دانشگاه شهید باهنر کرمان جغرافیای اجتماعی شهری 2645-7784 9 1 2022 03 21 Assessing the degree of vulnerability of worn tissue against the natural hazard of earthquake using vector machine technique (Case Study: District 2 of Kerman city) ارزیابی میزان آسیب پذیری بافت فرسوده در برابر مخاطره طبیعی زلزله با استفاده از روش ماشین بردار ( نمونه موردی: حوزه 2 شهر کرمان) 271 291 3461 10.22103/JUSG.2022.2071 FA مریم نوحه سرا دانشجوی دکتری جغرافیا و برنامه ریزی شهری، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران ملیحه ذاکریان استادیار گروه جغرافیا و برنامه ریزی شهری، واحد میبد، دانشگاه آزاد اسلامی، میبد، ایران 0000-0002-2834-3430 سید علی المدرسی استاد ژئومورفولوژی گروه جغرافیا و برنامه ریزی شهری، واحد یزد، دانشگاه آزاد اسلامی، یزد، ایران مصطفی خبازی دانشیار ژئومورفولوژی دانشگاه شهید باهنر کرمان، کرمان، ایران محمد حسین سرایی استاد گروه جغرافیا و برنامه ریزی شهری ، دانشگاه یزد، یزد، ایران 0009-0008-7805-5323 Journal Article 2021 05 27 Demonstrate that advanced and civilized people with technology in these settlements show the least sense of danger and can provide the best crisis management in times of crisis.Therefore, considering that Iran is one of the ten most devastating countries and the sixth most earthquake-prone country in the world, and the dilapidated fabric of Kerman is no exception to this rule, it is necessary to use remote sensing techniques such as vector machines to identify and manage earthquakes.Methods: The present article is applied in terms of purpose and graphical-analytical method. In this study, first, using ASTER satellite images of 2007, worn tissues of Kerman city were identified using the support vector machine classification method. In this study, with a kappa coefficient of 76% for all classes and a kappa coefficient of 59%, the worn texture of Kerman was identified.Results: Findings of the research and the final map of the vulnerability of the two worn-out areas showed that areas with high vulnerability are 29.87% of the total area of the area, which indicates the inadequacy of the area during the earthquake. The next ranks of this study include 29.15% moderate vulnerability, 28.01% very low vulnerability, 6.74% very high vulnerability and 6.21% low vulnerability.The results of this study showed that the support vector machine classification (SVM) method was able to detect nearly 75% of the worn tissue of the area. This identification has shown the high power of the support vector machine method in identifying the area of two urban worn-out structures. مقدمه: انسان امروزی با توجه به پیشرفت روزافزون خود و نیز رشد جمعیت اقدام به سـاخت شـهرهای جدیـد جهت اسکان بخشی از جمعیت نموده است و با توجـه بـه این کــه شــهرها ماننــد سیســتمی بــا ســاختاری هماهنگ و پویا می­باشد، می­بایست همه اصول دفاعی را رعایت نمـود تـا بشـر پیشـرفته و متمـدن دارای تکنولـوژی در ایـن سـکونت­گاه ­هـا کم­تـرین احساس خطـر را بنمایـد و در مواقـع بحـران بتوانـد بهترین مدیریت بحران را ارائه نماید. لذا با توجه به اینکه ایران جز ده کشور بلاخیز و ششمین کشور  زلزله خیز دنیا است و بافت فرسوده شهر کرمان نیز از این قاعده مستثنی نیست لزوم استفاده از تکنیک های سنجش از دور شهری مثل ماشین بردار برای شناسایی و مدیریت بحران زلزله ضروری می باشد.داده و روش: مقاله حاضر از نظر هدف کاربردی و از نظر روش ترسیمی - تحلیلی می­ باشد. در این پژوهش ابتدا با استفاده از تصاویر ماهواره­ای ASTER سال 2007 به شناسایی بافت­ های فرسوده شهر کرمان با استفاده از روش طبقه ­بندی ماشین بردار پشتیبان پرداخته شد. در این بررسی با ضریب کاپای 76 درصد برای تمامی طبقات تعیین شده و ضریب کاپای 59 درصد بافت فرسوده شهر کرمان شناسایی گردید.یافته‌ها: یافته ­های تحقیق و نقشه نهایی میزان آسیب ­پذیری حوزه دو بافت فرسوده نشان داد مناطق با آسیب ­پذیری زیاد 87/29 درصد از کل مساحت حوزه می­ باشد، که این میزان نشان­ دهنده نامناسب بودن بافت حوزه در هنگام وقوع زلزله می ­باشد. رتبه ­های بعدی این بررسی به ترتیب شامل 15/29 درصد آسیب ­پذیری متوسط، 01/28 درصد آسیب پذیری بسیار کم، 74/6 درصد آسیب ­پذیری بسیار زیاد و 21/6 درصد آسیب پذیری کم می ­­باشد.نتیجه‌گیری: نتایج این پژوهش نشان داد که روش طبقه­بندی ماشین­ بردار پشتیبان (SVM) توانایی تشخیص نزدیک به 75 درصد از بافت فرسوده محدوده را دارا بوده است. که این شناسایی قدرت بالای روش ماشین­ بردار پشتیبان در شناسایی حوزه دو بافت فرسوده شهری را نشان داده است. https://jusg.uk.ac.ir/article_3461_7e8d7e5ccbddfd9576be61e3ab86aa73.pdf