پیش بینی مکانی غلظت فلوئورید با استفاده از مدل های شبکه های عصبی مصنوعی و زمین آمار

Authors

اصغر اصغری مقدم

عطاالله ندیری

الهام فیجانی

abstract

در چند دهة اخیر محقّقین به ناهنجاری­های شیمیایی موجود در آب، خاک و هوا که سلامتی انسانها را تهدید می کنند، توجه خاصی داشته اند. از این میان غلظت بیش از حد استاندارد (5/1 میلی گرم بر لیتر) فلوئورید در آب­های شرب به دلیل تأثیر مستقیم روی فیزیولوژی بدن انسان، اهمیت بالایی دارد. در منابع آبی دشت­های بازرگان و پلدشت غلظت فلوئورید بیش از حد استاندارد جهانی (who) است. هدف این تحقیق تعیین تغییرات مکانی مقادیر فلوئورید در این دشتها می باشد. بدین منظور از مدل شبکه های عصبی مصنوعی به عنوان مدلی غیرخطی استفاده گردید. ساختارهای مختلفی از مدل مذکور ارزیابی و بهترین ساختار برای پیش بینی مکانی غلظت فلوئورید در منطقه، ساختار fnn-bfg تشخیص داده شد. مدلسازی مکانی با این ساختار با استفاده از اندازه­گیری غلظت یون فلوئورید و یون­های همبسته با آن و مختصات محل هر نمونه صورت گرفت، ضرایب تعیین برابر9625/0 و 9019/0 به ترتیب برای مرحلة آموزش و مرحلة آزمایش به­دست آمد. به منظور مقایسة نتایج حاصل از ساختار فوق­الذکر با روش زمین آمار، دو شیوۀ کریجینگ و کوکریجینگ نیز بررسی شدند که به ترتیب ضریب تعیین معادل 7285/0 و 8556/0برای مرحلة آزمایش به­دست آمد. از میان سه مدل بررسی شده دقیق­ترین تخمین غلظت فلوئورید از مدل شبکۀ عصبی مصنوعی با ساختار انتخاب شده حاصل گردید.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی مکانی غلظت فلوئورید با استفاده از مدل‌های شبکه‌های عصبی مصنوعی و زمین آمار

در چند دهة اخیر محقّقین به ناهنجاری­های شیمیایی موجود در آب، خاک و هوا که سلامتی انسانها را تهدید می‌کنند، توجه خاصی داشته‌اند. از این میان غلظت بیش از حد استاندارد (5/1 میلی‌گرم بر لیتر) فلوئورید در آب­های شرب به دلیل تأثیر مستقیم روی فیزیولوژی بدن انسان، اهمیت بالایی دارد. در منابع آبی دشت­های بازرگان و پلدشت غلظت فلوئورید بیش از حد استاندارد جهانی (WHO) است. هدف این تحقیق تعیین تغییرات مکانی ...

full text

پیش بینی میزان غلظت آلاینده های هوای تهران با استفاده از شبکه عصبی مصنوعی

در این تحقیق شبکه عصبی مصنوعی جهت برآورد و پیش بینی غلظت گازهای آلاینده هوا به کار رفته است.با توجه به خطر آلودگی هوا در شهر تهران و ایجاد مشکلات زیست محیطی و بیماری های خطرناک تنفسی و پوستی به ویژه برای کودکان و سالمندان و نیاز شدید به کنترل آن ، این تحقیق در جهت برنامه ریزی و کنترل این مشکل در تهران و همچنین شهرهای بزرگ دیگر انجام گرفته است. برای این منظور از آمار غلظت گازهای آلاینده هوای ثبت...

full text

مدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی

شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...

full text

مدل سازی و پیش بینی کارایی بانک های دولتی و خصوصی ایران با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک

دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی...

full text

پیش بینی خشکسالی با استفاده از مدل تلفیقی شبکه عصبی مصنوعی- موجک و مدل سری زمانیARIMA

تبدیل موجک یکی از روش­های نوین و بسیار موثر در زمینه تحلیل سیگنال­ها و سری­های زمانی است. در این روش سیگنال شاخص بارش استاندارد (SPI) با استفاده از موجک مادر منتخب تجزیه شده، داده­های حاصل به­عنوان ورودی مدل شبکه عصبی مصنوعی در نظر گرفته شده و یک مدل تلفیقی برای پیش­بینی خشکسالی ارائه می­گردد. در این تحقیق، از شبکه­های عصبی مصنوعی پرسپترون چند لایه (MLP) و تابع پایه‌ای شعاعی ((RBF، سری زمانی AR...

full text

پیش بینی تغییرات کاربری زمین با استفاده از شبکه های عصبی و GIS

در این مقاله مدل دگرگونی زمین که مشتمل بر سیستم اطلاعات جغرافیایی (GIS)(1) و شبکه‌های عصبی مصنوعی (ANNs)(2) می‌باشد ارائه شده است. در این مدل از عوامل متنوع سیاسی، اجتماعی و محیطی به عنوان متغیرهای پیشگوی استفاده گردیده است. این پژوهش نسخه‌ای از مدل LTM(3) را برای محدوده حوزه آبخیز گرند تریورز در خلیج میشیگان ارائه کرده و نشان می‌دهد که چگونه عواملی نظیر جاده‌ها...

full text

My Resources

Save resource for easier access later


Journal title:
دانش آب و خاک

Publisher: دانشگاه تبریز

ISSN 2008-5133

volume 19

issue پاییز و زمستان 2010

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023