کاربرد روشهای رگرسیونی و شبکههای عصبی به منظور تخمین هدایت هیدرولیکی اشباع خاک منطقه زاگرس مرکزی
نویسندگان
چکیده
در سال های اخیر با ظهور سامانه اطلاعات جغرافیایی و تکنولوژی سنجش از دور، ویژگیهای توپوگرافیکی (ارتفاع، شیب و جهت شیب) و ویژگیهای پوشش گیاهی به راحتی به وسیله مدل‌های رقومی ارتفاع و شاخص پوشش گیاهی (ndvi) در مقیاسهای مختلف (حوزهای و منطقهای) قابل دسترس میباشد. هدف از انجام این پژوهش، بررسی امکان استفاده از ویژگیهای توپوگرافیکی و پوشش گیاهی به همراه ویژگیهای خاک به عنوان ویژگیهای زود یافت برای تخمین هدایت هیدرولیکی اشباع خاک است. برای این کار توزیع اندازه ذرات خاک، کربن آلی، کربنات کلسیم و چگالی ظاهری در افقهای رویین و زیرین و ویژگیهای توپوگرافیکی و ndvi از افق رویین خاک اندازهگیری شدند. سه ساختار شبکه عصبی پرسپترون برای مقایسه با رگرسیون چند متغیره خطی مورد استفاده قرار گرفتند. کارایی توابع انتقالی خاک و توابع پیش‌بینی مکانی خاک به وسیله ضریب همبستگی اسپیرمن (r)، میانگین مربعات خطای نرمال شده (nmse) و میانگین خطای مطلق(mae) بین مقادیر اندازهگیری شده و مشاهده شده مورد ارزیابی قرار گرفت. نتایج نشان داد که ویژگیهای توپوگرافیکی و پوشش گیاهی از متغیرهای حساس در تخمین هدایت هیدرولیکی اشباع خاک در مراتع زاگرس مرکزی میباشند. به طور کلی شبکههای عصبی (87/0=r) داری کارایی بهتری از رگرسیون چند متغیره خطی (69/0=r) در تخمین هدایت هیدرولیکی اشباع خاک هستند.
منابع مشابه
کاربرد روشهای رگرسیونی و شبکههای عصبی به منظور تخمین هدایت هیدرولیکی اشباع خاک منطقه زاگرس مرکزی
With the advent of advanced geographical informational systems (GIS) and remote sensing technologies in recent years, topographic (elevation, slope, and aspect) and vegetation attributes are routinely available from digital elevation models (DEMs) and normalized difference vegetation index (NDVI) at different spatial (watershed, regional) scales. This study explores the use of topographic and v...
متن کاملتخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل ...
متن کاملارزیابی مدل‌های رگرسیونی و شبکه عصبی مصنوعی در تخمین هدایت هیدرولیکی اشباع خاک در مازندران
هدایت هیدرولیکی اشباع یکی از خصوصیات مهم هیدرولیکی در علوم مرتبط با آب، خاک و کشاورزی میباشد که در مدلسازی حرکت املاح و آب در خاک بسیار اهمیت دارد.اندازهگیری آزمایشگاهی و صحرایی آن دشوار، وقتگیر و پرهزینه بوده و امکان شناسایی تغییرپذیری مکانی و زمانی آن در مقیاس وسیع عملا وجود ندارد.امروزه با استفاده از روشهای غیرمستقیم مانند توابع انتقالی میتوان آن را با دقت بالایی برآورد نمود. پژوهش حاضر...
متن کاملبررسی یک معادله جدید تخمین هدایت هیدرولیکی غیر اشباع خاک
یکی از خواص بسیار مهم حاکم بر انتقال آب ومحلولها در خاک هدایت هیدرولیکی (ضریب آبگذری) غیر اشباع خاک است که تعیین آن در صحرا و در آزمایشگاه علاوه بر وقت گیر بودن بسیار گران تمام می شود. مضافا آنکه به لحاظ تغییرات مکانی وزمانی‘ مفید بودن نتایج محدودو اغلب پراکنده در مسائل عملی قابل تردید است. از اینرو روشهای بسیاری برای تخمین هدایت هیدرولیکی غیر اشباع خاک با استفاده از پاره ای ازخواص خاک که انداز...
متن کاملکاربرد شبکه عصبی مصنوعی در پیش‌بینی هدایت هیدرولیکی اشباع با استفاده از پارامترهای فیزیکی خاک
ویژگیهای هیدرولیکی خاک همچون هدایت هیدرولیکی اشباع و غیراشباع در مطالعات زیست محیطی نقش مهمی را ایفا مینمایند. از آنجائیکه اندازهگیری مستقیم این قبیل ویژگیهای هیدرولیکی خاک امری وقتگیر و هزینهبر است روشهای غیرمستقیمی چون توابع انتقالی و شبکههای عصبی مصنوعی بر مبنای پارامترهای سهل الوصول خاک توسعه یافتهاند. در این خصوص در این مطالعه، از شبکه عصبی مصنوعی به منظور تخمین هدایت هیدرولیک...
متن کاملمقایسه روشهای شبکه عصبی مصنوعی و رگرسیونی برای پیش‌بینی هدایت هیدرولیکی اشباع خاکهای استان خوزستان
Direct measurement of soil hydraulic characteristics is costly and time-consuming. Also, the method is partly unreliable due to soil heterogeneity and laboratory errors. Instead, soil hydraulic characteristics can be predicted using readily available data such as soil texture and bulk density using pedotransfer functions (PTFs). Artificial neural networks (ANNs) and statistical regression are t...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
علوم آب و خاکجلد ۱۹، شماره ۷۱، صفحات ۲۱۷-۲۲۸
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023