشت حساسیت سیل با یادگیری ماشین، تجزیه و تحلیل تصمیم گیری چند معیاره و مجموعه با استفاده از نظریه Dempster Shafer. جی هیدرول. ۲۰۲۰ , ۵۹۰ , ۱۲۵۲۷۵٫ [ Google Scholar ] [ CrossRef ]
  26. ایبان، ام سی; Sekertekin، A. نقشه‌برداری حساسیت آتش‌سوزی مبتنی بر یادگیری ماشین با استفاده از داده‌های آتش‌سوزی سنجش از دور و GIS: مطالعه موردی استان‌های آدانا و مرسین، ترکیه. Ecol. آگاه کردن. ۲۰۲۲ ، ۶۹ ، ۱۰۱۶۴۷٫ [ Google Scholar ] [ CrossRef ]
  27. وانگ، اس. پنگ، اچ. هو، کیو. جیانگ، ام. تجزیه و تحلیل عوامل محرک تولید رواناب بر اساس مدل هیدرولوژیکی و روش یادگیری ماشین قابل تفسیر. جی هیدرول. Reg. گل میخ. ۲۰۲۲ ، ۴۲ ، ۱۰۱۱۳۹٫ [ Google Scholar ] [ CrossRef ]
  28. Haltofova، B. استفاده از جمع سپاری برای حمایت از مشارکت مدنی در برنامه ریزی استراتژیک توسعه شهری: مطالعه موردی Ostrava، جمهوری چک. J. Competitiveness ۲۰۱۸ ، ۱۰ ، ۸۵-۱۰۳٫ [ Google Scholar ] [ CrossRef ]
  29. اوبرت، ق. اسکولیر، اف. Lienert, J. توصیه هایی برای استخراج آنلاین وزنه های نوسانی از سوی شهروندان در تصمیم گیری های زیست محیطی. اپراتور Res. چشم انداز ۲۰۲۰ ، ۷ ، ۱۰۰۱۵۶٫ [ Google Scholar ] [ CrossRef ]
  30. باگ، جی. گرانل، سی. فونت، O.; هوئرتا، ​​جی. Painho، M. ارزیابی مشارکت عمومی GIS و فن آوری های وب ۲٫۰ در برنامه ریزی شهری در Canela، برزیل. شهرها ۲۰۱۰ ، ۲۷ ، ۱۷۲-۱۸۱٫ [ Google Scholar ] [ CrossRef ]
  31. لی، دبلیو. شی، ی. هوانگ، اف. هونگ، اچ. Song، G. عدم قطعیت‌های پیش‌بینی حساسیت فروپاشی بر اساس سنجش از دور و GIS: اثرات مدل‌های مختلف یادگیری ماشین. جلو. علوم زمین ۲۰۲۱ ، ۹ ، ۷۳۱۰۵۸٫ [ Google Scholar ] [ CrossRef ]
  32. ساچیت، ام اس; شفری، HZM; عبدالله، اف. رفیعی، ASM ترکیبی از داده‌های آب و هوایی و محصولات پوشش زمین برای ارزیابی مکمل زمانی منابع باد و خورشید در عراق. پایداری ۲۰۲۲ ، ۱۴ ، ۳۸۸٫ [ Google Scholar ] [ CrossRef ]
  33. Millington، N. تولید کمبود آب در سائوپائولو، برزیل: بحران آب ۲۰۱۴-۲۰۱۵ و سیاست الزام آور زیرساخت ها. Politi-Geogr. ۲۰۱۸ ، ۶۵ ، ۲۶-۳۴٫ [ Google Scholar ] [ CrossRef ]
  34. سیموکوندا، ک. فرمانی، ر. باتلر، دی. سیستم های تامین آب متناوب: عوامل علت، مشکلات و گزینه های راه حل. Urban Water J. ۲۰۱۸ , ۱۵ , ۴۸۸–۵۰۰٫ [ Google Scholar ] [ CrossRef ]
  35. نوری، ع. بنکداری، ح. حسنی نیا، م. مروتی، ک. خورشیدی، ط. نوری، ع. قره باغی، ب. مدل قابل اعتماد FAHP-FTOPSIS مبتنی بر GIS برای اولویت بندی سناریوهای مدیریت تامین آب شهری: مطالعه موردی در اقلیم نیمه خشک. حفظ کنید. جامعه شهرها ۲۰۲۲ ، ۸۱ ، ۱۰۳۸۴۶٫ [ Google Scholar ] [ CrossRef ]
  36. کروگر، EH; رائو، PSC; Borchardt, D. کمی سازی امنیت تامین آب شهری تحت تغییرات جهانی. گلوب. محیط زیست چانگ. ۲۰۱۹ ، ۵۶ ، ۶۶-۷۴٫ [ Google Scholar ] [ CrossRef ]
  37. لیو، ی. تان، Q. ژانگ، ایکس. هان، جی. Guo, M. چگونه حالت عرضه برق بر پیوند انرژی-آب-انتشار در سیستم انرژی شهری تأثیر می گذارد؟ شواهدی از تحول انرژی در پکن، چین. جی. پاک. تولید ۲۰۲۲ ، ۳۶۶ ، ۱۳۲۸۹۲٫ [ Google Scholar ] [ CrossRef ]
  38. دالیسون، RJ; پاتیل، SD; ویلیامز، AP تأثیرات تغییرات آب و هوایی بر دسترسی به آب در آینده برای نیروگاه های آبی و تامین آب عمومی در ولز، انگلستان. جی هیدرول. Reg. گل میخ. ۲۰۲۱ ، ۳۶ ، ۱۰۰۸۶۶٫ [ Google Scholar ] [ CrossRef ]
  39. منا، د. سولرا، ا. رسترپو، ال. پیمینتو، م. کانون، ام. Duarte، F. تجزیه و تحلیل تقاضای آب برآورده نشده تحت سناریوهای تغییر آب و هوا در حوضه رودخانه Gualí، کلمبیا، از طریق اجرای ابزارهای مدل‌سازی هیدرولوژیکی هیدرولوژیکی و تسلیحاتی. جی. آب و هوا. چانگ. ۲۰۲۱ ، ۱۲ ، ۱۸۵-۲۰۰٫ [ Google Scholar ] [ CrossRef ]
  40. سواری، م. مومبنی، ع. ایزدی، ح. عوامل اجتماعی-روانی تعیین کننده رفتارهای کاهش مصرف آب توسط خانوارهای روستایی ایران. علمی Rep. ۲۰۲۲ , ۱۲ , ۱-۱۲٫ [ Google Scholar ] [ CrossRef ]
  41. وی، SY; آریس، AZ; یوسف، اف.ام. Praveena, SM; هارون، آر. مصرف آب آشامیدنی و ارتباط بین خطرات واقعی و درک شده ترکیبات مختل کننده غدد درون ریز. npj Clean Water ۲۰۲۲ ، ۵ ، ۱–۱۰٫ [ Google Scholar ] [ CrossRef ]
  42. ژوانگ، جی. Sela, L. تاثیر سناریوهای صرفه جویی آب در حال ظهور بر عملکرد شبکه های آب شهری. ج. منبع آب. طرح. مدیریت ۲۰۲۰ , ۱۴۶ , ۰۴۰۱۹۰۶۳٫ [ Google Scholar ] [ CrossRef ]
  43. اریگیت، م. سلیمان، SO تعیین منابع آب بهینه بر اساس رابطه هزینه-فایده برای سکونتگاه ها توسط سیستم ایمنی مصنوعی: مطالعه موردی شهر رطبه، عراق. تامین آب ۲۰۲۲ ، ۲۲ ، ۵۸۷۳-۵۸۸۱٫ [ Google Scholar ] [ CrossRef ]
  44. ویسنته، دی جی؛ گاروت، ال. سانچز، آر. Santillán، D. مدیریت فشار در سیستم های توزیع آب: وضعیت فعلی، پیشنهادات، و روندهای آینده. ج. منبع آب. طرح. مدیریت ۲۰۱۶ , ۱۴۲ , ۰۴۰۱۵۰۶۱٫ [ Google Scholar ] [ CrossRef ]
  45. زیود، ش. کافمن، ال جی؛ شاهین، ح. سامهن، س. Fuchs-Hanusch، D. چارچوبی برای مدیریت از دست دادن آب در کشورهای در حال توسعه تحت محیط فازی: ادغام AHP فازی با فازی TOPSIS. سیستم خبره Appl. ۲۰۱۶ ، ۶۱ ، ۸۶-۱۰۵٫ [ Google Scholar ] [ CrossRef ]
  46. هاشمی، س. فیلیون، ی. اسپایت، وی. لانگ، الف. اثر اندازه و مکان لوله بر افت هد اصلی آب در سیستم‌های توزیع آب. ج. منبع آب. طرح. مدیریت ۲۰۲۰ , ۱۴۶ , ۰۶۰۲۰۰۰۶٫ [ Google Scholar ] [ CrossRef ]
  47. لطیف، ج. شاکر، MZ; ادواردز، ن. یاسزیکوفسکی، م. رمضان، ن. ادواردز، وی. بررسی تکنیک های نظارت بر وضعیت خطوط لوله آب. Measurement ۲۰۲۲ , ۱۹۳ , ۱۱۰۸۹۵٫ [ Google Scholar ] [ CrossRef ]
  48. زیلینا، م. بیلسکی، آ. Młyńska، A. شسته شدن کروم و سرب از پوشش ملات سیمان به آب آشامیدنی جاری اندکی پس از بازسازی خط لوله. جی. پاک. تولید ۲۰۲۲ ، ۳۶۲ ، ۱۳۲۵۱۲٫ [ Google Scholar ] [ CrossRef ]
  49. موسی، بی. تریودی، پ. سلیم، ح. زیدی، SJ نمک زدایی در کشورهای شورای همکاری خلیج فارس – بررسی. جی. پاک. تولید ۲۰۲۲ ، ۳۵۷ ، ۱۳۱۷۱۷٫ [ Google Scholar ] [ CrossRef ]
  50. پیسارا، TCT؛ فرناندز، LFS; Pacheco، FAL تولید آب پاک در حوضه های آبریز کشاورزی: ​​مدلی مبتنی بر پرداخت برای خدمات زیست محیطی. علمی کل محیط. ۲۰۲۱ ، ۷۸۵ ، ۱۴۷۳۳۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  51. یان، ایکس. جی، دبلیو. مینجون، اس. شویانگ، دبلیو. Zhuoying، Z. عدم تعادل منطقه ای چین در تقاضای برق، برق و قیمت آب – از دیدگاه انتقال آب مجازی مرتبط با برق. انرژی ۲۰۲۲ ، ۲۵۷ ، ۴۲-۵۰٫ [ Google Scholar ] [ CrossRef ]
  52. بختیاری، PH; نیکو، آقا؛ ایزدی، ع. طالب‌بدختی، ن. مدل بهینه‌سازی مبتنی بر ریسک مبتنی بر عامل برای مدیریت یکپارچه آب شهری. حفظ کنید. جامعه شهرها ۲۰۲۰ , ۵۳ , ۱۰۱۹۲۲٫ [ Google Scholar ] [ CrossRef ]
  53. وانگ، Z.-H. فون گنختن، آر. سامپسون، دی. احیای فاضلاب سفید، DD کلیدی برای پایداری آب در توسعه شهری آینده منطقه شهری فونیکس است. پایداری ۲۰۱۹ ، ۱۱ ، ۳۵۳۷٫ [ Google Scholar ] [ CrossRef ]
  54. چاندرا، جی. چاکرابورتی، ام. سینها، الف. چارچوبی برای ارزیابی ویژگی های مصرف آب کارآمد و اهمیت نسبی آنها در مجتمع های اداری. آسیایی جی آب، محیط زیست. آلودگی ۲۰۱۷ ، ۱۴ ، ۶۵-۷۴٫ [ Google Scholar ] [ CrossRef ]
  55. دیائو، ک. سیتزنفری، آر. راوچ، دبلیو. تأثیر الگوهای تقاضای متغیر فضایی بر طراحی و عملیات سیستم توزیع آب. Water ۲۰۱۹ , ۱۱ , ۵۶۷٫ [ Google Scholar ] [ CrossRef ]
  56. چن، ایکس. لی، اف. لی، ایکس. هو، ی. Hu، P. ارزیابی و نقشه‌برداری عرضه و تقاضای آب برای مدیریت اکوسیستم شهری پایدار در شنژن، چین. جی. پاک. تولید ۲۰۱۹ ، ۲۵۱ ، ۱۱۹۷۵۴٫ [ Google Scholar ] [ CrossRef ]
  57. Van Leeuwen، CJ حاکمیت آب و کیفیت خدمات آب در شهر ملبورن. Urban Water J. ۲۰۱۷ , ۱۴ , ۲۴۷-۲۵۴٫ [ Google Scholar ] [ CrossRef ]
  58. والنسیا، آ. کیو، جی. چانگ، N.-B. ادغام شاخص‌های پایداری و ساختارهای حاکمیتی از طریق تجزیه و تحلیل خوشه‌بندی و تصمیم‌گیری چند معیاره برای یک شبکه کشاورزی شهری. Ecol. اندیک. ۲۰۲۲ ، ۱۴۲ ، ۱۰۹۲۳۷٫ [ Google Scholar ] [ CrossRef ]
  59. کونتیاویچای، ک. Wongsasri، S. ارزیابی شدت خشکسالی و آسیب پذیری در حوضه رودخانه Lam Phaniang، تایلند. Water ۲۰۲۱ , ۱۳ , ۲۷۴۳٫ [ Google Scholar ] [ CrossRef ]
  60. وانگ، ال. جین، جی. Xiong، X. ژانگ، اچ. Wu, K. نقشه برداری خودکار مبتنی بر شیء گندم زمستانه بر اساس الگوهای فنولوژی زمانی برگرفته از تصاویر چندزمانی Sentinel-1 و Sentinel-2. ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۴۲۴٫ [ Google Scholar ] [ CrossRef ]
  61. الیور، MA; Webster, R. Kriging: روشی برای درونیابی برای سیستم های اطلاعات جغرافیایی. بین المللی جی. جئوگر. Inf. سیستم ۱۹۹۰ ، ۴ ، ۳۱۲-۳۳۲٫ [ Google Scholar ] [ CrossRef ]
  62. لی، ز. چن، اچ. یان، دبلیو. بررسی توزیع فضایی مناطق خدماتی پارک شهری در شانگهای بر اساس تخمین زمان سفر: روشی با ترکیب داده‌های چند منبع. ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۶۰۸٫ [ Google Scholar ] [ CrossRef ]
  63. بعلوشا، ح. توابینی، بی. Seers، T. Fuzzy یا Non-Fuzzy؟ مقایسه بین نقشه‌برداری آسیب‌پذیری مبتنی بر منطق فازی و رویکرد DRASTIC با استفاده از یک مدل عددی. مطالعه موردی از قطر Water ۲۰۲۱ , ۱۳ , ۱۲۸۸٫ [ Google Scholar ] [ CrossRef ]
  64. عرب، ST; احمد، تی. تحلیل تناسب زمین برای گسترش تاکستان های بالقوه در افغانستان در مقیاس منطقه ای با استفاده از مجموعه داده های سنجش از دور. Remote Sens. ۲۰۲۲ , ۱۴ , ۴۴۵۰٫ [ Google Scholar ] [ CrossRef ]
  65. لیو، جی. لی، ی. شیائو، بی. جیائو، جی. الگوریتم تصمیم گیری چند معیاره فازی و خوشه بندی فازی برای انتخاب محل دفن زباله MSW (مطالعه موردی: لانژو، چین). ISPRS Int. J. Geo-Inf. ۲۰۲۱ ، ۱۰ ، ۴۰۳٫ [ Google Scholar ] [ CrossRef ]
  66. کریتیکوس، تی. دیویس، تی. ارزیابی حساسیت زمین لغزش کم عمق/جریان آوار و فرسایش ناشی از بارندگی با استفاده از رویکرد مبتنی بر GIS: کاربرد در آلپ‌های جنوبی غربی نیوزیلند. زمین لغزش ۲۰۱۵ ، ۱۲ ، ۱۰۵۱-۱۰۷۵٫ [ Google Scholar ] [ CrossRef ]
  67. رحمان، م. Szabó، G. بهینه سازی کاربری زمین شهری پایدار با استفاده از رویکرد تصمیم گیری چند معیاره مبتنی بر GIS (GIS-MCDM). ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۳۱۳٫ [ Google Scholar ] [ CrossRef ]
  68. سالواتی، پ. آردیزون، اف. کاردینالی، م. فیوروچی، اف. فوگنولی، اف. گوزتی، اف. مارکسینی، آی. رینالدی، جی. روسی، ام. سانتانجلو، ام. و همکاران دستیابی به شاخص های آسیب پذیری در برابر خطرات زمین هیدرولوژیکی: نمونه ای از جمع آوری داده های مبتنی بر تلفن همراه. بین المللی J. کاهش خطر بلایا. ۲۰۲۱ ، ۵۵ ، ۱۰۲۰۸۷٫ [ Google Scholar ] [ CrossRef ]
  69. چو، ج.- اس. Truong، D.-N. تسای، سی.-ف. حل مسائل رگرسیون با یادگیری ماشین هوشمند برای انفورماتیک مهندسی. Mathematics ۲۰۲۱ , ۹ , ۶۸۶٫ [ Google Scholar ] [ CrossRef ]
  70. گونش، اس.اس. یشیل، چ. گوردال، EE; کورکماز، EE; یاریم، م. آیدین، آ. سپهی، H. Primum non nocere: در سیلیکو پیش بینی عوارض دارویی داروهای ضد افسردگی. محاسبه کنید. سموم ۲۰۲۱ ، ۱۸ ، ۱۰۰۱۶۵٫ [ Google Scholar ] [ CrossRef ]
  71. گائو، دبلیو. الصراف، ج. مویدی، ح. شهسوار، ع. نگوین، اچ. یادگیری ترجیحی جامع و اعتبار ویژگی برای طراحی ساختمان‌های مسکونی با انرژی کارآمد با استفاده از پارادایم‌های یادگیری ماشین. Appl. محاسبات نرم. ۲۰۱۹ , ۸۴ , ۱۰۵۷۴۸٫ [ Google Scholar ] [ CrossRef ]
  72. الباگمی، اف ام; النصری، ع. الشوان، دی اس؛ النجیدی، هی. اولاتونجی، SO پیش‌بینی سطوح اضطراب عمومی در طول همه‌گیری کووید-۱۹: یک رویکرد مدل‌سازی مبتنی بر یادگیری ماشین. آگاه کردن. پزشکی Unlocked ۲۰۲۲ , ۲۸ , ۱۰۰۸۵۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  73. سیندو، SSS؛ گیتا، اس. Kannan، A. تشخیص نفوذ سبک وزن بر اساس درخت تصمیم با استفاده از رویکرد لفاف دار. سیستم خبره Appl. ۲۰۱۲ ، ۳۹ ، ۱۲۹-۱۴۱٫ [ Google Scholar ] [ CrossRef ]
  74. امیرالدین، م. محرم، اف.ام. اسماعیل، م.ح. روش نمونه‌برداری بیش از حد اقلیت مصنوعی Tan، NP (SMOTE) و الگوریتم‌های تقویت تطبیقی ​​درخت مدل لجستیک (LMT) برای طبقه‌بندی مجموعه داده‌های نامتعادل سطوح کفایت مواد مغذی و کلروفیل روغن نخل ( Elaeis guineensis ) با استفاده از دستگاه‌های adiometers و spectroman. محاسبه کنید. الکترون. کشاورزی ۲۰۲۲ ، ۱۹۳ ، ۱۰۶۶۴۶٫ [ Google Scholar ] [ CrossRef ]
  75. اوچر، دی. گانات، TOA; غلامی، ر. Ridha، S. کاربرد پارادایم های یادگیری ماشین نظارت شده در پیش بینی خواص مخزن نفت: تجزیه و تحلیل مقایسه ای مدل های ANN و SVM. جی. پت. علمی مهندس ۲۰۲۱ ، ۲۰۰ ، ۱۰۸۱۸۲٫ [ Google Scholar ] [ CrossRef ]
  76. آلمیدا، وی جی؛ ویرا، جی. سانتوس، پی. پریرا، تی. پریرا، HC; کوریا، سی. پگو، م. Cardoso, J. تکنیک های یادگیری ماشین برای تجزیه و تحلیل شکل موج فشار شریانی. جی. پرز. پزشکی ۲۰۱۳ ، ۳ ، ۸۲-۱۰۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  77. نگوین، دی. روسیس، کامپیوتر; فام، بی تی؛ فرنتینو، م. مامو، ع. Vu، DQ؛ Bui، Q.-AT; Trong، DK; مدل‌های هوش ترکیبی Asteris، PG Bagging و Perceptron چند لایه که پتانسیل تورم خاک را پیش‌بینی می‌کنند. ترانسپ ژئوتک. ۲۰۲۲ ، ۳۶ ، ۱۰۰۷۹۷٫ [ Google Scholar ] [ CrossRef ]
  78. بانسال، دی. چیکارا، ر. خانا، ک. Gupta، P. تجزیه و تحلیل مقایسه ای الگوریتم های مختلف یادگیری ماشین برای تشخیص دمانس. Procedia Comput. علمی ۲۰۱۸ ، ۱۳۲ ، ۱۴۹۷-۱۵۰۲٫ [ Google Scholar ] [ CrossRef ]
  79. اجدادی، FR; گیلانه، YA; ملازاده، ک. حسن زاده، RP کاربرد ماشین بینایی برای طبقه بندی اندازه خاکدانه ها. خاک ورزی خاک Res. ۲۰۱۶ ، ۱۶۲ ، ۸-۱۷٫ [ Google Scholar ] [ CrossRef ]
  80. زارعی، ر. او، جی. سیولی، اس. Zhang، Y. یک طرح کوواریانس متقاطع به کمک PCA برای استخراج ویژگی های متمایز از سیگنال های EEG. محاسبه کنید. روش ها برنامه های Biomed. ۲۰۱۷ ، ۱۴۶ ، ۴۷-۵۷٫ [ Google Scholar ] [ CrossRef ]
  81. Azoff، EM کاهش خطا در پیش‌بینی سری‌های زمانی شبکه عصبی. محاسبات عصبی Appl. ۱۹۹۳ ، ۱ ، ۲۴۰-۲۴۷٫ [ Google Scholar ] [ CrossRef ]
  82. محمود، ز. اصغر، س. سفارشی کردن SVM به عنوان یک یادگیرنده پایه با گروه AdaBoost برای یادگیری از مشکلات چند کلاسه: یک رویکرد ترکیبی AdaBoost-MSVM. سیستم مبتنی بر دانش ۲۰۲۱ ، ۲۱۷ ، ۱۰۶۸۴۵٫ [ Google Scholar ] [ CrossRef ]
  83. گوون، آی. پیش‌بینی تقاضا با پارامتر رنگ در صنعت پوشاک خرده‌فروشی با استفاده از روش‌های شبکه‌های عصبی مصنوعی (ANN) و ماشین‌های بردار پشتیبان (SVM). محاسبه کنید. مهندسی صنعتی ۲۰۲۰ , ۱۴۷ , ۱۰۶۶۷۸٫ [ Google Scholar ] [ CrossRef ]
  84. گالمئانو، اچ. Andonie, R. Weighted Incremental-Decremental Vector Machines for Concept drift with shifting window. شبکه های عصبی ۲۰۲۲ ، ۱۵۲ ، ۵۲۸-۵۴۱٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  85. بالاجی، وی. سوگانتی، س. رجادوی، ر. کومار، VK؛ بلاجی، BS; Pandiyan، S. تشخیص و تقسیم‌بندی بیماری پوستی با استفاده از الگوریتم برش نمودار پویا و طبقه‌بندی از طریق طبقه‌بندی Naive Bayes. Measurement ۲۰۲۰ , ۱۶۳ , ۱۰۷۹۲۲٫ [ Google Scholar ] [ CrossRef ]
  86. یائو، جی. Ye, Y. تأثیر روش پیش‌بینی ترافیک تشخیص تصویر تحت الگوریتم یادگیری عمیق و ساده‌لوحانه بیز بر ایمنی ترافیک آزادراه. تصویر Vis. محاسبه کنید. ۲۰۲۰ , ۱۰۳ , ۱۰۳۹۷۱٫ [ Google Scholar ] [ CrossRef ]
  87. سان، ایکس. Opulencia، MJC; الکساندرویچ، تی پی؛ خان، ا. الگارنی، م. عبدالرحمن، ع. مدل‌سازی و بهینه‌سازی تولید بیودیزل روغن نباتی با فرآیند نانو کاتالیزوری ناهمگن: پرسپترون چند لایه، درخت رگرسیون تصمیم و روش‌های K-نزدیک‌ترین همسایه. محیط زیست تکنولوژی نوآوری. ۲۰۲۲ ، ۲۷ ، ۱۰۲۷۹۴٫ [ Google Scholar ] [ CrossRef ]
  88. گو، جی. سان، ال. دو، ال. ما، اچ. شیونگ، تی. او، دبلیو. Zhan، Y. یک طبقه‌بندی‌کننده همسایه مبتنی بر ضریب نمایش k-نزدیک‌ترین مرکز مرکز. سیستم خبره Appl. ۲۰۲۲ ، ۱۹۴ ، ۱۱۶۵۲۹٫ [ Google Scholar ] [ CrossRef ]
  89. فنگ، تی. وانگ، سی. ژانگ، جی. وانگ، بی. جین، Y.-F. یک مدل جنگل تصادفی کلونی زنبورهای مصنوعی (IABC-RF) برای پیش‌بینی تغییر شکل تونل به دلیل حفاری گودال فونداسیون مجاور. Undergr. Space ۲۰۲۲ , ۷ , ۵۱۴–۵۲۷٫ [ Google Scholar ] [ CrossRef ]
  90. دای، ی. وانگ، ی. لنگ، م. یانگ، ایکس. ژو، Q. LOWESS صاف کردن و مدل GRU مبتنی بر جنگل تصادفی: یک روش پیش‌بینی تولید برق فوتوولتائیک کوتاه مدت. Energy ۲۰۲۲ , ۲۵۶ , ۱۲۴۶۶۱٫ [ Google Scholar ] [ CrossRef ]
  91. یعقوب، م.م. Tesfaldet، YT; المبارک، MG; Al Hosani, N. استخراج شاخص های کیفیت زندگی شهری با استفاده از سنجش از دور و یادگیری ماشین: مورد شهر العین، امارات متحده عربی (امارات متحده عربی). ISPRS Int. J. Geo-Inf. ۲۰۲۲ ، ۱۱ ، ۴۵۸٫ [ Google Scholar ] [ CrossRef ]
  92. اونا، جو. عبدالحمید، س.م. عبداللهی، م. حسن، آی.ح. Al-Ghusham، A. انتخاب ویژگی مبتنی بر الگوریتم ژنتیک و Naïve Bayes برای تشخیص ناهنجاری در محیط محاسباتی مه. ماخ فرا گرفتن. Appl. ۲۰۲۱ ، ۶ ، ۱۰۰۱۵۶٫ [ Google Scholar ] [ CrossRef ]
  93. کردنوری، س. مصطفایی، ح. رستمی مالخلیفه، م. استادراهیمی، م. تشخیص بیماری قلبی با استفاده از روش‌های انتخاب ویژگی بر اساس شبکه‌های عصبی فازی مکرر. IPTEK J. Technol. علمی ۲۰۲۱ ، ۳۲ ، ۶۴٫ [ Google Scholar ] [ CrossRef ]
  94. هاشم، ع. عوض، ع. شوش، ح. آلاکل، دبلیو. سلامه، ع. عوض، ت. Mabrouk، M. اعتبار سنجی رویکرد یادگیری ماشین با استفاده از نمرات FIB-4 و APRI ارزیابی شده توسط سیستم امتیازدهی متاویر: یک مطالعه کوهورت. عرب جی گاستروانترول. ۲۰۲۱ ، ۲۲ ، ۸۸-۹۲٫ [ Google Scholar ] [ CrossRef ]
  95. لی، دی.-اچ. کیم، Y.-T. لی، اس.- آر. مدل های حساسیت زمین لغزش کم عمق بر اساس شبکه های عصبی مصنوعی با در نظر گرفتن روش انتخاب عامل و توابع مختلف فعال سازی غیر خطی. Remote Sens. ۲۰۲۰ , ۱۲ , ۱۱۹۴٫ [ Google Scholar ] [ CrossRef ]
  96. Malczewski، J. تجزیه و تحلیل مناسب کاربری زمین مبتنی بر GIS: مروری انتقادی. Prog. طرح. ۲۰۰۴ ، ۶۲ ، ۳-۶۵٫ [ Google Scholar ] [ CrossRef ]
  97. هانون، SK; عبدالله، اف. شفری، HZM; Wayayok، A. ارزیابی جامع آسیب پذیری مناطق شهری با استفاده از ادغام توابع منطق فازی: مطالعه موردی شهر ناصریه در جنوب عراق. زمین ۲۰۲۲ ، ۳ ، ۶۹۹-۷۳۲٫ [ Google Scholar ] [ CrossRef ]
Ijgi 11 00606 g001 550
شکل ۱٫ منطقه مورد مطالعه: شهر ناصریه، عراق.
Ijgi 11 00606 g002 550
شکل ۲٫ تولید عوامل محرک با استفاده از تکنیک های تحلیل فضایی در GIS.
Ijgi 11 00606 g003 550
شکل ۳٫ ( الف ) عضویت بزرگ فازی. ( ب ) عضویت نزدیک فازی.
Ijgi 11 00606 g004 550
شکل ۴٫ روش شناسی مدل سازی داده ها در این کار.
Ijgi 11 00606 g005 550
شکل ۵٫ وزن معیارها بر اساس نوع مدل و میانگین وزن.
Ijgi 11 00606 g006 550
شکل ۶٫ نقشه ( a ) با روش نماینده مستقیم در GIS و با استفاده از نتایج پیش‌بینی NB ایجاد شد، در حالی که نقشه ( b ) با تکنیک WLC GIS با استفاده از وزن‌های معیار بدست‌آمده از الگوریتم NB تهیه شد.
Ijgi 11 00606 g007 550
شکل ۷٫ نقشه ( a ) با روش نماینده مستقیم در GIS با استفاده از نتایج پیش‌بینی RF ایجاد شد، در حالی که نقشه ( b ) با تکنیک WLC GIS با استفاده از وزن‌های معیار استخراج شده توسط الگوریتم RF تهیه شد.
Ijgi 11 00606 g008 550
شکل ۸٫ نقشه ( a ) با روش نماینده مستقیم در GIS با استفاده از نتایج پیش‌بینی الگوریتم KNN ایجاد شد، در حالی که نقشه ( b ) با تکنیک WLC GIS با استفاده از وزن‌های معیار بدست‌آمده از الگوریتم KNN تهیه شد.
Ijgi 11 00606 g009 550
شکل ۹٫ نقشه ( الف ) با روش نماینده مستقیم در GIS با استفاده از نتایج پیش‌بینی الگوریتم MLP ایجاد شد، در حالی که نقشه ( b ) با تکنیک WLC GIS با استفاده از وزن معیارهای به‌دست‌آمده از الگوریتم MLP تهیه شد.
Ijgi 11 00606 g010 550
شکل ۱۰٫ نقشه ( a ) با روش نماینده مستقیم در GIS ایجاد شده است، در حالی که نقشه ( b ) با استفاده از وزن معیارهای بدست آمده از الگوریتم SVM در تکنیک WLC GIS تهیه شده است.
Ijgi 11 00606 g011 550
شکل ۱۱٫ نقشه نهایی WSR به پنج دسته (خیلی زیاد، زیاد، متوسط، کم و خیلی کم) طبقه بندی شده است.
Ijgi 11 00606 g012 550
شکل ۱۲٫ گرافیک آماری WSR برای شهر ناصریه. ( الف ) توزیع نسبت جمعیت بر اساس طبقات WSR. ( ب ) توزیع محله های شهر بر اساس کلاس های WSR.
Ijgi 11 00606 g013 550
شکل ۱۳٫ مساحت زیر منحنی ROC (AUC) برای پنج مدل.
Ijgi 11 00606 g014 550
شکل ۱۴٫ یک ارزیابی مقایسه ای از طبقه بندی های WSR تولید شده توسط تکنیک WLC در GIS با استفاده از وزن معیارهای استخراج شده توسط پنج مدل.
Ijgi 11 00606 g015 550
شکل ۱۵٫ نقشه نهایی بزرگنمایی شده، که اثرات عوامل پیوسته را بر طبقه بندی چندین محله نشان می دهد. هر محله به دو طبقه طبقه بندی شده است.

ونوس نصیرفام

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما