Ataollah Shirzadi

Arsenic is one of the heavy metals that can directly and indirectly pose serious threats to the environment of a region in various ways, including soil and water pollution. Bijar county is one of the geographical areas located in Kurdistan province, whose environment is in an unfavorable condition in terms of arsenic pollution. Considering the importance of resilience in dealing with all kinds of hazards, measuring the resilience of residents exposed to pollution and predicting the factors affecting resilience can play an important role in reducing the risks caused by arsenic. Therefore, the main goal of the current research is to measure and predict the resilience of communities exposed to arsenic pollution in Bijar county. The statistical population of the research consists of residents of six villages of the county (Najaf Abad, Bashuki, Ibrahim Abad, Baba Nazar, Gundok, Ali Abad), which are exposed to more arsenic pollution than other villages and among them, 150 people are considered as a statistical sample. The main research tool for data collection is a researcher-made questionnaire, whose validity and reliability have been confirmed by following the principles of field research. SPSS software and machine learning algorithms (NBTree, Bayesian network, Naïve Bayes and Random Forest) have been used for data analysis. The results of the research showed that the state of resilience in the study area of the majority of respondents (78%) is at high and very high levels. The results of examining the importance of factors affecting arsenic resistance with the IGR method showed that the most important factors affecting resistance in order of importance are: Age (0.343), education (0.271), monthly household expenses (0.232), number of unemployed (0.226), knowledge (0.181), household size (0.171), ownership of capital resources ( 0.17), contingent events (0.116) and main job (0.108). The results of comparing the performance of machine learning algorithms for predicting resilience against arsenic showed that among the investigated algorithms, the NBTree algorithm had the best performance in predicting resilience against arsenic.

Identifying the effective factors in the occurrence of fire and zoning the sensitivity to its occurrence is one of the basic tools to achieve fire control and countermeasures. Forest fire modeling is very important to identify the distribution of forest fires based on scientific methods. In this research, the Information Gain Ratio (IGR) technique and the Average Merit index were used to evaluate the predictive power of factors affecting the occurrence of forest fires in Marivan County. The results of these methods showed that among the 14 effective factors considered at the beginning, 12 factors were involved in the occurrence of fire, which include: annual average wind speed, altitude, relative humidity, precipitation, average maximum temperature , distance from the road, land use, road density, distance from residential areas, NDVI, solar radiation and slope. Also, the results showed that the two factors of slope direction and topographic humidity index were removed from the final modeling due to the mean value of merit equal to zero. Meanwhile, the variables of average wind speed, altitude and relative humidity compared to other variables had the greatest impact on the occurrence of fire. Also, after training all three applied machine learning models, including random forest models, support vector machine and logistic regression, their performance in the field of finding the potential of fire occurrence was measured using statistical criteria. Therefore, in terms of training samples, the random forest model (0.98) had higher accuracy than the support vector machine model (0.931). The value of sensitivity index in random forest and support vector machine models was 0.982 and 0.934, respectively. This means that the random forest model is able to correctly classify 1.98% of fire pixels as fire-dominated areas, which has a higher predictive power than the support vector machine model. The prepared maps were classified into five classes of very low sensitivity, low sensitivity, medium sensitivity, high sensitivity and very high sensitivity based on the Natural Breaks classification method. Also, the area and the percentage of the area of the fire potential floors were extracted for all three models. The results of all three models for the potential of fire showed that the western and southwestern parts of Marivan have a higher fire risk potential than other parts of Marivan. ROC curve method was used to validate all three models. The results showed that among the random forest model, support vector machine and logistic regression, the highest accuracy was assigned to the support vector machine model (0.997).

Buildings consume over 40% of the world's primary energy and responsible for about one-third of greenhouse gas (GHG) emissions. Predicting energy consumption is very important to improve energy supply as well as efficiency. In addition to the planning and energy demand management, by prediction the factors affecting energy consumption can be identified. Predicting energy demand is very challenging because it often follows complex nonlinear patterns and also has various influential variables, including building physics, occupant behavior, and HVAC systems; Therefore, traditional statistical forecasting techniques are poor to achieve accurate results. In recent years, the power of complex data computing has greatly increased using Machine Learning (MA). Many MA algorithms are able to process nonlinear patterns of data, and provide an authentic model to predict energy demand. In this study, MA models such as Linear Regression, XGBoost, Artificial Neural Network and Random Forest were applied to investigate and predict heating energy (gas) in residential buildings. The input variables used in this study include a set of real gas consumption data as well as behavioral and socio-cultural information that was collected through questionnaires in Kurdistan province. The data has been compiled in the form of a comprehensive and reliable database. To validate the process, the square root mean square error (RMSE) and coefficient of determination (R2) analysis were applied to examine the accuracy of machine learning models. The results show that the reinforcement gradient model (XGBoost) had the best predictive accuracy of R2 (79%) and RMSE (11214). By examining the input parameters, the parameters highly affecting the heating energy demand were identified. In the last step, using two factors, including population growth and total in residential units’ area in Arima model, the gas demand for 2025 and 2030 in Sanandaj city was predicted. Finally, by simulating a residential building in Sanandaj city, the amount of energy demand in this building was predicted and architectural solutions were provided to reduce the energy demand.

رواناب و سیلاب یکی از مهم ترین و پرحادثه ترین مخاطرات طبیعی هستند که در سال های اخیر تکرار و شدت وقوع آن بیشتر نیز شده است. رواناب هایی که منجر به سیلاب می شوند بالاترین تلفات جانی را به همراه دارند. هدف از انجام این پژوهش مقایسه سه روش Composite-CN ، SARA-CN و روش جدولی شماره منحنی سازمان منابع طبیعی حفاظت خاک، جهت تخمین مقدار CN در دو زیرحوضه شاهد و نمونه از حوضه معرف زوجی خامسان در استان کردستان می باشد .در این مطالعه از تصاویر ماهواره ای لندست 7 و 8 در سال های 2010، 2011، 2012، 2013 و 2016 برای حوضه های زوجی شاهد و نمونه در سال های مذکور استفاده شد. در این خصوص جهت دستیابی به نقشه های شماره منحنی دو زیرحوضه از داده-های سنجش از دور و سامانه اطلاعات جغرافیایی نقشه های کاربری اراضی و شاخص تفاوت تراکم پوشش گیاهی (NDVI) و نقشه خاک استفاده گردید. دقت روش های مذکور با استفاده از شاخص های انحراف مطلق میانگین (MAD)، خطای میانگین مربعات (MSE)، خطای جذر میانگین مربعات (RMSE) و درصد میانگین مطلق خطا (MAPE) تعیین شدند. نتایج نشان داد که در حوضه شاهد، روش کامپوزیت به ترتیب با مقادیر خطای 02/16، 208/305، 47/17 و 09/19 و نیز در حوضه نمونه این روش به ترتیب با مقادیر خطای 48/16، 35/363، 06/19 و 95/18 از دقت بالاتری نسبت به سایر روش ها برخوردار شد. با این حال، نتایج نشان داد در سطح 95 درصد آماری شواهدی مبنی بر پذیرفتن فرض صفر وجود نداشته و روش های استفاده شده برای برآورد شماره منحنی در منطقه مورد مطالعه قابل اعتماد نیستند.. در نهایت، نتایج بیانگر این مطلب است که قبل از استفاده از روش های مطالعه شده، شماره منحنی باید به منظور برآورد رواناب با دقت بیشتر کالیبره شود.

سیل دومین بلای طبیعی است که سالانه خسارات زیادی را به جوامع انسانی وارد می آورد. در این میان شهرها و مراکز جمعیتی، بیشترین ریسک و احتمال خسارت فیزیکی قابل لمس ناشی از وقوع سیل را دارا می باشند. بنابراین هدف از این مطالعه پیش بینی مکانی مخاطره سیلاب در شهر سنندج در استان کردستان با استفاده از مدل های ترکیبی در محیط GIS بود. فاکتورهای مؤثر بر وقوع سیل که در این مطالعه در نظر گرفته شدند شامل درصد شیب، جهت شیب، ارتفاع، فاصله از رودخانه، تراکم رودخانه، تجمع جریان،کاربری اراضی، انحنای شیب، لیتولوژی، فاصله از معابر، تراکم معابر، فاصله از ساختمان، تراکم ساختمان و میزان بارندگی بود. پس از جمع آوری اطلاعات و لایه های مورد نیاز، به کمک الگوریتم های چهارگانه شامل مدل تابع شواهد قطعی (EBF)، شواهد وزنی (WOE)، شاخص آماری (SI) و لجستیک رگرسیون (LR) هم به صورت منفرد و هم به صورت ترکیبی، نقشه پیش بینی مکانی حساسیت سیلاب در شهر سنندج تهیه شد. به منظور ارزیابی عملکرد مدل از سطح زیر نمودار AUC به دست آمده از منحنی ROC استفاده گردید. با توجه به معیار ارزیابی مورد استفاده در این مطالعه (ROC) و با توجه به داده های اعتبارسنجی، مدل تابع شواهد قطعی و رگرسیون لجستیک در پتانسیل یابی سیلخیزی در منطقه مورد نظر دارای بهترین عملکرد بودند و شواهد وزنی دارای کمترین عملکرد بود. در روش های ترکیبی مدل های ترکیب شده با رویکرد رگرسیون لجستیک از جمله مدل های SI-LR (904/0)، WOE-LR (904/0)، EBF-LR (873/0) دارای بهترین عملکرد بوده و مدل ترکیبی WOE-EBF دارای کمترین عملکرد بود. اما به طور کلی مدل های ترکیب شده با مدل رگرسیون لجستیک نسبت به دیگر مدل های ترکیبی و منفرد دارای عملکرد بهتری بودند. نتایج مطالعه نشان داد که سیل خیزی شهر سنندج ناشی از برآیند عوامل مختلف محیطی و انسانی است که بر اساس نقشه پیش بینی خطر سیل ارائه شده می توان اقدامات مدیریتی مناسبی را جهت کاهش خسارت ها و تلفات ناشی از سیل انجام داد.

فرسایش خندقی یکی از شکل های پیشرفته و بحرانی فرسایش آبی است که باعث نابودی حجم بزرگی از خاک زمین ها می شود. شناسایی عوامل مؤثر بر وقوع این نوع فرسایش و پهنه-بندی اراضی نسبت به آن، یکی از ابزارهای اساسی و مهم جهت مدیریت و کنترل این پدیده می باشد. هدف از این مطالعه، پیش بینی مکانی حساسیت فرسایش خندقی در حوضه آبخیز کلوچه بیجار در استان کردستان می باشد. در پژوهش حاضر ابتدا تعدادی از مهم ترین عوامل مؤثر بر توسعه فرسایش خندقی در منطقه شامل شیب، جهت شیب، ارتفاع، انحنای افقی و عمودی شیب، شاخص رطوبت توپوگرافی (TWI)، شاخص توان آبراهه (SPI)، شاخص حمل رسوب (STI)، لیتولوژی، کاربری اراضی، بارندگی، فاصله از جاده، تراکم جاده، فاصله از گسل، تراکم گسل، فاصله از آبراهه، تراکم آبراهه، گروه هیدرولوژیکی خاک، ژئومورفولوژی و نفوذپذیری نسبی در محیط سیستم اطلاعات جغرافیایی تهیه و رقومی شدند. در این مطالعه از چهار روش تحلیل سلسله مراتبی، رگرسیون لجستیک، منطق فازی و سلسله مراتبی دلفی فازی استفاده شد. در نهایت برای تعیین صحت نقشه های نهایی از منحنی ROC استفاده گردید. نتایج بدست آمده از پژوهش حاضر نشان داد که در این مطالعه فاکتورهای فاصله از رودخانه، تراکم رودخانه و شیب به ترتیب دارای بیشترین تأثیر در ایجاد فرسایش خندقی بوده و لیتولوژی، نفوذپذیری و ژئومورفولوژی نیز به ترتیب دارای کمترین تأثیر در ایجاد فرسایش خندقی بودند. همچنین نتایج اعتبارسنجی مدل ها نشان داد که مدل رگرسیون لجستیک نسبت به دیگر مدل ها در زمینه ارزیابی پتانسیل فرسایش خندقی دارای بهترین عملکرد می باشد. به طور کلی نتایج مطالعه نشان داد که مدل رگرسیون لجستیک در زمینه پتانسیل یابی فرسایش خندقی دارای بهترین عملکرد می باشد.

حرکت های دامنه ای یکی از مخاطرات طبیعی می باشد که علاوه بر نابودی ارضی با مسدود نمودن شبکه های ارتباطی ضربه های اقتصادی قابل توجهی را به دنبال خواهد داشت. در نتیجه، شناسائی نقاط مستعد حرکت های دامنه ای از جمله زمین لغزش و سنگ افتان مدل سازی و ارزیابی آن می تواند در حوزه های مانند مدیریت اقتصادی، اجتماعی، سیاسی و فرهنگی به عنوان ابزاری مهم در تصمیمات کلان مدنظر قرار گیرد. در این پژوهش برای پیش بینی و شناسائی نقاط مستعد حرکت های دامنه ای در گردنه صلوات آباد سنندج که اصلی ترین شبکه ارتباطی استان کردستان در غرب کشور محسوب می شود از سه الگوریتم پیشرفته داده کاوی درخت تصمیم، ماشین بردار پشتیبان و بیزین رگرسیون لجستیک استفاده شده است. در مدل سازی انجام شده از اندازه 70 به 30 درصد(آموزش و صحت سنجی)و همچنین قدرت تفکیک مکانی 10 متری مورد استفاده قرار گرفته است. از 18 عامل مؤثر که بر وقوع حرکت-های دامنه ای در منطقه مورد مطالعه گرفته شده است پس از اعمال روش نرخ بهره اطلاعاتی براساس مدل سازی داده های آموزشی 10 عامل برای هر سه مدل انتخاب شده است. برای صحت سنجی الگوریتم های مورد استفاده از معیارهای آماری؛ حساسیت، شفافیت، صحت، کاپا، ریشه مجذور مربعات خطا و درصد مساحت زیر منحنی نرخ موفقیت استفاده شده است. نتایج بدست آمده نشان می دهد که عامل های پوشش گیاهی، فاصله از جاده، ارتفاع، زوایه شیب، شاخص نمناکی توپوگرافیکی به ترتیب 5 فاکتور اثرگذار بر وقوع رخداد حرکت های دامنه ای در منطقه مورد مطالعه بوده است. همچنین نتایج نشان داده است که صحت پیش بینی الگوریتم ماشین بردار پشتیبان براساس شاخص مساحت زیر منحنی نسبت به سایر الگوریتم های استفده شده دقت بالاتری را داشته است. در مطالعه انجام شده منحنی ROC براساس الگوریتم ماشین بردار پشتیبان 976/0 بدست آمده است که از دو الگوریتم دیگر نمایش بهتری و عملکرد بالاتری را داشته است. همچنین نتایج میزان 251/0RMSE= و 769/0Kappa= را برای الگوریتم ماشین بردار پشتیبان نشان داده که به ترتیب کمترین خطا و بالاترین مقدار در میان سایر الگوریتم های مورد استفاده داشته است. در تهیه نقشه های پهنه بندی پس از رسم نمودار هیستوگرام سه روش پرکاربرد Natural Breaks(jenks), Quantile, Geometrical Interval روش Quantile به عنوان روش مناسب در تهیه نقشه پیش بینی مکانی حساسیت به حرکت

زمین لغزش های سطحی به عنوان یکی از چالش های زیست محیطی شناخته شده و منجر به تخریب زمین و در نتیجه کاهش حاصل خیزی آن و نیز خسارت های اکوسیستمی قابل توجهی می گردند. بنابراین، شناسایی صحیح مناطق مستعد زمین لغزش های سطحی از طریق مدل سازی، کمک شایانی به مدیران و برنامه ریزان توسعه اراضی و همچنین برنامه های آمایش سرزمین برای ارائه استراتژهای مدیریتی مناسب جهت جلوگیری ازتخریب زمین می نماید. با این دید، مسئله مهم پیش روی مدل سازی زمین لغزش ها موضوع "عدم قطعیت" به مفهوم شک و تردید در مورد نتایج به دست آمده از مدل سازی می باشد. در این پژوهش دو نوع از عدم قطعیت های مربوط به داده های ورودی به مدل شامل ترکیبی از اندازه نمونه و قدرت تفکیک مکانی (اندازه پیکسل ها)، جهت پیش بینی حساسیت زمین لغزش های سطحی اطراف شهر بیجار با استفاده از الگوریتم های پیشرفته داده کاوی شامل الگوریتم درخت تصمیم از نوع ADTree و الگوریتم بیز-مبنا از نوع Naïve Bayes (NB) و همچنین الگوریتم های ترکیب/تجمیعی شامل Multiboost (MB)، Bagging،Random Subspace (RS) و Rotation Forest (RF) به کار گرفته شدند. به این منظور، چهار نوع اندازه نمونه شامل 40/60، 30/70، 20/80 و 10/90 درصد (تعداد داده های آموزشی و صحت سنجی) و همچنین شش نوع قدرت تفکیک مکانی شامل 10، 15، 20، 30، 50 و 100 متری مورد بررسی قرار گرفتند. از میان بیست عامل مؤثر بر وقوع زمین لغزش های سطحی بر اساس تکنیک Information Gain Ratio (IGR) در اغلب ترکیب ها، 12 عامل برای فرایند مدل سازی بر اساس داده های آموزشی انتخاب شدند. فرایند ارزیابی صحت الگوریتم ها براساس حساسیت (Sensitivity)، شفافیت(Specificity) ، صحت(Accuracy) ، کاپا(Kappa) ، ریشه مجذور مربعات خطا(RMSE) و درصد مساحت زیر منحنی نرخ موفقیت پیش بینی (AUROC) انجام گرفت. نتایج نشان داد عوامل زاویه شیب، شاخص نمناکی توپوگرافیکی (TWI)، انحنای طولی شیب و ترکیب زاویه-طول شیب (LS) به ترتیب چهار عامل مهم اثرگذار بروقوع زمین لغزش های سطحی منطقه مورد مطالعه بودند. همچنین نتایج بیانگر این مطلب است که به ازاء قدرت تفکیک مکانی ثابت، صحت پیش بینی الگوریتم درختی ADTree -بر اساس شاخص صحت- با افزایش تعداد زمین لغزش های در نظرگرفته شده برای آموزش مدل، افزایش یافت. علاوه بر این، به ازاء یک مقدار ثابت اندازه نمونه، معمولاً با افزای

در این رساله پهنه بندی خطر زمین لغزش با استفاده از مدل آماری رگرسیون لجستیک برای زمین لغزش های اطراف بیجار(کردستان) صورت گرفته و براساس کارهای میدانی ضمن مورفومتری ناپایداری های مربوطه بر روی نقشه مناطق حساس به رانش تعیین شده اند.

وجود کانی های حاوی آرسنیک در مواد مادری از دلایل عمده آلودگی خاک به این عنصر سمی می باشد. یافتن اطلاعات کافی، بررسی خصوصیات فیزیکو شیمیایی سایتهای آلوده و تخمین فلزات سنگین در خاک گام مهمی در ارزیابی خطرات مرتبط با توزیع آنها و تحقیق در مورد درمان آنها می باشد. هدف از انجام این مطالعه پهنه بندی حضور آرسنیک و یافتن مهمترین پارامترهای موثر بر غلظت و حلالیت آن در خاک های آهکی دشت قروه در استان کردستان با استفاده از مدل رگرسیون لجستیک می باشد. بدین منظور تعداد 214 نمونه خاک از دو عمق 10-0 و 50-40 سانتیمتر با استفاده از روش سیستماتیک و فواصل شبکه 9/0×9/0کیلومتر از منطقه مطالعاتی جمع آوری شد و خصوصیات فیزیکوشیمیایی آنها از قبیل اسیدیته، هدایت الکتریکی،ماده آلی، ظرفیت تبادل کاتیونی، بافت خاک، میزان اکسیدهای آزاد آهن و منگنز، آنیون های کربنات، فسفات و سولفات و همچنین لایه های کمکی زمین شناسی و شیب به عنوان متغیر های اصلی موثر بر غلظت و حلالیت آرسنیک مورد بررسی قرار گرفتند. تحلیل نتایج با استفاده از آزمون همبستگی بر روی نمونه های خاک نشان داد که میزان آرسنیک دارای روابط معنی داری با اکسیدهای آزاد آهن و منگنز، ظرفیت تبادل کاتیونی، کربنات، فسفات و درصد رس و شن است. نتایج تجزیه رگرسیون لجستیک نشان داد که میزان اکسیدهای آزاد آهن بی شکل و منگنزکل، ظرفیت تبادل کاتیونی، فسفات و زمین شناسی در سطح الارض و اکسیدهای آزاد آهن کل و منگنز بی شکل، فسفات، کربنات و خصوصیات زمین شناسی در تحت الارض بیشترین تاثیر را بر احتمال حضور آرسنیک در خاک های مورد مطالعه داشتند. همچنین تحلیل نتایج حاصل از آزمون صحت پیش بینی مدل در عمق های 10-0 و 50-40 سانتیمتر به ترتیب 7/89 و 8/88 درصد و با استفاده از شاخص (ROC)Receiver Operating Characteristic نیز برای هر دو عمق مورد مطالعه به ترتیب 954/0 و 903/0 که نشان از قابلیت مدل رگرسیون لجستیک در تخمین عوامل موثر بر حضور و پهنه بندی غلظت و حلالیت آرسنیک داشت. علاوه بر این نتیجه ارزیابی صحت نقشه پهنه بندی حضور آرسنیک به روش Success Rate Curve (SRC) در هر دو عمق به ترتیبمعادل 18/84 و84/80 درصد بود. خروجی نقشه پهنه بندی حاکی از تمرکز آرسنیک در منتهی الیه غربی و شرقی دشت قروه در هر دو عمق بود که عمدتاً ناشی از مواد مادری تشکیل دهنده خاک در منطقه مطالعاتی می باشد.