تبخیر-تعرق یکی از مهم ترین عوامل محدود کننده توسعه کشاورزی در مناطق خشک و نیمه خشک می باشد. به دلیل محدودیت های اقتصادی و سایر محدودیت ها همواره جمع آوری داده های تبخیر-تعرق چالش های فراوانی را برای محققان در پی داشته است. لذا هدف از مطالعه حاضر پیش بینی تبخیر-تعرق مرجع روزانه در دو ایستگاه آستارا و اصفهان با استفاده از مدل های رگرسیون فرآیند گاوسی، رگرسیون بردار پشتیبان، مدل درختی M5P و رگرسیون خطی M5Rules است. برای این منظور داده های هواشناسی روزانه ایستگاه ها شامل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی طی دوره 2021-1990 به عنوان ورودی مدل ها به کار برده شد. بررسی پارامترهای ورودی نشان داد که رطوبت نسبی بیش ترین تاثیر را بر دقت پیش بینی مدل ها داشته است. همچنین جهت ارزیابی کارایی مدل ها از معیارهای ارزیابی مختلفی استفاده شد. ارزیابی مدل های به کار رفته در ایستگاه آستارا نشان داد که سناریو پنجم با کاربرد پارامتر های حداکثر دما، حداقل دما، میانگین دما، رطوبت نسبی حداکثر و رطوبت نسبی میانگین مدل های M5P و M5Rules با داشتن مقدار خطای (mm day-1) 42/1، بالاترین دقت را نسبت به سایر مدل ها داشته-اند. در ایستگاه اصفهان نیز سناریو هشتم مدل M5P و M5Rules با کاربرد پارامتر های حداکثر دما، حداقل دما، میانگین دما، رطوبت نسبی حداکثر و رطوبت نسبی میانگین ، رطوبت نسبی حداقل، ساعات آفتابی و سرعت باد با داشتن مقدار خطای (mm day-1) 86/1، بهترین عملکرد را نسبت به سایر مدل ها داشتند. لذا مدل های M5P و M5Rules با موفقیت تبخیر-تعرق مرجع را پیش بینی کرده و روابط ریاضی ساده مستخرج از آنها برای استفاده در تعیین نیاز آبی گیاهان توصیه میگردد.

تخمین سرعت امواج برای طراحی سازه­های ژئوتکنیکی و مدل­سازی حفاری­های عمیق اهمیت زیادی دارد. هدف از این مطالعه تخمین سرعت موج برشی به روش رگرسیون فرایند گاوسی با استفاده از تابع کرنل نمایی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره می­باشد. به منظور انجام این مطالعه، 14 بلوک سنگی از شمال غرب شهر دماوند تهیه و بعد از انتقال به آزمایشگاه از آن­ها مغزه­گیری شد. جهت توسعه یک مدل پیش­بینی کننده، آزمایش­های شاخص بار نقطه­ای، سرعت موج تراکمی، تخلخل و دانسیته بر روی 61 نمونه مغزه سنگی انجام شد. شاخص بار نقطه­ای، سرعت موج تراکمی، تخلخل و چگالی به عنوان پارامترهای ورودی مدل­ها به منظور پیش­بینی سرعت موج برشی استفاده شدند. نتایج مطالعات سنگ­شناسی نشان داد که ماسه­سنگ­های مورد مطالعه، فلدسپاتیک لیتارنایت و لیت آرنایت می­باشند. نتایج نشان داد که نسبت سرعت موج تراکمی به سرعت موج برشی بطور متوسط برابر با 70/1 می­باشد. نتایج شبکه عصبی مصنوعی پرسپترون چند لایه نشان داد که بیش­ترین دقت مدل­ها با استفاده از قانون آموزش لونبرگ مارکوارت حاصل شده است. دقیق­ترین مدل­ها با استفاده از این الگوریتم برای تخمین سرعت موج برشی در نورون شماره 2 (نورون بهینه) حاصل شد. روش رگرسیون فرایند گاوسی، شبکه عصبی مصنوعی و رگرسیون چندمتغیره سرعت موج برشی را به ترتیب با ضرایب همبستگی 97/0، 96/0 و 95/0 پیش بینی نمودند. روش رگرسیون فرایند گاوسی عملکرد بهتری در پیش­بینی سرعت موج برشی نسبت به سایر روش­ها نشان داد.

تخمین دقیق تبخیر و تعرق گیاه مرجع در برنامه ریزی های آبیاری اهمیت ویژه ای دارد. همچنین، عدم دسترسی به داده های لایسیمتری باعث شده است پژوهش گران به استفاده از روش های غیرمستقیم از جمله روش های داده محور روی آورند. در پژوهش حاضر، توانایی روش های داده محور رگرسیون فرآیند گاوسی (GPR)، رگرسیون بردار پشتیبان (SVR) و جنگل تصادفی (RF) در تخمین تبخیر و تعرق گیاه مرجع موردبررسی قرار گرفت. بدین منظور، داده های هواشناسی دمای میانگین، سرعت باد، رطوبت نسبی و ساعات آفتابی در بازه زمانی 97-1392 در نه ایستگاه شمالی کشور از جمله آستارا، بندر انزلی، رشت، رامسر، نوشهر، ساری، بندر ترکمن، گرگان، گنبدکاووس جمع آوری شد. تبخیر و تعرق محاسبه شده با استفاده از روش فائو-پنمن-مونتیث به عنوان خروجی های هدف در نظر گرفته شده و چهار سناریو ترکیبی از پارامترهای هواشناسی برای واسنجی و صحت سنجی روش های موردمطالعه، مدنظر قرار گرفتند. دقت روش های مذکور با استفاده از پارامتر های آماری ضریب همبستگی، شاخص پراکندگی و ضریب ویلموت مورد مقایسه قرار گرفت. نتایج نشان داد که مدلGPR4 با شاخص پراکندگی در محدوده 132/0 تا 179/0 در ایستگاه های آستارا، بندر انزلی، رشت، رامسر، نوشهر و ساری، مدلSVR4 با شاخص پراکندگی 116/0 تا 120/0 در ایستگاه های بندر ترکمن و گنبدکاووس و روش هارگریوز-سامانی با شاخص پراکندگی 509/0 در ایستگاه گرگان برآوردهای به مراتب دقیق تری از تبخیر و تعرق گیاه مرجع داشته اند.

این مقاله میانگین گیری بیزی مدل های رگرسیونی گاوسی وارون را برای تحلیل رگرسیونی در شرایطی که مشاهدات پاسخ مثبت و چوله به راست هستند، مورد توجه قرار می دهد. چالش های محاسباتی مربوط به کمیت های لازم برای اجرای این روش و چگونگی غلبه بر آنها، مورد بحث قرار گرفته است. یک جنبه جالب روش پیشنهادی آن است که با در نظر گرفتن توزیع های پیشین مناسب، نمایش های بسته ای برای کمیت های پسینی مورد علاقه فراهم آورده شده است. روش پیشنهادی در قالب یک مطالعه شبیه سازی مورد ارزیابی قرار گرفته و چگونگی کاربست آن در مسایل کاربردی، به وسیله یک مثال واقعی مربوط به مطالعات زلزله شناسی، شرح داده شده است.

هدف از پژوهش حاضر بررسی کارایی و مقایسة عملکرد روش ­های ناپارامتری رگرسیون گاوسی و پارامتری رگرسیون حداقل مربعات خطی در برآورد زی­ تودة روی­زمینی در یک جنگل ناهمگن کوهستانی با استفاده از داده ­های ماهواره سنتینل-2 است. به منظور مدل­ سازی و اعتبارسنجی زی­تودة روی­زمینی، تعداد 102 قطعه ­نمونة مربعی شکل با ابعاد 45×45 متر به روش انتخابی در توده ­های خالص راش و ممرز در جنگل خیرود برداشت شدند. حجم سرپای درختان و میزان زی ­توده با استفاده از جدول تاریف و چگالی متوسط چوبی برای هرگونه برآورد شد. تصحیح اتمسفری بر روی تصویر سنتینل-2 انجام شد. باندهای اصلی به همراه باندهای حاصل از شاخص ­های پوشش گیاهی، تبدیل تسلدکپ و تجزیة مؤلفه ­های اصلی برای تجزیه و تحلیل­ همبستگی و مدل­سازی استفاده شدند. 70 درصد قطعه ­نمونه ­ها براساس سه مجموعه داده شامل باندهای اصلی، شاخص ­های پوشش گیاهی و مجموعه باندهای اصلی با شاخص ­های پوشش گیاهی برای مدل­ سازی و 30 درصد باقیمانده برای اعتبارسنجی مدل­ ها استفاده شدند. نتایج اعتبارسنجی­ مدل ­­ها براساس آماره ­های ضریب تعیین (R2) و درصد میانگین مجذور مربعات خطا (RRMSE) نشان داد، رگرسیون گاوسی در مدل­سازی زی ­توده و باندهای اصلی با (0/56=R2 و 21/14=RRMSE)، بهترین نتایج را به دست آورده است. همچنین مدل­ سازی زی­توده و باندهای اصلی برای رگرسیون حداقل مربعات خطی با (0/43=R2 و 23/32=RRMSE) به دست آمد. در هر دو روش استفاده همزمان از شاخص ­های پوشش گیاهی و باندهای اصلی باعث بهبود نتایج مدل­ سازی نشد. نتایج این پژوهش نشان داد که رویکرد استفاده از روش رگرسیون گاوسی و تصاویر سنتینل-2 می­تواند منجر به بهبود قابل توجه برآورد زی ­تودة روی­ زمین جنگل شود.

سابقه و هدف: شاخص سطح برگ (LAI) یک مشخصه زیست فیزیکی حیاتی برای ارزیابی وضعیت، توصیف ساختار جنگل و عملکرد بوم سازگان های جنگلی است. همچنین، این شاخص، یک متغیر کلیدی برای مدل سازی تغییرات آب وهوایی جهانی، ترسیب کربن، چرخه آب، فتوسنتز و باران ربایی است. از داده های سنجش از دور براساس مدل های یادگیری ماشین به طور گسترده برای برآورد LAI جنگل در مقیاس های وسیع به دلیل کمینه کردن زمان، هزینه و تخریب استفاده می شود. پژوهش پیش رو با هدف بررسی قابلیت داده های Sentinel-2 در برآورد شاخص سطح برگ جنگل های زاگرس شمالی براساس روش رگرسیون فرایند گاوسی (GPR) انجام شد.مواد و روش ها: داده های میدانی LAI در خرداد و تیرماه سال 1402 در جنگل های شاخه زاد شهرستان های مریوان و سروآباد از توابع استان کردستان جمع آوری شدند. 93 قطعه نمونه مربعی شکل با ابعاد 20×20 متر مربع به صورت نمونه برداری تصادفی برداشت شدند. موقعیت مرکز هر قطعه نمونه با استفاده از یک دستگاه DGPS ثبت شد. برای اندازه گیری LAI در هر قطعه نمونه از روش عکس برداری نیم کروی استفاده شد. در داخل هر قطعه نمونه، پنج عکس با استفاده از دوربین (Coolpix4500+FC-E8) مجهز به عدسی چشم ماهی برداشت شد. در ادامه LAI برای هر عکس نیم کروی و درنهایت، برای هر قطعه نمونه با استفاده از بسته «hemispheR» در نرم افزار برنامه نویسی R محاسبه شد. در پژوهش پیش رو، یک فریم از تصویر بدون ابر ماهواره Sentinel-2B در سطح تصحیح L1C مربوط به تاریخ 11 تیرماه سال 1402 دریافت شد. پس از بررسی کیفیت رادیومتری و درستی هندسه تصاویر، از پردازنده Sen2Cor برای تصحیح اتمسفری استفاده شد. باندهای اصلی و شاخص های طیفی (شاخص های پوشش گیاهی، تبدیل تسلدکپ و تجزیه مؤلفه اصلی) از تصویر Sentinel-2 به دست آمدند و در سه مجموعه داده شامل باندهای اصلی، شاخص های طیفی و ترکیب باندها و شاخص ها برای برآورد LAI استفاده شدند. در ادامه، مدل سازی با استفاده از الگوریتم GPR براساس 65 قطعه نمونه زمینی (70 درصد) انجام شد. در پایان، مدل ها براساس 28 قطعه نمونه زمینی (30 درصد) با استفاده از معیارهای ضریب تبیین (R2) و جذر میانگین مربعات خطا (RMSE)، جذر میانگین مربعات خطای نسبی (rRMSE) و ضریب آکائیک (AIC) ارزیابی شدند.نتایج: بررسی آماره های توصیفی داده های زمینی شاخص سطح برگ نشان داد که مقادیر حداقل، حداکثر، متوسط و انحراف معیار شاخص سطح برگ اندازه گیری شده در جنگل مورد پژوهش به ترتیب 33/0، 88/3، 129/2 و 627/0 مترمربع بر مترمربع بود. همچنین، بررسی همبستگی پیرسون بین شاخص سطح برگ جنگل و متغیرهای طیفی (باندهای اصلی و شاخص های طیفی) نشان داد که شاخص سطح برگ همبستگی بیشتری با شاخص های طیفی (به یژه شاخص های GNDVI، SAVI و TCTV) در مقایسه با باندهای اصلی دارد. نتایج ارزیابی مدل های به دست آمده از مدل سازی شاخص سطح برگ جنگل با استفاده از الگوریتم یادگیری ماشین رگرسیون فرایند گاوسی براساس 30 درصد قطعه نمونه های زمینی با استفاده از سه مجموعه داده (باندهای اصلی، شاخص های طیفی و ترکیب باندهای اصلی و شاخص های طیفی) حاصل از تصویر Sentinel-2 نشان داد که مدل به دست آمده از مجموعه باندهای اصلی ماهواره Sentinel-2 با ضریب تبیین 81/0، جذر میانگین مربعات خطا 21/0 مترمربع به مترمربع، جذر میانگین مربعات خطای نسبی 41/9 درصد و ضریب آکائیک 65/103، عملکردی مناسبی در مقایسه با دو مجموعه باندهای اصلی و ترکیب باندهای اصلی و شاخص های طیفی در برآورد شاخص سطح برگ جنگل مورد مطالعه داشته است. براساس بهترین مدل، نقشه شاخص سطح برگ جنگل مورد مطالعه با استفاده از مدل حاصل از باندهای اصلی تصویر Sentinel-2 تهیه شد.نتیجه گیری کلی: به طورکلی، نتایج این پژوهش تاحدودی قابلیت داده های ماهواره Sentinel-2 برای ارزیابی شاخص سطح برگ در جنگل های شاخه زاد زاگرس شمالی را اثبات می کند. با این حال، استفاده از داده های زمینی شاخص سطح برگ و داده های Sentinel-2 در فصل های مختلف رویش می تواند در تأیید استحکام و کاهش عدم قطعیت یافته های پژوهش پیش رو کمک کند.

پیش بینی عمق آبشستگی در پایین دست سازه های کنترل ازجمله سرریزها و سازه های کنترل شیب یکی از مسائل ضروری در طراحی این سازه ها می باشد. در تحقیق کنونی عملکرد روش رگرسیون فرآیند گاوسی (GPR) به عنوان یکی از روش های نوین داده کاوی در پیش بینی حداکثر عمق آبشستگی پایین دست سازه های کنترل مورد بحث قرار گرفت. جهت بررسی موضوع برای هر سری داده، مدل های مختلفی تعریف شده و تأثیر پارامترهای هیدرولیکی مورد ارزیابی قرار گرفت. بهترین نتایج برای داده های آزمون، برای سرریز لبه تیز مقادیر 90/0)DC=ضریب تبیین)، 93/0CC=(ضریب همبستگی)، % 2/11 RMSE= (جذر میانگین مربعات خطاها (، %9/7MAE= (میانگین قدرمطلق خطاها)، و برای سازه کنترل شیب مقادیر 81/0DC=، 86/0CC=، %4/19RMSE=، %7/16MAE= به دست آمد. همچنین بر اساس نتایج آنالیز حساسیت مشخص گردید که پارامترهای Fr1 (عدد فرود بالاست جریان) و b/z (نسبت عرض سرریز به ارتفاع سرریز) در پایین دست سرریز لبه تیز و پارامترهای Dp/h (ارتفاع ریزش سازه به ارتفاع آب روی سازه) و Fr1در پایین دست سازه کنترل شیب کلیدی ترین نقش را در پیش بینی عمق آبشستگی دارند. درواقع تغییرات عمق آبشستگی متأثر از هندسه و انرژی جریان در بالادست این سازه ها است. مقایسه روابط نیمه تجربی و کلاسیک با نتایج حاصل از روش به کاررفته در تحقیق نشان داد که نتایج روش هوشمند GPR نسبت به روابط کلاسیک دقیق تر و قابل اعتمادتر بوده بطوریکه معیارخطای RMSE بیش از 80 درصد کمتر شده است.

شناخت مشخصات جریان در کانال های روباز با بستر فرسایش پذیر دارای شکل بستر اهمیت زیادی در مدیریت رودخانه ها و همچنین طراحی و بهره برداری از سازه های هیدرولیکی دارد. تلماسه ها یکی از اشکال مهم بستر بوده و تأثیر بسزایی بر خصوصیات آشفتگی و مقاومت جریان دارند. تاکنون تحقیقات متعددی در مورد مقاومت هیدرولیکی در کانال های روباز با فرم بستر انجام گردیده است، اما به دلیل تاثیر پارامترهای مختلف بر ضریب زبری جریان تخمین دقیق این پارامتر مشکل می باشد. در تحقیق کنونی با استفاده از داده های مربوط به آزمایش های انجام شده در آزمایشگاه هیدرولیک دانشگاه تبریز با دو دانه بندی مختلف و با دو عرض کانال متفاوت، مقاومت جریان کلی و ناشی از شکل بستر بررسی شد. همچنین با ترکیب داده های به دست آمده از این تحقیق با داده های آزمایشگاهی محققین دیگر، با استفاده از روش هوشمند رگرسیون فرایند گاوسی (GPR) مدل های مختلفی تعریف گردید و مورد بررسی قرار گرفت. نتایج حاصل از انجام آزمایشات نشان داد که در بررسی تأثیر پارامترهای هیدرولیکی بر روی مقاومت جریان، همبستگی بین عدد رینولدز و مقاومت جریان به صورت نسبی بهتر از سایر پارامترهای هیدرولیکی است. همچنین نتایج حاصل از تحلیل مدل ها عملکرد مطلوب روش GPR را در پیش بینی ضریب زبری به اثبات رساند و مشاهده شد که هر دو مشخصات جریان و ذرات رسوبی در تخمین ضریب زبری تاثیرگذار می باشند. نتایج آنالیز حساسیت مدل برتر نیز نشان داد که عدد رینولدز بیشترین تاثیر را در پیش بینی ضریب زبری دارد.