پیش بینی جریان رودخانه ها در حوضه های آبریز نقش مهمی در بهره برداری و مدیریت صحیح منابع آبی دارد. تعیین نوع و تعداد ورودی مدل های تخمین گر، یکی از مهم ترین مراحل در پیش بینی جریان رودخانه ها می باشد. بنابراین از روش تجزیه پروکراستس (PA) برای تعیین تعداد ورودی های موثر استفاده شده است. در این تحقیق پیش بینی جریان با استفاده از داده های جریان ماهانه ایستگاه های آب سنجی صفاخانه و سنته انجام گرفته است. مدل شبکه عصبی مصنوعی (MLP) و مدل ماشین بردار پشتیبان (SVM) برای پیش بینی جریان مورد استفاده قرار گرفته اند. بهترین تخمین جریان با استفاده از مدل های MLP و PA-MLP در ایستگاه آب سنجی صفاخانه به ترتیب با RMSE برابر با (m3/s) 68/5 و (m3/s) 85/4 و CC برابر با 73/0 و 78/0 و در ایستگاه آب سنجی سنته به ترتیب با RMSE برابر با (m3/s) 44/6 و (m3/s) 36/6 و CC برابر با 78/0 و 79/0 انجام شده است. مدل PA-SVM نیز به ترتیب با RMSE و CC برابر با (m3/s) 45/5 و 73/0 در دوره صحت سنجی نتایج بهتری را نسبت مدل SVM در تخمین جریان ایستگاه آب سنجی صفاخانه داشته است. همچنین نتایج نشان داد که مدل های SVM و PA-SVM جریان ایستگاه سنته را با RMSE به ترتیب برابر با (m3/s) 85/6 و (m3/s) 03/7 تخمین زده اند. در حالت کلی نتایج نشان داد که روش تجزیه پروکراستس می تواند به عنوان یکی از روش‌های کارآمد و مناسب جهت تعیین تعداد ورودی موثر مورد استفاده قرار گیرد. مقایسه نتایج مدل های MLP و SVM نیز نشان داد که مدل MLP از دقت بیشتری نسبت به مدل SVM برخوردار است. Manuscript profile

هدف از انجام این پژوهش مقایسه نه روش نظارت شده در طبقه بندی پوشش اراضی با استفاده از تصاویر ماهواره ای لندست 8 در دریاچه ارومیه می‌باشد. ماهیت این پژوهش توسعه ای‌-کاربردی و روش انجام آن توصیفی-تحلیلی است. بدین منظور تصاویر ماهواره‌ای سنجنده OLI مربوط به تاریخ (8/ 7 0/ 2016 و 6 / 7 0/ 2016) از سایت USGS بارگیری شد و پس از اعمال پیش‌پردازش با استفاده از بازدیدهای میدانی و دستگاه موقعیت‌یاب جهانی نمونه‌های تعلیمی برای هر کاربری (دریاچه، شورزار، کشاورزی، سایر اراضی)در محدوده مورد مطالعه تهیه گردید. در مرحله بعد طبقه‌بندی با استفاده از نه الگوریتم نظارت شده (شبکه عصبی، ماشین بردار پشتیبان، حداکثر احتمال، ماهالانوبیس، حداقل فاصله از میانگین، سطوح موازی، واگرایی اطلاعات طیفی، کدهای باینری، زاویه طیفی) انجام شد. در مرحله آخر به منظور بررسی دقت و صحت طبقه‌بندی تصاویر از معیارهای ارزیابی(دقت تولید کننده، دقت کاربر، صحت کلی، ضریب کاپا ) استفاده شد. نتایج تحقیق حاکی از آن است که روش طبقه‌بندی ماشین بردار پشتیبان با ضریب کاپای99.57 درصد ، روش شبکه عصبی با ضریب کاپای 98.66درصد ، روش حداکثر احتمال با ضریب کاپای 98.58درصد نسبت به سایر روش‌ها دارای دقت بیشتری می‌باشند. همچنین کمترین دقت را الگوریتم‌های کدهای باینری سطوح موازی و زاویه طیفی دارند. Manuscript profile