ارائه مدلی غیرپارامتریک با استفاده از تکنیک k- نزدیکترین همسایه در برآورد جرم مخصوص ظاهری خاک
نویسندگان
چکیده مقاله:
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).
منابع مشابه
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 ...
متن کاملارزیابی 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 ...
متن کاملتابع 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...
متن کاملمقایسه روش های زمین آماری با روش غیرپارامتریک - k نزدیک ترین همسایه برای برآورد هدایت هیدرولیکی اشباع خاک
متن کامل
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...
متن کاملمدل سازی جریان رودخانه باراندوزچای با استفاده از روش نزدیکترین k- همسایه و روش های 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...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 15 شماره 56
صفحات 181- 191
تاریخ انتشار 2011-07
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023