ارزیابی دقیق زیتوده روی زمینی جنگل برای مطالعات میزان گازهای گلخانه‎ای، برآورد کربن ذخیره شده در منابع جنگلی، مدل‎های تغییر آب‎و‎هوا و در نتیجه مدیریت پایدار جنگل‎ها امری ضروری است. زیتوده جنگل بیانگر توان تولید در واحد سطح می‎باشد. در این پژوهش از داده‎های تصاویر نوری ماهواره سنتینل-2 برای برآورد زیتوده روی زمینی جنگل در سطح 285 هکتار‎‎‎‎ از جنگل‎های استان ایلام استفاده شد. 124 قطعه نمونه مربعی شکل به ابعاد 20 در 20 متر به روش خوشه‎ای روی زمین پیاده شد. مشخصه‎های قطر بزرگ و قطر کوچک تاج مجموع 508 پایه درختی (تک پایه و جست گروه) در قطعات نمونه اندازه‎‎گیری شدند. بسته به تک پایه و جست گروه بودن پایه‎های درختی از معادلات آلومتریک مناسب برای محاسبه زیتوده روی زمینی بر اساس مشخصه‎های اندازه‎گیری شده استفاده شد. در نهایت مجموع زیتوده روی زمینی جنگل برای همه پایه‎های درختی موجود در هر قطعه نمونه محاسبه شد. با استفاده از نسبت‎گیری‎های طیفی، شاخص‎های گیاهی مرتبط با پوشش‎گیاهی از باندهای سنجنده MSI ماهواره سنتینل 2 تهیه شدند. در گام بعد ارزش‎های طیفی متناظر قطعات نمونه از باندهای اصلی و شاخص‎های گیاهی استخراج شدند. از مدل رگرسیون جنگل تصادفی برای برآورد زیتوده روی زمینی جنگل استفاده شد. از 70 درصد نمونه‎ها برای آموزش مدل استفاده شد و اعتبارسنجی مدل با استفاده از 30 درصد باقیمانده داده‎ها انجام شد. نتایج حاصل با میزان 80/0R2= 70/28 RMSE= تن در هکتار نشان از عملکرد قابل قبول مدل در برآورد زیتوده روی زمینی جنگل بود. نتایج بررسی میزان اهمیت‎ متغیرها با استفاده از آماره جینی نشان داد که شاخص‎های RVI، GNDVI، NDVI و DVI اهمیت بیشتری در ارائه مدل برآورد زیتوده داشتند.

This study aimed to estimate the genetic parameters of body weight traits in Markhoz goats, using B-spline Random regression models. The data used in this study included 19549 records collected during 29 years (1992-2021) in Markhoz goat Breeding Research Station, located in Sanandaj, Iran. The model used to analyze data included fixed effects (year of birth, sex, type of birth and age of dam) and Random effects including direct additive genetic, maternal additive genetic, permanent environmental and maternal permanent environmental assuming homogeneous and heterogeneous residual variance during the time. Akaike (BIC) and Bayesian (BIC) information criteria were used to compare the models and bspq.4.4.4.4 was selected as the best model. The direct heritability values for birth, 3-month, 6-month, 9-month and 12-month weights were estimated to be 0.14, 0.16, 0.08, 0.28 and 0.26, respectively. Genetic correlation between body weights at birth and 3-month, birth and 6-month, birth and 9-month, birth and 12-month, 3-month and 6-month, 3-month and 9-month, 3-month and 12-month, 6-months and 9-month and 9-month and 12-month were 0.22, 0.38, 0.21, 0.56, -0.26, 0.30, 0.62, 0.86 and 0.77, respectively. The highest phenotypic correlation was between the weight of 9-month and 12-month (0.82) and the lowest correlation was between birth weight and 3-month and 6-month (0.12). The results showed that the 9-month weight is a good criterion for selection in Markhoz goats.

زمینه و هدف: خاک از منابع طبیعی هر کشور است که در حفظ محیط و تولید غذا نقش مهمی دارد. افزایش و کاهش مقدار نیتروژن کل خاک در اثر شیوه های مختلف کشاورزی، ورود پساب صنعتی به آب و عوامل دیگر، منجر به آلودگی میکروبی خاک، کاهش پوشش گیاهی و نقصان در محصولات کشاورزی مورد نیاز انسان می شود. نقشه برداری پراکنش مواد مغذی خاک به تصمیم گیری های مدیران کمک می کند. از آنجا که تحلیل آزمایشگاهی این متغیرها، وقت گیر و در مقیاس های وسیع هزینه بر است، تلاش هایی برای مطالعه نیتروژن خاک با استفاده از سنجش ازدور انجام گرفته است. مطالعه حاضر به بررسی روش سنجش از دور و مدل های رگرسیون و جنگل تصادفی در پیش بینی نیتروژن کل خاک در شرق شهرستان لنجان پرداخته است. روش پژوهش: نقاط مرجع نیتروژن 50 نمونه خاک از لایه 0-20 سانتی متری خاک سطحی بود که از منطقه موردمطالعه به روش تصادفی نمونه برداری شد. نیتروژن نمونه ها پس از خشک شدن در دمای 25 درجه، عبور از مش 2 و انتقال به آزمایشگاه، به منظور مقایسه نتایج نهایی به دست آمده، حاصل از ارزیابی زمینی و سنجش از دور، به روش کلدال اندازه گیری شد. تصویر ماهواره ای سال 2019 با تصحیح هندسی و رادیومتریک از باندهای طیفی 2 تا 7 سنجنده ی OLI لندست 8 (ردیف و گذر 164 و 37) آبان 1398 تهیه شد. پوشش ابر برای تصاویر تهیه شده کمتر از 10٪ در نظر گرفته شد. برای کاهش اثر پراکندگی اتمسفر بر کیفیت این تصاویر، تصحیح تابش و تصحیح اتمسفر با استفاده از مدل فلش انجام شد. شاخص های ماهواره ای شامل DVI، NDVI، EVI، MSAVI، SAVI، RVI، NDWI، SI1، SI2، SI3 و SBI از تصویر ماهواره ایی استخراج شد و به همراه سه شاخص توپوگرافی شامل ارتفاع، شیب و شاخص رطوبت توپوگرافی (TWI) به مدل رگرسیون خطی چندگانه و جنگل تصادفی معرفی شد. یافته ها: نقشه رقومی ارتفاعی منطقه مقادیری بین 1100 تا 2050 متر را در بر گرفت. شیب منطقه، در محدوده های با شیب کم و پایین تر از هشت درصد قرار دارد. مقادیر عددی شاخص TWI در نزدیکی مجاری آبی 77/0 به دست آمد. مقادیر شاخص DVI و EVI با افزایش پوشش گیاهی افزایش داشت. شاخص NDVI مقادیر بالاتر از 3/0 و شاخص NDWI به عنوان یک شاخص آبی، مقدار حداکثری 77/0 را در مناطق غرقاب نشان داد. شاخص SAVI تفکیک پذیری بالایی از نواحی بدون پوشش تا پوشش تنک و نواحی با پوشش گیاهی قوی را ارائه داد. شاخص SBI و شاخص های سه گانه شوری SI تغییرپذیری بسیار بالایی از جنبه پارامتر های خاک در نواحی بدون پوشش نشان داد. مدل رگرسیون نیتروژن خاک با سه شاخص RVI، DVI و TWI با مقدار معناداری آماری (p-value) برابر با 04/0 تولید شد. در مدل جنگل تصادفی، شاخص های گیاهی و خاک نقش تعیین کننده ای در ساخت مدل داشتند و مقدار ضریب تعیین ((R2 برابر با 44/0 به دست آمد. نتایج: نیتروژن کل خاک نیز در پارامترهای خاک با چگالی و با شن و رس از بافت خاک و در پارامترهای توپوگرافی با ارتفاع و در شاخص های طیفی با, EVI RVI, SAVI, NDWI, NDVI و DVI در سطح 01/0 و با SI3 از شاخص های شوری در سطح 05/0 همبستگی دارد. در پارامترهای خاک نیز سیلت با شن و رس در سطح 05/0 و شن با رس همچنین چگالی با رس در سطح 01/0 همبستگی دارند. نتایج نشان داد که وضعیت توپوگرافی منطقه به همراه شاخص های بر پایه مادون قرمز نزدیک و قرمز نقش بسزایی در پیش بینی نیتروژن دارد. همچنین مقایسه نتایج حاصل از ارزیابی زمینی و سنجش از دور نشان داد که در پیش بینی نیتروژن کل خاک، اختلاف معنی داری بین دو مدل و ارزیابی میدانی وجود ندارد و هر دو مدل نتایج نزدیکی به ارزیابی میدانی داشتند.

سابقه و هدف: ارزیابی بار معلق رسوبی رودخانه ها بسیار مهم است. کیفیت آب رودخانه ها و محیط زیست تحت تأثیر بار رسوب می باشد. همچنین طراحی سازه های هیدرولیکی و سایر تأسیسات آبرسانی، مدیریت حوزه آبخیز و اجرای برنامه های حفاظت خاک و مشکلات عمده ی دیگر ناشی از آورد رسوب رودخانه ها به تخمین صحیح بار رسوب وابسته است. از آنجایی که برآورد مستقیم بار رسوبی بسیار دشوار و وقت گیر است، لذا این امر سبب شد محققان به برآورد غیرمستقیم بار رسوبی که به روش های گوناگون امکان پذیر است روی آورند. یکی از راه های آسان برآورد غیرمستقیم بار رسوبی، منحنی سنجه رسوب است. این روش تنها می تواند معرف یک مقدار رسوب در یک دبی معین باشد و به علت عوامل مختلفی در طبیعت ممکن است چندین مقدار بار رسوبی برای یک دبی مشخص وجود داشته باشد. بر این اساس در پژوهش حاضر از روش های رگرسیون چندک و جنگل تصادفی که بتوانند مقدار بار رسوب را برای یک مقدار دبی معین در احتمالات مختلف تخمین بزنند استفاده شد. با به کار گیری این دو روش می توان احتمال وقوع بار رسوب در رویدادهای استثایی و سیلاب های عظیم را تحلیل کرد. مواد و روش ها: در این پژوهش از مدل های منحنی سنجه رسوب، رگرسیون چندک و جنگل تصادفی به منظور برآورد بار رسوب چهار ایستگاه جنگلده، نوده، ارازکوسه و قزاقلی واقع در رودخانه ی گرگانرود در استان گلستان استفاده گردید. به این منظور داده های دبی-رسوب متناظر چهار ایستگاه مورد مطالعه به دو بخش 75% برای آموزش و 25% برای آزمون تفکیک شدند. در روش منحنی سنجه، مقدار رسوب با استفاده از معادله ی توانی برازش داده شده بین دبی و رسوب متناظر، حاصل گردید. الگوریتم های رگرسیون چندک و جنگل تصادفی با استفاده از نرم افزار آماری R اجرا گردیدند. مقدار بهینه پارامترهای متغیر این دو روش با استفاده از آزمون و خطا تعیین شد. با اجرای مدل، مقدار رسوب مربوط به یک دبی در سطوح احتمال مختلف (1% تا 99%) محاسبه شد. یافته ها: با به کارگیری این دو روش، بار رسوبی در چندک های 5/2، 50 و 5/97% تعیین و دامنه عدم قطعیت در هر ایستگاه مشخص شد. روش جنگل تصادفی در ایستگاه های جنگلده و نوده با مقدار RMSE به ترتیب برابر 96 و 210 تن بر روز و رگرسیون چندک در ایستگاه های ارازکوسه و قزاقلی با مقدار RMSE به ترتیب 6453 و 24886 تن بر روز به عنوان بهترین روش برآورد بار رسوبی انتخاب شدند. مقدار معیار ارزیابی RMSE رسوب برآورد شده توسط منحنی سنجه رسوب کلاسیک در ایستگاه های جنگلده، نوده، ارازکوسه و قزاقلی به ترتیب برابر 199، 288، 7505 و 25811 تن بر روز به دست آمد. نتیجه گیری: نتایج نشان داد منحنی سنجه رسوب کلاسیک علاوه بر اینکه قادر به برآورد بار رسوبی در دامنه ی عدم قطعیت های مختلف برای یک مقدار دبی معین نیست، بار رسوبی را نیز با مقدار خطای بیشتری برآورد می کند. با استفاده از روش های رگرسیون چندک و جنگل تصادفی برای یک دبی معین مقدار رسوب در احتمالات مختلف قابل پیش بینی است و این امر کمک زیادی به برنامه ریزی صحیح و جامع برای ساخت سازه های آبی می کند و از این طریق، خطرات تخریب این تأسیسات را که ناشی از سیلاب های عظیم می باشد کاهش می دهد.

شور شدن خاک یکی از تهدیدات مهم جهان کنونی است که با تشدید فرآیند بیابان زایی و تخریب زمین ارمغانی جز کاهش بهره وری خاک نخواهد داشت. از آنجا که تجزیه و تحلیل آزمایشگاهی این پارامتر، عموما وقت گیر و در مقیاس های وسیع هزینه بر است، تلاش های بسیاری برای مطالعه شوری با استفاده از روش سنجش از دور صورت گرفته است. در این راستا، مطالعه حاضر نیز به بررسی توان سنجش از دور در پیش بینی شوری سطحی خاک در شرق شهرستان لنجان پرداخته است. نقاط مرجع شوری با استفاده از تحلیل 50 نمونه خاک سطحی برداشت شده به روش تصادفی مشخص گردید. شاخص های ماهواره ای شامل DVI، NDVI، EVI، MSAVI، SAVI، RVI، NDWI، SI1، SI2، SI3 و SBI از تصویر ماهواره ی لندست-8 (ردیف و گذر 164 و 37) برداشت شده در تاریخ 13 آبان 1398 استخراج گردید و به همراه سه شاخص توپوگرافیکی ارتفاع، شیب و شاخص رطوبت توپوگرافیکی (TWI) به مدل رگرسیون خطی چندگانه و جنگل تصادفی معرفی شد. مدل رگرسیون خطی با استفاده از باند 6، RVI، NDVI، ارتفاع و TWI و مقدار p-value برابر با 049/0 تولید گردید. در مدل جنگل تصادفی نیز باند 7، شیب، باند 5 و ارتفاع از جمله مهمترین پارامترهای تاثیرگذار بودند. مقدار r2 این مدل نیز برابر با 21/0 بدست آمد. نتایج این تحقیق نشان داد که شاخص های توپوگرافیکی نیز از اهمیت بالایی در پیش بینی شوری برخوردار هستند. همچنین مقایسه نظیر به نظیر نتایج نشان داد که جنگل تصادفی از دقت بالاتری نسبت به مدل رگرسیون برای تعیین شوری در منطقه مورد مطالعه برخوردار است.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

پیش بینی دقیق زمان سفر یکی از مسائل مهم در حوزه ترافیک و حمل و نقل است که می تواند به طور قابل توجهی بر زندگی روزمره افراد و سازمان ها تاثیر بگذارد. در این پژوهش، چهار روش مختلف یادگیری ماشین شامل رگرسیون خطی (LR)، رگرسیون چندمتغیره (MR)، رگرسیون جنگل تصادفی (RDR) و شبکه عصبی مصنوعی عمیق (DNN) برای پیش بینی زمان سفر آموزش داده شدند. هدف از این پژوهش پیش­بینی زمان سفر جهت استفاده در سیستم ­های ترافیک هوشمند است و بهره ­گیری و مقایسه چندین روش جدید شامل شبکه عصبی عمیق و رگرسیون جنگل تصادفی و همچنین دخیل نمودن پارامترهای جدید مانند وضعیت بارش، نرم جریان ترافیک، زمان و همچنین تصادفات و نقاط قفل ترافیکی نسبت به پژوهش ­های دیگر، نوآوری و جامعیت این پژوهش نسبت با سایر مطالعات می باشد. در طراحی و اجرای این پژوهش از داده های واقعی ترافیک برگرفته از Google map استفاده و آنالیز گردید. این داده ­ها شامل اطلاعاتی از جمله شرایط ترافیک، فصل سال، ساعت روز، وضعیت بارش جوی و ویژگی های مسیر می باشد. نتایج این پژوهش نشان می دهد که مدل DNN  با R2 برابر با 0.833 عملکرد خیلی خوبی را در بین مدل های مورد بررسی دارد. این مدل 0.833% واریانس داده ها را توضیح می دهد و توزیع باقیمانده ها در آن به طور نسبی مرکزی با میانگین صفر و توزیعی نزدیک به نرمال است. مدل رگرسیون خطی با R2 برابر با 0.615 عملکرد ضعیف تری نسبت به DNN دارد و 0.615% از واریانس داده ها را توضیح می دهد. و اما مدل رگرسیون جنگل تصادفی با R2 برابر با 0.955 در رقابت با DNN یکی از بهترین عملکردها را دارد و 0.955% از واریانس داده ها را توضیح می دهد. پارامترهای MSE و RMSE نیز جهت ارزیابی عملکرد مدل ­ها استفاده شدند و نهایتا مقایسه چندبعدی بین مدل­ ها صورت گرفت و مدل جنگل تصادفی کمترین مقادیر خطا را نتیجه داد. از آنجائی که در داده ­های ترافیکی جمع ­آوری شده، حوادث رانندگی و تبعا نقاط قفل ترافیکی در مدل ها نیز استفاده شده، و با لحاظ اینکه مدل رگرسیون جنگل تصادفی با وجود نویز و آنومالی نیز به طور موثرتری با داده ها تطبیق یافته می ­یابند، مقدار R2 این مدل، از شبکه­ های عصبی عمیق بدلیل داشتن ذات بیش ­پردازشی، بالاتر حاصل شده است.