| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,932 |
| تعداد مقالات | 33,084 |
| تعداد مشاهده مقاله | 43,732,461 |
| تعداد دریافت فایل اصل مقاله | 20,244,061 |
ارزیابی دقت شبکه های عصبی مصنوعی در پیش‌بینی برخی پارامترهای خاک در منطقه فشند | ||
| پژوهش های آبخیزداری | ||
| مقاله 1، دوره 27، شماره 2 - شماره پیاپی 103، تیر 1393، صفحه 3-11 اصل مقاله (503.57 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmej.2014.106242 | ||
| نویسندگان | ||
| الهام مهرابی گوهری* 1؛ روح االله تقیزاده مهرجردی2 | ||
| 1هیات علمی گروه کشاورزی دانشگاه پیام نور | ||
| 2استادیار خاکشناسی، دانشکده کشاورزی، منابع طبیعی و کویرشناسی، دانشگاه اردکان | ||
| چکیده | ||
| از آنجا که اندازه گیری پارامترهای ظرفیت تبادل کاتیونی و جرم مخصوص ظاهری به روش‌های مستقیم مشکل و هزینه بر است، روش‌های غیرمستقیم تحت عنوان توابع انتقالی برای پیش بینی پارامترهای خاک از خصوصیات سهل الوصول توسعه پیدا کرده است. بدین منظور در این پژوهش، برای برآورد ظرفیت تبادل کاتیونی و جرم مخصوص ظاهری اقدام به نمونه‌برداری از منطقه فشند در تهران از 15پروفیل، به تعداد 63 نمونه شد. در این پژوهش، از توابع انتقالی استفاده شد که قبل از وارد کردن متغیرهای مستقل(عوامل ورودی) و ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری به عنوان خروجی‌ها (متغیر وابسته)، با استفاده از نرم‌افزار مینی تب و آزمون نرمال بودن کولموگروف-اسمیرنوف، نرمال بودن داده‌ها مورد بررسی قرار گرفت و نتایج نشان داد که داده‌ها نرمال می‌باشند. برای توسعه توابع انتقالی از روش رگرسیون چندگانه و شبکه عصبی استفاده شد. در ابتدا، داده‌های آموزش و تست را تعیین و سپس داده‌های ورودی به شبکه را معیار‌سازی کرده، در مرحله بعد، مدل‌های مختلف شبکه عصبی با یک لایه مخفی که تعداد نرون‌های آن به بین 2 تا 10 نرون می‌باشد، تهیه و ساختار بهینه شبکه به روش سعی و خطا با استفاده از معیارهای ضریب همبستگی، RMSE ،ME و AARE تعیین شد. برای پیش بینی ظرفیت تبادل کاتیونی، ورودی‌های شبکه شامل رس، سیلت، شن و ماده آلی و برای پیش بینی وزن مخصوص ظاهری، ورودی‌های شبکه شامل رس، سیلت، شن، آهک، رطوبت اشباع و ماده آلی استفاده شد. برای تعیین رگرسیون چند متغیره پارامترهای مورد مطالعه، با استفاده از نرم‌افزار مینی تب رابطه رگرسیونی مربوطه از داده‌های آموزش تعیین شدو از روابط تجربی بروسما و همکاران (1986)، مانریکو و بل (1991) و ونکولن (1995) نیز استفاده شد. به علت وجود روابط غیرخطی بین متغیرهای وابسته و پیش‌بینی شونده، شبکه عصبی عملکرد بهتری نسبت به مدل‌های رگرسیون پایه برای پیش‌بینی ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری خاک با ضرایب تبیین 89/0 و 74/0 به ترتیب داشته است. بعد از شبکه عصبی که بهترین عملکرد را به خود اختصاص داد، رگرسیون چند متغیره دقت بالاتری را داشت. در توابع انتقالی که برای تخمین ظرفیت تبادل کاتیونی به کار رفت، مدل‌های مانریکو و بل (1991) با ضریب تبیین 24/0، عملکرد یکسانی داشته و نسبت به مدل بروسما و همکاران (1986) با ضریب تبیین 06/0 دارای دقت بیشتری می‌باشد. | ||
| کلیدواژه‌ها | ||
| توابع انتقالی؛ ظرفیت تبادل کاتیونی؛ جرم مخصوص ظاهری | ||
| عنوان مقاله [English] | ||
| Accuracy assessments of artificial neural network for prediction of some soil parameters in FASHAND zone | ||
| نویسندگان [English] | ||
| Elham Mehrabi gohari1؛ Ruhollah Taghizadeh Mehrjardi2 | ||
| 1Academic member, Facualty of Agriculture,payam noor university | ||
| 2Assistance Professor of Soil Science, Faculty of Agriculture, Natural Resources and Desert Studies, Ardakan University, Yazd, Iran | ||
| چکیده [English] | ||
| Direct measurement of cation exchange capacity and bulk density parameters is hard and costly; henceforth indirect methods of pedotransfer functions for predicting soil parameters are developed based on easily obtained parameters. In this regard, for estimating the cation exchange capacity and bulk density 63 samples were taken from 15 profiles in FASHAND zone in TEHRAN. Using pedotransfer function and having cation exchange capacity and bulk density as output variables, variablesthe normality of the input data were controlled by MINITAB software based on KOLOMOROF-SMIRNOV normality test. For developing the pedotransfer functions multiple regression and artificial neural network methods were enaged. Determining test and training data and then finding the best type of neural network, a hidden layer with 2 to 10 neurons was selected for an optimum simulation in terms of RMSA, ME and AARE indices. Input data to the network for predicting cation exchange capacity involved clay, silt, sand and organic material in percent while for predicting bulk density clay, silt, sand, lime, saturation moisture and organic material in percent were selected. Using multiple regrsion techniques and some experimental equations like Breeuwsma and teammates (1986), Matrique and Bell (1991) andvanKeulen (1995) regression equations were developed. Because of nonlinear relationship between input and output variables, neural networks had better performance in comparison with the regression models which for cation exchange capacity and bulk density gave coefficient of determination as 0.89 and 0.74, respectively. Regarding pedotransfer functions employed for estimating cation exchange capacity Matrique et al. (1991) models with a coefficient determination of 0.24 gave the same response which in comparison with the Breeuwsma (1986) models of a determination coefficient of 0.06 is more acceptable. | ||
| کلیدواژه‌ها [English] | ||
| Pedotransfer function, Cation Exchange Capacity, Bulk density | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,337 تعداد دریافت فایل اصل مقاله: 1,740 |
||