برآورد برخی ویژگی های دیریافت خاک های استان کرمان با استفاده از توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی
Publish place: Journal of Soil Research، Vol: 25، Issue: 4
Publish Year: 1390
نوع سند: مقاله ژورنالی
زبان: Persian
View: 123
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_AREO-25-4_008
تاریخ نمایه سازی: 24 اردیبهشت 1401
Abstract:
اندازه گیری برخی از ویژگی های مهم خاک، ممکن است دشوار، بسیار وقت گیر و پرهزینه باشد. بنابراین، تخمین این گونه از ویژگیهای خاک با استفاده از ویژگیهای زودیافت خاک، میتواند مفید باشد. به این روابط، توابع انتقالی خاک (PTFs) میگویند. این پژوهش بهمنظور ایجاد توابع انتقالی خاک برای برآورد گنجایش زراعی (FC)، نقطه پژمردگی دائم (PWP) و گنجایش تبادل کاتیونی خاک (CEC) برای خاکهای استان کرمان انجام شد. بنابراین، تعداد ۱۰۰ نمونه خاک از مناطق مختلف استان کرمان (کرمان، بردسیر، رفسنجان، شهربابک، سیرجان و ارزوئیه بافت) و از لایه صفر تا ۳۰ سانتیمتر گرفته شد. سپس ویژگیهای دیریافت (FC ، PWP و CEC) و زودیافت (درصد رس، سیلت، شن، آهک، ماده آلی و گچ) خاکها اندازهگیری گردید. در روش رگرسیون، برای FC درصد رس، شن و گچ، برای PWP درصد رس و برای CEC درصد رس و ماده آلی، اثرات معنیداری در مدلهای ایجادشده نشان دادند. ضرایب تبیین (R۲) بهترتیب برای FC، PWP و CEC برابر ۸۶/۰، ۴۵/۰ و ۹۴/۰ محاسبه شدند. بهترین PTFs ها توسط شبکه عصبی مصنوعی برای FC، PWP و CEC با ۶ لایهی پنهان و در نظر گرفتن تمامی ورودیها بهدست آمد (ضریب تبیین بهترتیب برابر ۹۸/۰، ۹۳/۰ و ۹۹/۰). دقت در روش شبکه عصبی نسبت به روش رگرسیون بیشتر بود. نتایج نشان داد که اگر تعداد ویژگیهای زودیافت اندازهگیریشده زیاد نباشند، میتوان از مدلهای رگرسیونی با دقت قابل قبولی استفاده کرد. اگر تعداد ویژگیهای زودیافت اندازهگیریشده زیاد بود، آنگاه مدل شبکه عصبی، نتایج بسیار دقیقتری ارائه مینماید. دقت مدل شبکه عصبی با کاهش تعداد پارامترهای زودیافت (ورودیها)، کاهش یافت.
Keywords:
Authors
حسین شیرانی
استادیار گروه علوم خاک دانشگاه ولی عصر (عج) رفسنجان
نغمه رفیع نژاد
دانشجوی سابق کارشناسی ارشد علوم خاک دانشگاه ولی عصر (عج) رفسنجان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :