مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,362
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

591
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

4

اطلاعات مقاله نشریه

عنوان

مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کربن آلی خاک به کمک داده های آنالیز سطح زمین

صفحات

 صفحه شروع 1151 | صفحه پایان 1163

چکیده

 با توجه به نقش کربن آلی در مدیریت و پایداری خاک, جلوگیری از فرسایش خاک, پایش میزان دی اکسید کربن هوا, پیش بینی مکانی کربن آلی خاک در مقیاس منطقه ای, ملی و جهانی از اهمیت خاصی برخوردار است. هدف از این مطالعه مقایسه مدل رگرسیون چندمتغیره و مدل هوشمند شبکه عصبی در برآورد کربن آلی خاک به کمک داده های آنالیز سطح زمین می باشد. منطقه مورد مطالعه با مساحت 24 کیلومتر مربع در اراضی تپه ماهوری جنوب ضرغام آباد سمیرم اصفهان با کاربری مرتع انتخاب و نمونه برداری در 125 نقطه از عمق 10-0 سانتی متری انجام شد. میزان کربن آلی نمونه های خاک جمع آوری شده, اندازه گیری شد. ویژگی های پستی و بلندی از روی مدل رقومی ارتفاع منطقه در پیکسل هایی به ابعاد 10×10 متر محاسبه شد. در نهایت مدل رگرسیون چندمتغیره و شبکه عصبی مصنوعی بین این ویژگی ها و کربن آلی, برقرار و سپس به وسیله ی نقاط اضافی نمونه برداری شده (25 نقطه), مدل های به دست آمده اعتبار سنجی شدند. نتایج مطالعه نشان داد که مدل رگرسیونی توانست 60 درصد از تغییرات مکانی کربن آلی و مدل شبکه عصبی مصنوعی حدود 89 درصد از تغییرات را در منطقه مورد مطالعه توجیه نماید. نتایج آنالیز حساسیت مدل شبکه عصبی مصنوعی نشان داد که انحنای قایم, شاخص قدرت جریان, شیب, شاخص حمل رسوب, شاخص رطوبت, انحنای افقی و جهت شیب به عنوان خصوصیات پستی و بلندی مهم در کنترل کربن آلی خاک در اراضی تپه ماهوری مورد مطالعه بودند. نتایج کلی مطالعه نشان داد که کربن آلی خاک در منطقه از خصوصیات پستی و بلندی و فرآیندهای هیدرولوژیکی مرتبط با آن تاثیر زیادی گرفته است. همچنین بر اساس معیارهای میانگین خطا و جذر میانگین مربعات خطا که در مدل رگرسیونی به ترتیب 0.25 و 0.3 و در مدل شبکه عصبی مصنوعی به ترتیب 0.006 و 0.027 می باشند, مدل شبکه عصبی مصنوعی به عنوان ابزار قدرتمندتری در پیش بینی کربن آلی نسبت به آنالیز رگرسیون خطی چندمتغیره عمل می کند.

استنادها

ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    پیله ورشهری، احمدرضا، ایوبی، شمس اله، و خادمی، حسین. (1389). مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کربن آلی خاک به کمک داده های آنالیز سطح زمین. آب و خاک (علوم و صنایع کشاورزی)، 24(6)، 1151-1163. SID. https://sid.ir/paper/141313/fa

    Vancouver: کپی

    پیله ورشهری احمدرضا، ایوبی شمس اله، خادمی حسین. مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کربن آلی خاک به کمک داده های آنالیز سطح زمین. آب و خاک (علوم و صنایع کشاورزی)[Internet]. 1389؛24(6):1151-1163. Available from: https://sid.ir/paper/141313/fa

    IEEE: کپی

    احمدرضا پیله ورشهری، شمس اله ایوبی، و حسین خادمی، “مقایسه مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره در پیش بینی کربن آلی خاک به کمک داده های آنالیز سطح زمین،” آب و خاک (علوم و صنایع کشاورزی)، vol. 24، no. 6، pp. 1151–1163، 1389، [Online]. Available: https://sid.ir/paper/141313/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button