Landslide susceptibility analysis is beneficial information for a wide range of applications. We aimed to explore and compare three machine learning (ML) techniques, namely the random forests (RF), support vector machine (SVM) and multiple layer neural networks (MLP) for landslide susceptibility assessment in the Ahar county of Iran. To achieve this goal, 10 landslide occurrence-related influencing factors were pondered. A sum of 266 locations with landslide potentiality was recognized in the context of the study, and the Pearson correlation technique utilized in order to select the influencing factors in landslide models. The association between landslides and conditioning factors was also evaluated using a probability certainty factor (PCF) model. Three landslide models (SVM, RF, and MLP) were structured by the training dataset. Lastly, the receiver operating characteristic (ROC) and statistical procedures were employed to validate and contrast the predictive capability of the obtained three models. The findings of the study in terms of the Pearson correlation technique method for the importance ranking of conditioning factors in the context area uncovered that slope, aspect, normalized difference vegetation index (NDVI), and elevation have the highest impact on the occurrence of the landslide. All in all, the MLP model had the utmost rate of prediction capability (85.22 %), after which, the SVM model (78.26 %) and the RF model (75.22 %) demonstrated the second and third rates. Besides, the study revealed that benefiting the optimal machine with the proper selection of the techniques could facilitate landslide susceptibility modeling. Manuscript profile

روند کاهشی منابع تجدیدناپذیر یکی از مشکلات فزاینده موجود در بحث انرژی است؛ این مسئله بیانگر اهمیت استفاده از انرژی‌های جایگزین با اثرات مخرب زیست محیطی کمتر و قابلیت تجدیدپذیری است. استان آذربایجان شرقی با توجه به پتانسیل‌های بالای توپوکلیماتیک یکی از مناطق مناسب برای تولید برق از انرژی خورشیدی می‌باشد. در این مطالعه با توجه به توانایی مدل‌های تصمیم‌گیری چند معیاره (MCDA) در یکپارچه‌سازی داده‌ها و انتخاب گزینه برتر از میان گزینه-های مختلف از مدل تحلیل شبکه (ANP) جهت تجزیه و تحلیل داده‌ها استفاده شده ‌است. در این راستا بعد از مشخص نمودن ضرایب هر کدام از لایه‌ها و تلفیق لایه‌های اطلاعاتی و اعمال ضرایب حاصل از اجرای مدل، نقشه‌ی نهایی امکان‌سنجی استقرار پنل‌های خورشیدی در سطح استان آذربایجان شرقی تهیه شده است. داده‌های مورد استفاده در این پژوهش شامل پارامترهای اقلیمی در بازه 28 ساله از 13 ایستگاه سینوپتیک استان، نقشه رقومی ارتفاع و تصویر سنجنده‌ی OLI ماهواره‌ای Landsat8 سال 2014 منطقه می‌باشد که در قالب معیارهای اقلیمی، زیرساخت‌، عوامل فنی و فیزیکی مورد تجزیه و تحلیل قرار گرفته‌اند. نتایج حاصل از پژوهش نشان می‌دهد که سطح وسیعی از استان از لحاظ استقرار تجهیزات نیروگاه‌های خورشیدی در وضعیت بسیار خوبی قرار دارند و در بین بخش‌های مختلف استان، مناطق جنوب شرقی، مرکزی و شمال‌غربی بیشترین مطلوبیت‌ را دارند. نتایج پژوهش حاضر برای شناسایی مناطق مستعد نصب پنل‌های خورشیدی از اهمیت بالایی برخوردار بوده و نقشه‌های تولید شده نیز برای سازمان‌های اجرایی (وزارت نیرو، اداره کل توزیع برق و ...) از ارزش کاربردی بالایی برخوردار هستند. Manuscript profile

کاربری اراضی می تواند به عنوان مفهومی ترکیبی از نظر فیزیکی اجتماعی، فرهنگی، اقتصادی و اطلاعاتی از هر کشوری مورد توجه قرار گیرد. در حقیقت نقشه های کاربری اراضی دربرگیرندۀ روش استفاده از سطح زمین برای نیازهای مختلف انسانی هستند. با توجه به اینکه آگاهی از الگوهای کاربری اراضی و تغییرات آن در طول زمان، پیش‌نیازی برای استفاده مطلوب از سرمایۀ ملّی است، از این رو استخراج نقشه های کاربری اراضی و تغییرات مربوط به آنها به عنوان مهم ترین هدف در مدیریت اراضی می توانند مورد توجه قرار گیرند. در حال حاضر استفاده از فنآوری سنجش ازدور، بهترین وسیله در استخراج نقشه های مربوط به کاربری هاست. در این تحقیق با پردازش رقومی تصاویر سنجنده HDR ماهواره SPOT مربوط به سال 2005.م و همچنین تصاویر سنجنده AVNIR ماهواره AlOS مربوط به سال 2011.م نقشه‌های کاربری اراضی منطقه مورد مطالعه بر مبنای روش های پردازش شیءگرای تصاویر ماهواره ای استخراج شد. در این ارتباط مرحله پیش پردازش، بر روی تصاویر اعمال شد و در مرحله پردازش، بعد از آشکارسازی تصاویر براساس الگوریتم های شیءگرا طبقه بندی گردید. در این راستا در فرایند طبقه بندی از قابلیت تابع نزدیکترین همسایه و نیز الگوریتم طبقه بندی سلسله مراتبی بر مبنای روش پردازش شیءگرای تصاویر ماهواره ای و در محیط نرم‌افزار دانش پایه eCognition استفاده شده و طبقه بندی پس از طی مراحل مختلف پیاده گردید. برای ارزیابی نتایج نسبت به استخراج پارامترهای ارزیابی دقت اقدام شده و دقت نقشه کاربری اراضی برای تصویر سال 2005 معادل 84 و برای تصویر سال 2011 معادل 81 درصد برآورد شد. نتایج تحقیق حاضر برای برنامه ریزان و تصمیم‌گیران در راستای ارزیابی تغییرات کاربری اراضی و برنامه ریزی برای توسعه منطقه از اهمیت بالایی برخوردار است. Manuscript profile

این مطالعه با هدف پهنه‌بندی اگرواکولوژیکی گیاه زیره سبز در راستای شناسایی مناطق مستعد کشت این گیاه در استان آذربایجان‌شرقی با استفاده از تکنیک آنالیز مکانی GIS انجام گرفت. در این خصوص، داده‌های مورد نیاز در قالب معیارهای مربوط به شرایط خاک، توپوگرافی، شاخص‌های اقلیمی جهت فرآیند مدل سازی بکار گرفته شدند. معیارهای مذکور در قالب لایه‌های اطلاعاتی آماده‌سازی شد و پس از استانداردسازی برای تلفیق مورد استفاده قرار گرفتند. با توجه به اینکه روش مطالعه در این پژوهش مبنی بر آنالیز مکانی GIS بود، در ابتدا پارامتر‌ها استانداردسازی شدند و بر اساس سیستم تحلیل سلسله مراتبی (AHP) وزن‌های معیار استخراج شدند. سپس سیستم تحلیل تصمیم‌گیری چند معیاره (MCDA) جهت تلفیق لایه‌های اطلاعاتی و استخراج نتایج بکار گرفته شد. نتایج تحقیق نشان می‌دهد که استان آذربایجان‌شرقی جهت کشت زیره سبز از پتانسیل بالایی برخوردار است و امکان کشت آن در شهرستان‌های مرند، شبستر، ورزقان، سراب، میانه، کلیبر، بستان‌آباد، سهند و مراغه با سطح عملکرد بالا در واحد سطح وجود دارد. نتایج همچنین نشان داد که 2561151 هکتار از اراضی این استان دارای پتانسیل کشت بالا و 2017916 هکتار دارای پتانسیل کشت متوسط هستند. با توجه به عدم توجه کافی به امکان‌سنجی کشت این گیاه در استان آذربایجان‌شرقی، نتایج حاصل از این پژوهش می‌تواند زمینه‌ساز آگاهی بیشتر کشاورزان و متخصصین کشاورزی از امکان کشت و کار این گیاه و بهرهبرداری مطلوب‌تر از منابع طبیعی شود. Manuscript profile