منابع پایان نامه ارشد درباره مدل سازی، ارزش گذاری، منابع اطلاعاتی، عدم اطمینان

دانلود پایان نامه ارشد

ه جاي ميانگين وزني 3- استفاده از تکنولوژي سيستم اطلاعات جغرافيايي که سبب ميشود خطاي کارشناسي به حداقل ممکن برسد[39].
رضايي‌راد (1387) با استفاده از مدل IMDPA و تأکيد بر معيارهاي خاک، آب و آبياري، پوشش گياهي و اجتماعي – اقتصادي، پتانسيل بيابان‌زايي حوضه چشمه‌خان را مورد بررسي قرار داد. نتايج نشان داد که منطقه مورد مطالعه تحت دو کلاس کم و ناچيز (I) و متوسط (II) قرار دارد که به ترتيب 51/36 درصد و 49/63 درصد از کل مساحت منطقه را مي‌پوشانند. از بين معيارها، معيار پوشش گياهي مساحت بيشتري را به کلاس شديد اختصاص داده و معيار آب و آبياري کمترين نقش را در بيابان‌زايي منطقه داشتند[25].
شاکريان (1389) وضعيت فعلي بيابان‌زايي منطقه جرقويه اصفهان را با استفاده از مدل IMDPA مورد بررسي قرار داد. در اين مطالعه سه‌ معيار آب، خاک و پوشش گياهي مورد مطالعه قرار گرفت. و با توجه به اين سه معيار وضعيت بيابان‌زايي را در منطقه متوسط و شاخص هدايت الکتريکي آب با ارزش عددي 62/3 را مؤثرترين عامل در بيابان‌زايي منطقه معرفي کرد[33].
ناطقي و همکاران (1388) براي بررسي شدت بيابانزايي دشت سگزي از مدل IMDPA استفاده و سه معيار آب، زمين و پوشش گياهي را مورد ارزيابي قرار دادند. نقشه نهايي بيابانزايي بدست آمده حاکي از کلاس شديد و بسيار شديد روند بيابانزايي در منطقه بود. نتايج به دست آمده معيار آب با ميانگين وزني 97/3 (کلاس خيلي شديد) را مؤثرترين عامل در بيابانزايي منطقه معرفي کرد. همچنين معيار زمين با ميانگين وزني 26/3 و معيار پوشش گياهي با ميانگين وزني 12/3 هر دو در کلاس شديد بيابانزايي قرار داشتند[55].
سيلاخوري (1391) با استفاده از مدل IMDPA و تأکيد بر چهار گروه آب و هوا، زمین شناسی، پوشش زمین و انسانی ، پتانسيل بيابان‌زايي را در منطقه شهرستان سبزوار از استان خراسان رضوي مورد بررسي قرار داد. نتايج نشان داد که منطقه مورد مطالعه تحت دوکلاس متوسط (II) و زياد (III) تقسيم شد که بيشترين سطح منطقه را کلاس بيابان‌زايي متوسط (II) (07/85 درصد) به خود اختصاص داد. در مقايسه گروه‌ها، گروه پوشش با ميانگين وزني 57/2 بيشترين و گروه انساني با ميانگين وزني 55/1 کمترين تأثير را در بيابان‌زايي داشتند [33].
2-3- شبکههای باور بیزین
یک مدل شبکه های باور بیزین، مجموعهای از متغیرهای مرتبط از طریق احتمالاتی است که در نهایت نتیجه مورد نظر را تحت تاثیر قرار میدهند [97]. در یک نمودار شبکه بیزین، متغیرها ( گره ها56)، دادهها و پارامترها به اشکال متفاوتی مانند بیضی یا مستطیلهایی هستند که از طریق پیکانها ( اتصالات57) به هم متصل میگردند. یک اتصال میان گرهها از گره A ( گره والد58) به گره B ( گره فرزندی59)، نمایشگر ارتباط مستقیم عملکردی و یا همبستگی آماری میان این دو گره است. هر گره فرزندی ( گره ای که یک یا چند اتصال به آن وارد می شود) دارای یک جدول احتمالی شرطی، CPT 60، است که احتمال هر یک از حالات گره را مشروط به حالات گرههای ولدی آن گره تعیین میکند [104].
شکل 2-1 نمونه ای از یک شبکه باور بیزین ساده را نمایش میدهد. در این جا هر یک از مستطیل ها نشان دهنده یک گره یا متغیر شبکه های باور بیزین می باشند که از طریق پیکان هایی به هم متصل شده اند. بر اساس این شکل متغیر A و B ( گره های ورودی شبکه)، دو متغیر موثر بر متغیر C می باشند. همچنین متغیر C خود متغیر موثر بر متغیر D، یعنی گره نهایی یا هدف می باشد. بر این اساس هریک از گره های A و B به عنوان گره های ولدی گره C ( گره فرزندی) و گره C به عنوان گره ولدی برای گره D محسوب می شوند. هر گره در مدل شبکه بیزین، 2 یا تعداد بیشتری حالت متفاوت دارد که توزیع احتمالات میان این حالات به گونه ای است که مجموع احتمالات آن ها برابر با 1 یا 100% می باشد. منظور از یک حالت، وضعیت و شرایط متغیر مورد نظر می باشد. گره های شبکه بیزین میتوانند نمایش دهنده حالات طبقه بندی شده، ترتیبی، پیوسته و یا حتی ارزشهایی عددی ثابت باشند. شکل 2-2 نمونه ساده ای جهت تشریح عملکرد شبکههای باور بیزین نمایش می باشد. براساس این شکل گره A، متغیر موثر بر گره B می باشد. فرض کنید گره A دارای دو حالت E و F و گره B دارای دو حالت G و H می باشد. در این صورت براساس قضیه بیز به عنوان پایه و اساس شبکه های باور بیزین، رابطه احتمالاتی میان این دو متغیر به صورت رابطه 2-2، تعریف می گردد.

شکل 2-1 نمونه یک شبکه بیزین ساده
هریک از مستطیل نشان دهنده یک گره یا متغیر شبکه های باور بیزین می باشند که از طریق پیکان هایی به هم متصل شده اند. بر اساس این شکل متغیر A و B ( گره های ورودی شبکه)، دو متغیر موثر بر متغیر C می باشند. همچنین متغیر C خود متغیر موثر بر متغیرD، یعنی گره نهایی با هدف می باشد. بر این اساس هر یک از گره های A و B به عنوان گره های والدی گره C ( گره فرزندی) و گره C به عنوان گره ولدی برای گره D محسوب می شوند.

شکل 2-2 حالات و رابطه دو متغیر از یک شبکه باور بیزین .
این شکل، بخشی از یک شبکه باور بیزین را به عنوان نمونه ساده ای جهت تشریح عملکرد شبکه های باور بیزین نمایش می دهد. بر اساس این شکل گره A، متغیر موثر بر گره B می باشد. فرض کنید گره A دارای دو حالت E و F و گره B دارای دو حالت C و H می باشد.

رابطه 2-6:
P(H│E)=(P(E│H)P(H))/P(E)
بر این اساس پس از تعیین و کمیسازی روابط میان متغیرهای شبکه به زبان احتمالات و تعیین احتمالات واقعی مربوط به گره های ورودی ( گره های ولدی که تنها گره های فرزندی داشته و والدی ندارند)، شبکه بر اساس قضیه بیز به تعیین احتمالات مربوط به هر یک از حالات سایر متغیرهای می پردازد.
باید توجه داشت ارتباط میان متغیرهای شبکه همواره به صورت یک ارتباط علت و معلولی نبوده و تنها اثر یک متغیر را بر دیگری نشان می دهد [ 88، 95 ، 103]. اتصالات میان متغیرهای بصورت پیکان های جهت دار می باشند. بکارگیری این اتصالات در میان متغیرها به گونه ای که تشکیل یک چرخه یا حلقه بسته یک سویه را بدهند مجاز نمیباشد [104]. توسعه شبکه از طریق اتصالات در هر مسیر شبکه ممکن بوده اما باید توجه داشت که تشریح روابط میان متغیرها یک طرفه بوده و در جهت عکس ممکن نیست. BBNs می تواند جهت استنتاج محملترین شرایط برای یک نتیجه به کار رود، این ویژگی یکی از وجه تمایزات مدل سازی به روش شبکههای بیزین با سایر رویکردهای مدل سازی می باشد [100].
بر اساس توافق عمومی، بهتر است که ساختار شبکه تا حد ممکن ساده و با حداقل تعداد گره ممکن ( ترجیحاً 3 ولد یا کمتر) در نمودار و حداقل حالات ممکن ( ترجیحاً 5 حالت یا کمتر) برای هر گره باشد این ساده بودن باعث میشود جداول احتمالات شرطی به اندازه کافی کوچک باشند تا قابل فهم و قابل کنترل گردند [97].
در حین توسعه شبکه های باور بیزین، معمولا لازم است که متغیر ها را با تعریف نمودن چندین طبقه ( مثلا تقسیم بندی شرایط بارش به طبقه های زیاد ( بیشتر از متوسط کل بارش ماهیانه) و کم ( کمتر از متوسط کل بارش ماهیانه)، گسسته سازی نماییم ( یکی از مشکلات محاسباتی در بکارگیری متغیرهای پیوسته) . به منظور گسسته سازی متغیرها میتوان از برخی از الگوریتم های موجود استفاده نمود که البته این روش در مطالعات زیست محیطی کم تر توصیه می شود [103]. اما روش معمول گسسته سازی متغیرها، استفاده از نظر متخصصان به همراه استنتاج مقادیر از مطالعات انجام شده موجود و قضاوت های گروهی در حوزه مربوطه می باشد [109].
پولینو و همکاران61 (2007) روش دسترسی به طبقه بندیهای مفید جهت گسسته سازی متغیرهای پیوسته را مراجعه به آستانههای مدیریتی و یا راهنماهای موجود بیان میکنند. بر این اساس تعداد و عنوان حالات مربوط به هر متغیر از پیش تعیین شده نبوده و به صورت تک به تک ارزیابی و تعیین شدند. آن ها همچنین خاطر نشان می کنند، زمانی که گسسته سازی متغیرهای پیوسته براساس منابع موجود قابل پذیرش نیست، فرآیند گسستهسازی از طریق قضاوت متخصصین ممکن می باشد [110].
ارزشگذاری درقالب جداول احتمال شرطی از چالشهای اصلی در مدل سازی به کمک BBNs می باشد. در اغلب شرایط ارزشگذاری متغیرها به دلیل کمبود اطلاعات قابل قبول بسیار دشوار می باشد. در عین حال ارزشهای ورودی اثر مهمی بر کارایی مدل خواهند داشت. با افزایش اتصالات به هر گره، ارزش گذاری جداول احتمال شرطی مشکلتر میگردد[104]. همچنین، این امر زمانی که تعداد سناریوهای ( منظور از یک سناریو ترکیبی از شرایط حالات گرههای ورودی است که نهایتا توزیع احتمالات میان حالات گره مورد بررسی را تعیین می نماید) یک جدول احتمال شرطی افزایش یابند، دشوارتر میشود [100].
منابع اطلاعاتی استفاده شده در جداول احتمال شرطی اغلب ترکیبی از دانش تخصصی، شواهد، آزمایشها، داده های موجود و یا استنباط شده از مرور منابع، یافته های تجربی، مدل ها و یا مشاوره یا افراد دارای صلاحیت می باشد [104]. منابع اطلاعاتی متفاوتی مانند داده های تخمینی متخصصان در قالب BBNs، تلفیق و وزن دهی می شوند، چیزی که یکی از امتیازات کلیدی شبکه های باور بیزین به حساب می آید [110]. امکان ارزش گذاری شبکههای باور بیزین براساس گروهی از داده های موجود وجود دارد، به دلیل محدودیت داده ها در دسترس این امکان به ندرت در مدیریت حفاظتی وجود دارد. بنابراین، تکمیل این جداول اغلب به کمک دانش متخصصین صورت میگیرد. در مواردی که کمبود اطلاعات وجود دارد، ارزشها براساس قضاوت متخصص از اطلاعات محدود موجود داده میشوند [98، 104]. فرآیند مدل سازی به روش تلفیقی، به مستند سازی درک فعلی و شناخت منابع مجهول کلیدی یا شکافهای موجود در دانش کمک مینماید و همچنین، شاخصهای مناسبی جهت ایجاد پایهای برای مدیریت پایشی و سازگار فراهم می نماید [104، 106 ، 114]. چیزی که به عنوان یکی دیگر از امتیازات کلیدی شبکه های باور بیزین به حساب میآید.
با توجه به آنچه تا کنون گفته شد، مدلهای بیزین اغلب به صورت نظری تهیه میگردند که در نتیجه احتمال اریبی در آن ها وجود دارد. بنابراین، مرور، بازخوانی و اصلاح نمودارها و جداول توسط متخصصین میتواند به اصلاح این اریبیها کمک نماید [100].
شبکههای باور بیزین شباهت زیادی به درخت های تصمیمگیری و سایر مدل های تصمیمگیری دارند، اما نمایش تصویری و نمایش برهم کنش متغیرها در آنها، یک امتیاز بزرگ محسوب میشود خصوصاً به این دلیل که شبکه های باور بیزین قابلیت به روز رسانی داشته و امکان تکمیل و اصلاح ارتباطات موثر و یافته های شرایط جایگزین را به کاربر می دهند ( مانند درخت های تصمیم گیری و درخت های رگرسیون یا طبقه بندی) همچنین درک این شبکه ها توسط افراد دیگر ( غیر مدلسازان)، حتی در زمانی که بیشتر بر دانش تخصصی تکیه دارند، آسان است [100]. این ویژگی نیز از دیگر امتیازات شبکه های باور بیزین بر سایر رویکردهای مدل سازی می باشند. این واقعیت که شبکههای باور بیزین بر اساس احتمال عمل می کنند و نوع روابط میان متغیرها، آن ها را از سایر رویکردهای مدل سازی متمایز می نماید و کارایی آن ها را در ارزیابی خطر و پشتیبانی از تصمیمگیریها بالا می برد[67 ، 104]. کارایی شبکههای باور بیزین همچنین، با ترکیب نمودن گره های تصمیمگیری و گره های کاربردی در جهت تهیه نمودار اثر افزایش می یابد ( در مقایسه با درخت های تصمیمگیری)[ 104].
شبکه های باور بیزین روشی است که این امکان را فراهم میسازد که عدم اطمینان حاصل از مدل های برآورد بیابانزایی را به مدیران نشان داده و این مدیران هستند که میتوانند بر پایه درجه ریسکی که میتوانند بپذیرند روش مدیریتی مناسب را برگزینند. BBNsميتواند به عنوان روشي مناسب اطلاعات پراكنده را با يكديگر تلفيق كرده و با زبان احتمالات روابط اجزا را به طور گرافيكي نشان دهند و بنابراين به مديران در انتخاب بهترين روش مديريتي جهت مدیریت مناطق بیابانی كمك نمايد. استفاده از این روش منجر به سهولت درک روابط علت و معلولی میان متغیرها شده و میتواند با سایر ابزارهای‌ تحلیلی

پایان نامه
Previous Entries منابع پایان نامه ارشد درباره شرایط آب و هوایی، آبهای زیرزمینی، استان خراسان، پوشش گیاهی Next Entries منابع پایان نامه ارشد درباره عدم قطعیت، مدل سازی، زیست محیطی، عدم اطمینان