مدلسازی دمای روزانۀ خاک با استفاده از دادههای سینوپتیکی و شبکۀ عصبی
Authors
Abstract:
دمای خاک یکی از مهمترین پارامترهای تأثیرگذار بر روی فرایندهای هیدرولوژیکی میباشد و یکی از عوامل مؤثر در استقرار پوشش گیاهی در مناطق خشک است. بررسیها نشان داده است دمای خاک تحت تأثیر پارامترهایی از قبیل متوسط دمای هوای روزانه، حداقل و حداکثر دمای روزانه، تبخیر، تابش خورشیدی، تعداد ساعات آفتابی و بارش میباشد؛ شناخت از مدل تغییرات دما در اعماق مختلف خاک میتواند در تعیین نیاز آبی گیاهان و فعالیتهای بیولوزیکی بسیار مؤثر باشد. با توجه به اهمیت موضوع، در این مطالعه از دادههای سینوپتیکی اصفهان بهمنظور مدلسازی دمای خاک در عمق 5 تا 100 سانتی متری خاک با استفاده از شبکۀ عصبی– مصنوعی استفاده شد. نتایج نشان داد که خطای مدل با افزایش عمق افزایش پیدا میکند بهطوریکه بیشترین خطای مدل در عمق 100 سانتیمتری و کمترین خطای مدلها در عمق 10 سانتیمتر از سطح میباشد. همچنین نتایج نشان داد افزایش خطای مدلهای شبکۀ عصبی مصنوعی در شبیهسازی تغییرات دمای خاک در لایههای عمقی میباشد و علت اصلی افزایش کارایی مدلهای هوش مصنوعی در شبیهسازی دمای خاک در لایههای سطحی نسبت به لایههای تحتانی عمدتاً مربوط به کاهش همبستگی بین پارامترهای اقلیمی و تغییرات دمای خاک در لایههای تحتانی نسبت به لایههای فوقانی است. به طوری که ضریب تغییرپذیری دمای خاک با افزایش عمق نسبت به لایههای سطحی کمتر است و کمتر تحت تأثیر متغیرهای اقلیمی از جمله دمای خاک قرار میگیرد.
similar resources
برآورد دمای روزانه خاک با استفاده از شبکه عصبی مصنوعی
دمای خاک یکی از متغیرهای مهم در مطالعات هیدرولوژی، هواشناسی، کشاورزی و اقلیمشناسی است که اندازهگیری و برآورد آن ضروری است. با توجه به اینکه دمای خاک فقط در ایستگاههای سینوپتیک کشور اندازهگیری میشود، کمبود آن در نقاط فاقد ایستگاه از چالشهای بزرگ در بسیاری از مطالعات مرتبط با کشاورزی است. در این پژوهش، با استفاده از پارامترهای هواشناسی ایستگاه سینوپتیک شیراز در یک دوره 9 ساله (2008-2000) ب...
full textمدلسازی جریان روزانۀ رودخانه با استفاده از برنامهریزی ژنتیک و شبکۀ عصبی (مطالعۀ موردی: حوضۀ آبخیز معرّف امامه)
فرایند بارش- رواناب پیچیده و غیرخطی است و مدلسازی آن به دلیل عدم قطعیتهای زیاد یکی از مهمترین دغدغههای پژوهشگران در حیطة مسائل منابع آب بهشمار میرود. از بین روشهای مورد استفاده، مدلهای هوشمند در پیشبینی چنین فرایندهایی مفید و مؤثرند. بنابراین، به منظور مدلسازی جریان رودخانه از روشهای شبکة عصبی مصنوعی و همچنین برنامهریزی ژنتیک به منزلة روشی صریحـ که جزو الگوریتمهای تکاملی بهشمار م...
full textمدلسازی حجم تجاری درختان تودههای آمیختۀ راش جنگلهای هیرکانی با استفاده از شبکۀ عصبی مصنوعی
پیشبینی دقیق حجم درختان سرپا برحسب متر مکعب مبنای برآورد هر چه دقیقتر مقدار رویش، برداشت مجاز، ترسیب کربن زیتودۀ هوایی درختان و مدیریت بهینۀ جنگل براساس اصل توسعۀ پایدار محسوب میشود. از اینرو، تحقیق حاضر با استفاده از شبکۀ عصبی مصنوعی در پی مدلسازی و پیشبینی حجم تجاری با حداکثر قطعیت است. پژوهش موردی جنگل سری 3 گلندرود نور بوده و اطلاعات دریافتی مستخرج از جدولهای تجدید حجم ادارۀ کل منابع...
full textبرآورد دمای روزانه خاک با استفاده از شبکه عصبی مصنوعی
دمای خاک یکی از متغیرهای مهم در مطالعات هیدرولوژی، هواشناسی، کشاورزی و اقلیمشناسی است که اندازهگیری و برآورد آن ضروری است. با توجه به اینکه دمای خاک فقط در ایستگاههای سینوپتیک کشور اندازهگیری میشود، کمبود آن در نقاط فاقد ایستگاه از چالشهای بزرگ در بسیاری از مطالعات مرتبط با کشاورزی است. در این پژوهش، با استفاده از پارامترهای هواشناسی ایستگاه سینوپتیک شیراز در یک دوره 9 ساله (2008-2000) ب...
full textطراحی شبکۀ جادۀ جنگلی با استفاده از شبکۀ عصبی مصنوعی و GIS
جادههای جنگلی بهمنظور ایجاد دسترسی به جنگل احداث میشوند و تأثیر زیربنایی در سازماندهی منطقه دارند. هدف این پژوهش، معرفی راهکاری هوشمند مبتنی بر شبکههای عصبی مصنوعی با تلفیق GIS برای طراحی شبکۀ جادۀ جنگلی با در نظر داشتن اصول و معیارهای فنی شبکۀ جادۀ جنگلی است. ابتدا معیارهای مؤثر با استفاده از روش دلفی شناسایی شد و وزندهی آنها با استفاده از روش AHP، انجام گرفت. با تلفیق لایههای مختلف و وز...
full textMy Resources
Journal title
volume 71 issue 1
pages 285- 295
publication date 2018-05-22
By following a journal you will be notified via email when a new issue of this journal is published.
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023