تم إضافة تقرير جديد 2024
ارسل ملاحظاتك

ارسل ملاحظاتك لنا









الرئيسية > تقنيات تعلم الآلة ML ونظم المع...>الوصف

تقنيات تعلم الآلة ML ونظم المعلومات الجغرافية GIS في رسم خرائط مخاطر الفيضانات: حالة المسيلة

العنوان بلغة أخرى: Machine Learning and GIS Techniques in Flood Risk Mapping: Case Study of M’sila
المصدر: مجلة العمارة وبيئة الطفل
الناشر: جامعة باتنة 1 الحاج لخضر - مخبر الطفل ، المدينة والبيئة
المؤلف الرئيسي: تاهمي، صادق (مؤلف)
المجلد/العدد: مج8, ع2
محكمة: نعم
الدولة: الجزائر
التاريخ الميلادي: 2023
الشهر: أوت
الصفحات: 4 - 14
ISSN: 2710-8252
رقم MD: 1492448
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EduSearch, HumanIndex
مواضيع:
تقنيات تعلم الآلة | الكوارث الطبيعية | مخاطر الفيضانات | رسم الخرائط | الجزائر
كلمات المؤلف المفتاحية:
نظم المعلومات الجغرافية | تعلم الآلة | الفيضانات | نموذج تعلم الآلة | Geographic Information Systems "GIS" | Machine Learning "ML" | Floods | Machine Learning Model
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: تلعب نظم المعلومات الجغرافية GIS دورا هاما في توفير وتصميم خرائط الفيضانات واحتمالية حدوثها، خصوصا من خلال دمجها مع تقنيات التعلم الآلي ML الحديث، هدفت هذه الورقة البحثية لإبراز مدى أهمية الدمج بين التقنيتين في رسم خرائط مخاطر الفيضانات، ومن أجل تحقيق هذا الهدف قمنا بدراسة حالة مدينة المسيلة التي تعد من بين أكثر المناطق في الجزائر عرضة لهذا النوع من الأخطار. توصلت هذه الأخيرة لرسم خريطة باستخدام نظم المعلومات الجغرافية تحدد المناطق الأكثر عرضة لخطر الفيضانات في مدينة المسيلة وتحقيق الهدف المطلوب، وذلك بعد المقارنة بين نتائج 3 خوارزميات تعلم آلة ML، هي نموذج تعزيز التدرج الشديد xGboost، خوارزمية الغابة العشوائية Random Forest، وخوارزمية الجار الأقرب K Nearest Neighbor، حيث أعطت كل من هذه الخوارزميات معدل دقة معين Accuracy، بلغ هذا الأخير على التوالي 97.92%، 95%، 93,75%، أخيرا تم الاعتماد في عملية رسم الخريطة النهائية على النموذج الأول والذي أعطى أكبر دقة وهو نموذج xGboost.

Geographic Information Systems (GIS) play a vital role in providing and designing flood maps and their probability, especially through their integration with modern machine learning (ML) techniques. The aim of this research paper is to highlight the importance of the integration between these two technologies in drawing flood risk maps. In order to achieve this goal, we studied the case of the city of M'sila, which is one of the areas in Algeria most prone to this type of hazard. The study resulted in drawing a map using GIS that identifies the most flood-prone areas in the city of M'sila and achieving the desired goal, after comparing the results of three machine learning algorithms, which are the extreme gradient boosting (xGboost) model, the random forest algorithm, and the k-nearest neighbor algorithm. Each of these algorithms gave a certain level of accuracy, with the latter reaching 97.92%, 95%, and 93.75%, respectively. Finally, the first model, which gave the highest accuracy, was used in the process of drawing the final map, which is the xGboost model.
ISSN: 2710-8252

عناصر مشابهة


© 2025 المنظومة. جميع الحقوق محفوظة.