| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,846 |
| تعداد مقالات | 32,300 |
| تعداد مشاهده مقاله | 41,387,075 |
| تعداد دریافت فایل اصل مقاله | 18,562,164 |
کاربرد مقایسه‌ای رگرسیون خطی چندگانه و شبکه‌های عصبی مصنوعی برای شبیه‌سازی اثرات عوامل توپوگرافی بر تغییرات کربن آلی خاک | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 2، دوره 6، شماره 4، بهمن 1393، صفحه 312-322 اصل مقاله (675.85 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2015.100815 | ||
| نویسندگان | ||
| سمیه مقیمی* 1؛ یحیی پرویزی2؛ محمدحسین مهدیان3؛ محمدحسن مسیح‌آبادی4 | ||
| 1دانشجوی دکتری، دانشگاه آزاد اسلامی واحد علوم و تحقیقات | ||
| 2استادیار، مرکز تحقیقات کشاورزی و منابع طبیعی کرمانشاه | ||
| 3استاد، سازمان تحقیقات، آموزش و ترویج کشاورزی | ||
| 4استادیار، دانشگاه آزاد اسلامی واحد علوم و تحقیقات | ||
| چکیده | ||
| کربن آلی خاک یکی از مهم‌ترین ویژگی‌های خاک بوده و هرگونه تغییر در مقدار و ترکیب آن بر اکثر ویژگی‌های شیمیایی، زیستی و فیزیکی خاک تاثیرگذار است. بهبود کربن آلی خاک سبب بهبود ساختمان خاک، کیفیت و کمیت رطوبت در حوضه، کیفیت هوا، افزایش سطح عناصر غذایی خاک و در نتیجه کیفیت و کمیت محصول، جلوگیری از تخریب و فرسایش خاک و احیا خاک و زیست بوم خواهد شد. عوامل متعددی از جمله عوامل اقلیمی، توپوگرافی و مدیریتی بر مقدار کربن آلی خاک تاثیر می‌گذارند. در مقیاس کوچک محلی مانند مرتع مورد مطالعه، عامل اقلیم تنوع قابل ملاحظه‌ای نداشته و عوامل توپوگرافی بر تغییرات کربن آلی خاک، بسیار اثرگذارند. لذا، هدف این پژوهش، برآورد تاثیر متغیرهای توپوگرافی ارتفاع، جهت شیب، درصد شیب، سایه روشن و انحنا بر مقدار کربن آلی خاک در اراضی مرتعی واقع در حوضه مرگ استان کرمانشاه است. به این منظور، برآورد کربن آلی خاک با دو روش رگرسیون چندمتغیره خطی (MLR) و شبکه‌های عصبی مصنوعی (ANN) انجام شد. بر طبق نتایج، مدل MLR، توانست 53 درصد و مدل ANN، 77 درصد از تغییرات کربن آلی خاک را پیش‌بینی کند. در روش MLR، مقدار RMSE و MBE به‌ترتیب 0.4 و صفر در روش ANN، مقدار RMSE و MBE به‌ترتیب 0.16 و 0.003 محاسبه شد. نتایج بررسی‌ها نشان داد، شبکه عصبی مصنوعی با آرایش 1-9-5 و تابع فعال‌سازی تانژانت هایپربولیک در لایه پنهان، نسبت به‌روش رگرسیون خطی چندگانه، دارای دقت و صحت بالاتری است. طبق نتایج شبکه عصبی مصنوعی، از بین متغیرهای مورد بررسی، به‌ترتیب ارتفاع با 0.79، سایه روشن با 0.64 و درصد شیب با 0.28 ضریب تاثیر، در تغییرات ذخایر کربن آلی خاک در این منطقه بیشترین سهم را دارند. | ||
| عنوان مقاله [English] | ||
| Comparison of applying multi linear regression analysis and artificial neural network methods for simulating topographic factors effect on soil organic carbon | ||
| نویسندگان [English] | ||
| Somaiye Moghimi1؛ Yahya Parvizi2؛ Mohammad Hossein Mahdian3؛ Mohammad Hassan Masihabadi4 | ||
| 1PhD Student, Sciences and Researches Unit, Islamic Azad University | ||
| 2Assistant Professor, Agricultural and Natural Resources Research Center, Kermanshah | ||
| 3Professor, Agricultural Research, Education and Extension Organization | ||
| 4Assistant Professor, Sciences and Researches Unit, Islamic Azad University | ||
| چکیده [English] | ||
| Soil organic carbon is one of the most important soil characteristics, and any changes in its content and composition, affects soil physical, chemical, and biological characteristics. Enhancing soil organic carbon improves soil structure, increases water and nutrients in soils, reduces soil erosion and degradation and thus greater productivity of plants and water quality are expected in watersheds and ultimately soil and ecosystem reclamation happens. Climatic, topographic and managerial factors affect soil organic carbon content. In local scale, climatic factors have not high efficiency on soil organic carbon and topographic factors play more important role compared to climate on soil organic carbon variability. The objective of this study was to predict and evaluate the effects of topographic factors such as elevation, slope percent, aspect, hill shade, and curvature on the soil organic carbon content of a rangeland in Mereg watershed, Kermanshah, Iran. Stepwise Multi Linear Regression (MLR) and Artificial Neural Network (ANN) were employed to develop models to predict soil organic carbon. AMulti-Layer Perceptrons (MLP) ANN withback-propagationerror algorithm was applied to this research.Theresult showed that themulti linear regression and ANN models explained53and 77percent of the total variability of soil organiccarbon, respectively. The calculated RMSE and MBE were 0.40 and 0 for the MLR and 0.16 and 0.003 for MLP models. Results indicated that designated ANN model with 5-9-1 arrange was more feasible than multi linear regression for predicting soil organic carbon. Elevation with 0.79, hill shade with 0.64 and slope percent with 0.24, were identified as the important factors that explained the variability of soil organic carbon. | ||
|
آمار تعداد مشاهده مقاله: 1,811 تعداد دریافت فایل اصل مقاله: 1,273 |
||