ارائه مدلی غیرپارامتریک با استفاده از تکنیک k- نزدیک‌ترین همسایه در برآورد جرم مخصوص ظاهری خاک

Authors

مهدی همایی,

وحیدرضا جلالی,

Abstract:

Soil bulk density measurements are often required as an input parameter for models that predict soil processes. Nonparametric approaches are being used in various fields to estimate continuous variables. One type of the nonparametric lazy learning algorithms, a k-nearest neighbor (k-NN) algorithm was introduced and tested to estimate soil bulk density from other soil properties, including soil textural fractions, EC, pH, SP, OC and TNV. As many as eight nearest neighbors, based on cross validation technique were selected to perform bulk density prediction from the attributes of 136 soil samples. The nonparametric k-NN technique mostly performed equally well using Pearson correlation coefficient (r=0.86), root-mean-squared errors (RMSE=2.5) maximum error (ME=0.15), coefficient of determination (CD=1.3), modeling efficiency (EF=0.75) and coefficient of residual mass (CRM=0.001) statistics. It can be concluded that the k-NN technique is an alternative to other techniques such as pedotransfer functions (PTFs).

Upgrade to premium to download articles

Already have an account?login

similar resources

ارائه مدلی غیرپارامتریک با استفاده از تکنیک k- نزدیک ترین همسایه در برآورد جرم مخصوص ظاهری خاک

در مدل هایی که به پیش بینی فرآیندهای حاکم در محیط خاک می پردازند، دانستن جرم ویژه ظاهری خاک به عنوان یک پارامتر ورودی، لازم است. رویکردهای غیرپارامتریک در جنبه های مختلفی برای تخمین متغیرهای پیوسته به کار رفته اند. در این پژوهش نوعی از الگوریتم های غیرپارامتریک از نوع یادگیرنده های تنبل موسوم به k- نزدیک ترین همسایه، برای تخمین جرم ویژه ظاهری خاک با استفاده از دیگر ویژگی های کمکی آن شامل توزیع ...

full text

ارزیابی روش غیرپارامتریک k- نزدیکترین همسایه و سیستم‌های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک

هدایت هیدرولیکی اشباع خاک از مهم ترین ویژگی های فیزیکی خاک است لیکن در بیشتر موارد به علت محدودیت‌های عملی و یا هزینه‌ای، اندازه‌گیری آن با دشواری همراه است. در این پژوهش مدل‌های مختلف شبکه های عصبی مصنوعی با نوعی از الگوریتم‌های غیرپارامتریک از نوع یادگیرنده‌های تنبل موسوم به k-نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک از روی داده‌های سهل‌الوصول خاک، مورد مقایسه قرار گرفت. در این ...

full text

تابع مفصل و کاربرد آن در برآورد تغییرات مکانی شن و جرم مخصوص ظاهری خاک

چکیده سابقه و هدف: ویژگی‌های خاک دارای تغییرات مکانی و زمانی در مقیاس‌های کوچک و بزرگ می‌باشند. مطالعه این تغییرات، در سطح وسیع بسیار وقت‌گیر و هزینه‌بر است. به منظور تعیین سریع و قابل اعتماد ویژگی‌های خاک، تکنیک‌های درون‌یابی مختلفی توسعه و به‌کار گرفته شده است. از تکنیک‌های درون‌یابی که به طور گسترده در علوم مختلف به‌کار رفته است، می‌توان به انواع کریجینگ اشاره کرد. تابع مفصل، یکی از تک...

full text

مقایسه روش های زمین آماری با روش غیرپارامتریک - k نزدیک ترین همسایه برای برآورد هدایت هیدرولیکی اشباع خاک

full text

مدل‌سازی جریان رودخانه باراندوزچای با استفاده از روش‌ نزدیکترین K- همسایه و روش‌های هوشمند

پیشبینی دقیق جریان رودخانه در طراحی، بهرهبرداری و برنامهریزی منابع آب از اهمیت بسزایی برخوردار است. در این مطالعه، عملکرد روشهای ناپارامتری نزدیکترین همسایه، فازی- عصبی تطبیقی و روش رگرسیون بردار پشتیبان در پیشبینی جریان رودخانه ارزیابی شده است. برای مدلسازی از دادههای جریان 36 ساله ایستگاه هیدرومتری دیزج واقع بر رودخانه باراندوزچای (در مقیاس زمانی ماهانه) استفاده گردید. ترکیبات مختلفی ا...

full text

مدل سازی جریان رودخانه باراندوزچای با استفاده از روش نزدیکترین k- همسایه و روش های هوشمند

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

Journal title

علوم آب و خاک

volume 15 issue 56

pages 181- 191

publication date 2011-07

unfollow

{@ msg @}

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

No Keywords

Hosted on Doprax cloud platform doprax.com