Faculty Profile

عطااله شیرزادی
تاریخ به‌روزرسانی: 1403/06/29

عطااله شیرزادی

دانشکده منابع طبیعی / گروه مرتع و آبخیزداری

Theses Faculty

پایان‌نامه‌های کارشناسی‌ارشد

  1. سنجش و پیش‌بینی تاب آوری جوامع در معرض آلودگی آرسنیک (مطالعه موردی: شهرستان بیجار)
    1402
    آرسنیک یکی از فلزات سنگین است که می تواند به شیوه های مختلفی از جمله آلودگی منابع آب و خاک، به صورت مستقیم و غیرمستقیم محیط زیست یک منطقه را با تهدیدهای جدی مواجه نماید. شهرستان بیجار از فضاهای جغرافیایی واقع در استان کردستان است که محیط آن به لحاظ آلودگی به آرسنیک، در وضعیت نامناسبی قرار دارد. با توجه به اهمیت مبحث تاب آوری در مقابله با انواع مخاطرات، سنجش وضعیت تاب آوری ساکنان در معرض آلودگی و پیشبینی عوامل موثر بر ارتقای تاب آوری می تواند نقش مهمی را در کاهش مخاطرات ناشی از آرسنیک ایفا نماید. از این رو هدف اصلی پژوهش حاضر سنجش و پیش‌بینی تاب آوری جوامع در معرض آلودگی آرسنیک در شهرستان بیجار است. جامعه آماری پژوهش را ساکنان شش روستای شهرستان (روستاهای نجف آباد، باشوکی، ابراهیم آباد، بابانظر، گوندک، علی آباد) تشکیل می دهد که نسبت به دیگر روستاها در معرض آلودگی آرسنیک بیشتری قرار گرفته اند و در میان آن ها 150 نفر به عنوان نمونه آماری در نظر گرفته شده اند. ابزار اصلی پژوهش جهت جمع آوری داده ها، پرسشنامه محقق ساخته است که روایی و پایایی آن با رعایت اصول پژوهش های میدانی تایید شده است. جهت تجزیه و تحلیل داده‌ها، از نرم افزار SPSS و الگوریتم های یادگیری ماشین (NBTree، Bayesian network، Naïve Bayes و Random Forest) استفاده شده است. نتایج پژوهش نشان داد وضعیت تاب‌آوری در محدوده مطالعاتی اکثریت پاسخگویان (78 درصد) در سطوح زیاد و خیلی زیاد قرار گرفته است. نتایج بررسی اهمیت فاکتورهای موثر بر تاب‌آوری آرسنیک با روش IGR نشان داد مهم ترین فاکتورهای موثر بر تاب‌آوری به ترتیب اهمیت عبارت اند از: سن (0/343)، تحصیلات (0/271)، مخارج ماهیانه خانوار (0/232)، تعداد بیکاران (226/0)، آگاهی (0/181)، بعد خانوار (0/171)، مالکیت منابع سرمایه‌ای (0/17)، پیشامدهای اقتضایی (0/116) و شغل اصلی (0/108). نتایج مقایسه عملکرد الگوریتم های یادگیری ماشین برای پیش‌بینی تاب‌آوری در برابر آرسنیک نشان داد در میان الگوریتم های مورد بررسی، الگوریتم NBTree دارای بهترین عملکرد در پیش‌بینی تاب‌آوری در برابر آرسنیک بوده است.
  2. پهنه بندی مناطق حساس به وقوع آتش سوزی با استفاده از الگوریتم های یادگیری ماشین (مطالعه موردی: جنگل های شهرستان مریوان)
    1402
    شناسایی عوامل موثر در وقوع آتش‌ سوزی و پهنه‌ بندی حساسیت به وقوع آن یکی از ابزارهای اساسی جهت دستیابی به راه کارهای کنترل و مقابله با آتش‌ سوزی است. مدل‌سازی آتش‌سوزی جنگل برای شناسایی توزیع آتش‌سوزی جنگل‌ها بر اساس روش‌های علمی از اهمیت بسزایی برخوردار هستند. در این پژوهش، از تکنیک Information Gain Ratio (IGR) و شاخص میانگین شایستگی (Average Merit) جهت ارزیابی قدرت پیش‌بینی عوامل موثر بر وقوع آتش سوزی جنگل در شهرستان مریوان استفاده شد. نتایج این روش ها نشان داد که از میان 14 عامل موثر در نظر گرفته شده در ابتدا، تنها 12 عامل شامل میانگین سرعت باد، ارتفاع، رطوبت نسبی، بارش، میانگین حداکثر دما سالانه، فاصله از جاده، کاربری اراضی، تراکم جاده، فاصله از مناطق مسکونی، NDVI، تابش خورشیدی و شیب در وقوع آتش سوزی نقش داشته‌اند. همچنین، نتایج نشان داد دو عامل جهت شیب و شاخص رطوبت توپوگرافیک به دلیل مقدار میانگین شایستگی برابر صفر از مدل‌سازی نهایی حذف شدند. در این میان متغیرهای میانگین سرعت باد، ارتفاع و رطوبت نسبی نسب به سایر متغیرها بیشترین تاثیر را بر وقوع آتش سوزی داشتند. همچنین پس از آموزش هر سه مدل یادگیری ماشین به کاربرده شده شامل مدل‌های جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک، عملکرد آن‌ها در زمینه پتانسیل‌یابی وقوع آتش سوزی با استفاده از معیارهای آماری سنجیده شد. بنابراین از نظر نمونه‌های آموزشی، مدل جنگل تصادفی (0/98) نسبت به مدل ماشین بردار پشتیبان (0/931) دارای صحت بالاتری بود. مقدار شاخص حساسیت در مدل‌های جنگل تصادفی و ماشین بردار پشتیبان به ترتیب 0/982 و 0/934 بوده که این بدان معنی است که مدل جنگل تصادفی قادر است 98/1 درصد از پیکسل های آتش سوزی را به درستی به‌عنوان مناطق تحت سیطره آتش سوزی طبقه‌بندی نماید که نسبت به مدل ماشین بردار پشتیبان قدرت پیش‌بینی بالاتری داشته است. نقشه های تهیه شده بر اساس روش طبقه‌بندی شکست طبیعی (Natural Breaks) به پنج کلاس حساسیت خیلی کم، حساسیت کم، حساسیت متوسط، حساسیت زیاد و حساسیت خیلی زیاد طبقه بندی گردیدند. همچنین مساحت و درصد مساحت طبقات پتانسیل وقوع آتش سوزی برای هر سه مدل استخراج گردید. نتایج هر سه مدل برای پتانسیل وقوع آتش سوزی نشان داد که بخش غربی و جنوبی غربی نسبت به سایر بخش های شهرستان مریوان دارای پتانسیل خطر آتش سوزی بالاتری می باشد. برای اعتبارسنجی هر سه مدل از روش منحنی ROC استفاده گردید. نتایج نشان داد که از میان مدل جنگل تصادفی، ماشین بردار پشتیبان و رگرسیون لجستیک، بیشترین صحت به مدل‌ ماشین بردار پشتیبان (0/997) اختصاص داشته است.
  3. پیش بینی مصرف انرژی (گرمایشی،گاز) در ساختمان های مسکونی با استفاده از الگوریتم های یادگیری ماشین به منظور کاربرد در طراحی معماری
    1400
    ساختمان ها مصرف کننده 40% از انرژی اولیه در جهان می باشند و تقریباً انتشار دهنده یک سوم از گازهای گلخانه ای (GHG) نیز هستند. پیش بینی میزان مصرف انرژی در آینده برای مدیریت بهینه تامین و مصرف انرژی در این حوزه از اهمیت بسیاری برخوردار است. علاوه بر آمادگی و برنامه ریزی برای مدیریت میزان تقاضای انرژی می توان عوامل موثر بر میزان مصرف انرژی را شناسایی و با ارائه راهکارهای معمارانه در جهت کاهش این عوامل در ساختمان های مسکونی اقدام نمود. پیش بینی میزان مصرف انرژی بسیار چالش برانگیز است زیرا اغلب از الگوهای غیرخطی پیچیده پیروی می کند و همچنین دارای متغیرهای تاثیرگذار مختلفی از جزئیات فیزیک ساختمان، رفتار ساکنین و تجهیزات گرمایشی و سرمایشی می باشد، ازاین رو تکنیک های پیش بینی آماری سنتی برای دستیابی به پیش بینی های دقیق انرژی بسیار ضعیف عمل می کنند. در سال های اخیر قدرت ودقت محاسبات پیچیده و تحلیل داده های واقعی با استفاده از یادگیری ماشین (Machine Learning) بهبود یافته است. بسیاری از تکنیک های یادگیری ماشین قادر به تحلیل الگوهای غیرخطی داده ها هستند که این امر موجب تهیه مدل مناسبی برای پیش بینی مصرف انرژی می شود. در این پژوهش، مدل های یادگیری ماشین ازجمله رگرسیون خطی (Linear Regression)، گرادیان تقویتی (XGBoost) ، شبکه های عصبی مصنوعی (Artificial Neural Network) و جنگل تصادفی (Random Forest) برای بررسی و پیش بینی مصرف انرژی (گرمایشی، گاز) در ساختمان های مسکونی استفاده شده است. متغیرهای ورودی مورداستفاده برای این مطالعه شامل مجموعه ای از داده های واقعی مصرف گاز و نیز اطلاعات رفتاری و فرهنگی، اجتماعی جمع آوری شده از طریق پرسشنامه ها در استان کردستان است که در قالب یک بانک اطلاعاتی جامع و موثق تشکیل شده است. در طی این فرآیند از تحلیل خطاهای جذر میانگین مربعات (RMSE) و ضریب تعیین (R^2) برای مقایسه دقت عملکرد مدل های یادگیری ماشین استفاده شده است و نتایج آن نشان می دهد که مدل گرادیان تقویتی (XGBoost)، بهترین دقت پیش بینیR^2 (79%) و RMSE (11214) را با استفاده از داده های این پژوهش دارد و با بررسی پارامترهای ورودی، مولفه های تاثیرگذار بر میزان مصرف انرژی گرمایشی در ساختمان های مسکونی مشخص شد. در گام دوم با استفاده از مدل Arima و با استفاده از داده های مصرف سالیانه انرژی و دو عامل رشد جمعیت و متراژ کل واحدهای مسکونی میزان مصرف گاز در سال 2025 و 2030 برای شهر سنندج پیش بینی شده و درنهایت با شبیه سازی یک ساختمان مسکونی طراحی شده در شهر سنندج، میزان مصرف انرژی در این ساختمان پیش بینی شده و راهکارهای معمارانه در جهت کاهش مصرف انرژی در ساختمان های مسکونی ارائه گردید.
  4. شبیه سازی رواناب سطحی با استفاده از روش کامپوزیت شماره منحنی
    1398
    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.
  5. پیش بینی مکانی مخاطره سیلاب در شهر سنندج با استفاده از مدل های ترکیبی
    1397
    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 موثر 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.
  6. پیش بینی مکانی حساسیت فرسایش خندقی در حوضه آبخیز کلوچه بیجار
    1397
    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 موثر 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 موثر 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 تاثیر در ایجاد فرسایش خندقی بوده و لیتولوژی، نفوذپذیری و ژئومورفولوژی نیز به ترتیب دارای کمترین تاثیر 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.
  7. پیش بینی مکانی حرکت های دامنه ای جاده ای با استفاده از الگوریتم های پیشرفته داده کاوی (گردنه صلوات آباد سنندج)
    1397
    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 موثر 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
  8. پیش بینی زمین لغزش های سطحی اطراف شهر بیجار با استفاده از الگوریتم های پیشرفته داده کاوی
    1396
    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 موثر 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
  9. پهنه بندی خطر زمین لغزش با استفاده از مدل آماری رگرسیون لجستیک- مطالعه موردی: زمین لغزش های اطراف بیجار(کردستان)
    1391
    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.
  10. ارائه یک مدل منطقه ای بمنظور بررسی عوامل موثر بر میزان آرسنیک خاک (مطالعه موردی : حوزه آبخیز قروه، استان کردستان، غرب ایران)
    1390
    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.