نقشه برداری حساسیت به خشکسالی با دو الگوریتم ماشین بردار پشتیبانی یک کلاسی
ترجمه شده

نقشه برداری حساسیت به خشکسالی با دو الگوریتم ماشین بردار پشتیبانی یک کلاسی

عنوان فارسی مقاله: نقشه برداری حساسیت به خشکسالی با استفاده از دو الگوریتم ماشین بردار پشتیبانی یک کلاسی
عنوان انگلیسی مقاله: Drought sensitivity mapping using two one-class support vector machine algorithms
مجله/کنفرانس: تحقیقات اتمسفری - Atmospheric Research
رشته های تحصیلی مرتبط: مهندسی کامپیوتر و جغرافیا
گرایش های تحصیلی مرتبط: هوش مصنوعی، تغییرات آب و هوایی اقلیمی و آب و هوا شناسی
کلمات کلیدی فارسی: نقشه حساسیت به خشکسالی، (DSM) شاخص گیاهی بهبودیافته، (EVI) شاخص بارندگی استاندارد، (SPI) ماشین بردار پشتیبانی یک کلاسی، (OC-SVM)، کرمانشاه
کلمات کلیدی انگلیسی: Drought sensitivity map (DSM) - Enhanced vegetation index (EVI) - Standardised precipitation index (SPI) - One-class support vector machine (OC-SVM) - Kermanshah
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.atmosres.2017.04.017
دانشگاه: رشته جغرافیا و علوم فضایی، دانشکده زمین و غذا، دانشگاه تاسمانی، استرالیا
صفحات مقاله انگلیسی: 10
صفحات مقاله فارسی: 23
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2017
ایمپکت فاکتور: 4.413 در سال 2019
شاخص H_index: 85 در سال 2020
شاخص SJR: 1.464 در سال 2019
ترجمه شده از: انگلیسی به فارسی
شناسه ISSN: 0169-8095
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه شده و آماده دانلود
فرمت ترجمه فارسی: pdf و ورد تایپ شده با قابلیت ویرایش
مشخصات ترجمه: تایپ شده با فونت B Nazanin 14
مقاله بیس: خیر
مدل مفهومی: ندارد
کد محصول: 8869
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
پرسشنامه: ندارد
متغیر: ندارد
درج شدن منابع داخل متن در ترجمه: بله
ترجمه شدن توضیحات زیر تصاویر و جداول: بله
ترجمه شدن متون داخل تصاویر و جداول: خیر
رفرنس در ترجمه: در داخل متن مقاله درج شده است
نمونه ترجمه فارسی مقاله

چکیده 

این مقاله، استفاده از شاخص های بارندگی استاندارد (SPI) و شاخص گیاهی بهبودیافته (EVI)را به عنوان نشانگر رطوبت خاک استفاده می کند. از طرفی تلاش نموده ایم که نقشه حساسیت به خشکسالی (DSM) را برای پوشش گیاهی با استفاده از دو الگوریتم ماشین بردار پشتیبانی یک کلاسی ایجاد نماییم (OC-SVM). به منظور رسیدن به نتایج امیدوار کننده، ترکیبی  از داده های آماری30 ساله (1978-2008) از ایستگاه های سیوپتیک و آرشیو  10ساله تصویربرداری MODIS (2010-2001) در مرز استان کرمانشاه (واقع در ایران) استفاده  شده  است.  داده های سیناپتیک و تصویربرداری MODIS به ترتیب برای استخراج SVI  و EVI مورد استفاده قرار گرفتند. بنابراین هدف، بررسی تغییرات معنادار گیاهی در پاسخ به ناهنجاری های خشکسالی در گام اول و استخراج بیشتر الگوهای فضایی- زمانی قال اطمینان از حساسیت خشکسالی با استفاده از تکنیک طبقه بندی کارآمد و معیارهای فضایی در گام بعدی می باشد. برای رسیدن به این هدف، 4 معیار اصلی که  شامل کلاس های ژئومورفیک، ظاهر ،ارتفاع و شیب می شود برای DSM با استفاده  از دو  الگوریتم OC-SVM بررسی شدند. نتایج تحلیل ها نشان دهنده الگوها متمایز فضایی- زمانی از اثرات خشکسالی بر پوشش گیاهی بوده است. نمودار خصوصیات عملیاتی دریافت کننده (ROC) برای DSM پیشنهادی، همراه با تکنیک جایگذاشت ساده برای فاز ارزیابی دقت، مورد استفاده قرار گرفته  است و مساحت زیر نمودار (AUC=0.80) محاسبه شد. 

1- مقدمه

گرم شدن  کره زمین بر تبخیر و تعرق اثر میگذارد که  این پدیده در واقع جابه جایی آب به اتمسفر از زمین،  سطوح آبی و گیاهان به دلیل تبخیر و تعرق می  باشد. انتظار می  رود که پدیده مذکور به دلیل مقیاس حساسیت به خشکسالی و گستردگی جغرافیایی زمین های خشک افزایش پیدا کند.  هنگام بحث درباره خشکسالی باید درک مناسبی از خشکی و تفاوت بین این دو داشته باشیم. از دیدگاه  اقلیم شناسی، خشکی به عنوان میزان عدم وجود رطوبت اثربخش و زندگی بخش، تعریف می شود.  در حالی که خشکسالی، بازه  ای ازهوای خشک غیرعادی است که به اندازه کافی برای ایجاد عدم توازن هیدرولوژیکی به طول بیانجامد (هایس و همکاران 2011). خشکی با مقایسه تبخیر و تعرق و  بارندگی میانگین بلندمدت اندازه گیری می شود. واضح است که این پدیده، خصوصیتی دائمی  از آب و هوا می باشد. در این باره باید گفت که اقلیم های خشک نشان میدهند که تبخیر و تعرق بلند مدت میانگین، به نسبت بارندگی بلند مدت میانگین، بالاتر است. از  طرف  دیگر، خشکسالی به توازن رطوبت اشاره میکند که  عمدتا به صورت سالیانه و فصلی یا ماهیانه  از بین می رود. برخلاف خشکی، خشکسالی، یک فضای ویژه اقلیمی گذرا می باشد (لیوبی مستوا و آدامز 2004). برخلاف سادگی ظاهری این تعریف،  به دلیل  توسعه و دوام بلند مدتش ،خصوصیات تدریجی اثر و درجه فضایی آن، شناسایی، تحلیل و مدیریت خشکسالی در میان خطرات طبیعی، پیچیده ترین خطر می باشد (برتون 1993، ویسنته، سرانو و همکاران 2012 ،ویلهایت 2012)

نمونه متن انگلیسی مقاله

ABSTRACT

This paper investigates the use of standardised precipitation index (SPI) and the enhanced vegetation index (EVI) as indicators of soil moisture. On the other hand, we attempted to produce a drought sensitivity map (DSM) for vegetation cover using two one-class support vector machine (OC-SVM) algorithms. In order to achieve promising results a combination of both 30 years statistical data (1978 to 2008) of synoptic stations and 10 years MODIS imagery archive (2001 to 2010) are used within the boundary of Kermanshah province, Iran. The synoptic data and MODIS imagery were used for extraction of SPI and EVI, respectively. The objective is, therefore, to explore meaningful changes of vegetation in response to drought anomalies, in the first step, and further extraction of reliable spatio-temporal patterns of drought sensitivity using efficient classification technique and spatial criteria, in the next step. To this end, four main criteria including elevation, slope, aspect and geomorphic classes are considered for DSM using two OC-SVM algorithms. Results of the analysis showed distinct spatio-temporal patterns of drought impacts on vegetation cover. The receiver operating characteristics (ROC) curves for the proposed DSM was used along with the simple overlay technique for accuracy assessment phase and the area under curve (AUC = 0.80) value was calculated.

1. Introduction

Global warming affects evapotranspiration, which is the movement of water into the atmosphere from land, water surfaces and plants due to evaporation and transpiration. This is expected to increase to both drought severity measure and geographic expansion of dry areas. When discussing drought, one must have a proper understanding of aridity and the difference between the two. Climatologically, aridity is defined as “the degree to which a climate lacks effective, life-promoting moisture” while drought is “a period of abnormally dry weather sufficiently long enough to cause a serious hydrological imbalance” (Hayes et al., 2011). Aridity is measured by comparing long-term average precipitation and evapotranspiration. It is obviously a permanent climatic characteristic. In this regard, the arid climate indicates that average long-term evapotranspiration is greater than average longterm precipitation value. On the other hands, drought refers to the moisture balance that is mainly estimated on the annual, seasonal or monthly basis. As opposed to aridity, drought is a transient climatic idiosyncrasy (Lioubimtseva and Adams, 2004). Despite the apparent simplicity of this definition, due to its long-term development and duration, the progressive characteristics of its impacts and spatial extent, drought is the most complex natural hazard to identify, analyse, monitor and manage (Burton, 1993; Vicente-Serrano et al., 2012; Wilhite, 2012)

ترجمه فارسی فهرست مطالب

چکیده

1- مقدمه

2- توصیف منطقه تحت مطالعه

3-مواد و مصالح

3.1- داده

3.2- روش بررسی

3.3-ماشین بردار پشتیبانی یک کلاسی

3.4- توابع کرنل

3.5- مقیاس تفکیک پذیری جفری/ماتوسیتا (JM)

4-نتایج

4.1-اعتبار سنجی نتایج

5- مباحثه ای کوتاه و نتیجه گیری

فهرست انگلیسی مطالب

ABSTRACT

1. Introduction

2. Description of study region

3. Material and methods

3.1. Data

3.2. Methodology

3.3. One-class support vector machine

3.4. Kernel functions

3.5. Jeffries-Matusita (JM) separability measure

4. Results

4.1. Validation of the results

5. Short discussion and conclusions

محتوای این محصول:
- اصل مقاله انگلیسی با فرمت pdf
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه
قیمت محصول: ۳۱,۴۰۰ تومان
خرید محصول