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.

در این مقاله، موضوع طبقه بندی داده ها مدنظر قرار داده می شود که در آن متغیر پاسخ به صورت دو یا چند ارزشی و متغیرهای پیشگو متغیرهای معمولی هستند اما، خطاها علاوه بر ماهیتی تصادفی، ماهیتی ابهامی نیز دارند. در این صورت متغیر پاسخ نیز متغیر تصادفی فازی است. بر این اساس مدلی بر پایه رگرسیون لوژستیک صورت بندی کرده و برآورد ضرایب با استفاده از روش کمترین توان های دوم بدست آورده می شود. با یک مثال نتایج حاصله برای حالت یک متغیر مستقل تشریح می گردند. در پایان روابط بازگشتی برای محاسبه برآورد پارامترها ارائه می شوند. این روابط بازگشتی می توانند در یادگیری ماشین و برای طبقه بندی داده های بزرگ مورد استفاده قرار گیرند.

عمده تحقیقات بهینه سازی طرح بر روی مدل های خطی و خطی تعمیم یافته صورت گرفته است. در مطالعات کاربردی در زمینه کشاورزی و علوم اجتماعی و ... معمولا در کنار اثرات ثابت حداقل یک اثر تصادفی نیز در مدل وجود دارد. این مدل ها تحت عنوان مدل های آمیخته شهرت دارند. در این مقاله مدل رگرسیون بتا با یک عرض از مبدا تصادفی به عنوان یک مدل آمیخته، مورد توجه است و طرح D- بهینه موضعی برای دو حالت ساده و درجه دو از این مدل محاسبه می شود و روند تغییرات نقاط طرح بهینه به ازای مقادیر پارامترهای مختلف بررسی خواهد شد. در مدل ساده به ازای پارامترهای مختلف یک طرح D- بهینه موضعی دو نقطه ای بدست آمده است و در مدل درجه دو یک طرح D- بهینه موضعی سه نقطه ای حاصل شد که موقعیت و وزن نقاط به تفصیل در مقاله ارائه می شود. همچنین بر اساس معیار کارایی این طرح های D- بهینه موضعی با طرح های مشابه وقتی اثر تصادفی در مدل در نظر گرفته نمی شود، از کارایی طرح بهینه وقتی اثر تصادفی در مدل در نظر گرفته نشود پایین تر است.

یکی از مدل هایی که می تواند در مطالعه رابطه بین مجموعه های تصادفی بولی و متغیرهای کمکی به کار رود مدل رگرسیونی رشد است که با تعمیم مدل بولی و وابسته کردن توزیع دانه های آن به متغیرهای کمکی تعریف می شود. این مدل می تواند در مطالعه رفتار مجموعه های تصادفی بولی وقتی تغییر در ناحیه پوشیده شده توسط آنها با تغییر در اندازه دانه ها همراه است استفاده شود. در این مقاله شناسایی و برازش مدل رشد مناسب، با تکیه به اطلاعات موجود در مصادیق مدل های بولی و مقادیر متغیرهای کمکی را امکان پذیر ساخته ایم. همچنین روش مناسبی برای برازش مدل رگرسیونی رشد ارایه و خواص برآورد کننده های حاصل از آن را به کمک شبیه سازی مورد مطالعه قرار داده ایم.

به منظور تعیین تعداد رکورد روز آزمون مناسب برای آزمون نتاج گاوهای نر هلشتاین از 732140 رکورد روز آزمون تولید شیر زایش اول مربوط به 73214 راس گاو شیری از 62 گله طی سال های 1371 الی 1395 که توسط مرکز اصلاح نژاد کشور جمع آوری شده بود، استفاده شد. همبستگی پیش بینی ارزش ارثی (EBV) گاوهای نر با استفاده از 10 رکورد روز آزمون دختران آنها با تعداد متفاوت رکورد روز آزمون، مقایسه شد. همبستگی EBV گاوهای نر هلشتاین در حالت استفاده از 10 رکورد روز آزمون از هر گاو شیری با EBV حاصل از تعداد رکورد روز آزمون زوج، فرد، (دوم، سوم، دهم)، (دوم، پنجم، هفتم) و (دوم، ششم) به ترتیب 99/0، 98/0، 98/0، 97/0 و 94/0 برآورد شد. نتایج نشان داد در ارزیابی ژنتیکی گاو های نر هلشتاین با استفاده از مدل رگرسیون تصادفی می توان برای کاهش هزینه رکوردگیری، کاهش حجم فایل اطلاعات و کم کردن فاصله نسل فقط از رکوردهای روز آزمون دوم، پنجم و هفتم به جای 10 رکورد روز آزمون استفاده نمود.

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.