مقایسه روش های هوش مصنوعی و زمین آمار در پیش بینی شوری سطحی خاک در قرقری، هیرمند

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 162

This Paper With 14 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JEWE-8-3_006

تاریخ نمایه سازی: 24 دی 1401

Abstract:

در این پژوهش از روش زمین­آمار و روش­های هوش مصنوعی شامل شبکه عصبی مصنوعی، درخت تصمیم و ماشین بردار پشتیبان برای پیش­بینی شوری خاک اراضی قرقری شهرستان هیرمند استفاده شد. برای این منظور تعداد ۱۳۰ نمونه خاک از عمق صفر تا cm ۳۰  خاک برداشت شد. نمونه­های برداشت شده به آزمایشگاه منتقل و هدایت الکتریکی با استفاده از دستگاه هدایت­­سنج اندازه­گیری شد. مقادیر شوری خاک با استفاده از روش زمین­آمار و روش­های هوش مصنوعی، برآورد شد. روش­های زمین­آماری و هوش مصنوعی برازش و بهترین مدل انتخاب و با استفاده از اعتبارسنجی مستقل دقت روش­ها باهم مقایسه شد. نتایج نشان داد روش­های هوش مصنوعی نسبت به روش زمین­آمار شوری خاک را بهتر برآورد می­کنند. بین روش­های هوش مصنوعی روش درخت تصمیم با توجه به ضریب تبیین ۹۹/۰ و آماره­های RMSE و MAE به­ترتیب برابر ۲۶/۰ و ۱۸/۰ به­عنوان روش برتر انتخاب شد. نتایج روند شوری نشان داد شوری خاک منطقه از غرب به شرق ابتدا کاهش و سپس افزایش و از شمال به جنوب کاهش می­یابد. بنابراین با توجه به نتایج برای حفظ محیط­زیست منطقه، باید زمینه کاشت گونه­های گیاهی سازگار با منطقه، منطبق با شوری خاک فراهم شود.

Authors

حلیمه پیری

استادیار، گروه مهندسی آب، دانشکده آب و خاک، دانشگاه زابل، زابل، ایران

مجتبی مبارکی

کارشناسی ارشد، گروه مهندسی آب، دانشکده آب و خاک، دانشگاه زابل، زابل، ایران

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 :
  • Ahmadi, A., Taranjozar, H. and Kazemi, A. (۲۰۱۹). Surface salinity ...
  • Akramkhanov, A., Brus, D. J. and Walvoort, D. J. J. ...
  • Amini, A., Kolahchi, A. A., Al-Ansari, N., Moghadam, M. K., ...
  • Behnam, V., Gholamalizadeh, A., Rahmanian, M. and Bameri, A. (۲۰۱۹). ...
  • Debeljak, M. and Džeroski, S. (۲۰۱۱). Decision trees in ecological ...
  • Foroughifar H., Jafarzadah A. A., Torabi Gelsefidi H., Aliasgharzadah N., ...
  • Hassani Pak, A. (۲۰۱۰). Geostatistics. University of Tehran Press, ۳rd ...
  • Hossein Abadi, S., Khozeime Nezhad, H. and Khashei Sioki., A. ...
  • Haykin, S. (۱۹۹۴). Neural network: A comprehensive foundation. ۲nd Ed. ...
  • Isaaks, E. H. and Srivastava, R. M. (۱۹۸۹). An introduction ...
  • Jahantigh, M. and Jahantigh M. (۲۰۱۹). Study effect of flood ...
  • Juan P., Mateu, J. Jordan, M. M, Mataix-Solera, J., Meléndez-Pastor, ...
  • Moonjun, R., Farshad A., Shrestha, D. P. and Vaiphasa, C. ...
  • Moradian, S., Nabiollahi, K. and Taghizadeh Mehrjerdi, R. (۲۰۱۷). Prediction ...
  • Nawar, S., Reda, M., Farag, F. and El-Nahry, A. (۲۰۱۱). ...
  • Nikbakht Shahbazi, A., Zahraei, B. and Naseri, M. (۲۰۱۲). Seasonal ...
  • Nikpour, M. R., Thanikhani, H., Mahmoudi Babalan, S. and Mohammadi, ...
  • Ranjbar, F. and Jalali, M. (۲۰۱۶). The combination of geostatistics ...
  • Sharma, V., Negi, S. C., Rudra, R. P. and Yang, ...
  • Siasar, H. and Honar, T. (۲۰۱۹). Application of support vector ...
  • Sitharam, T. G., Samui, P. and Anbazhagan, P. (۲۰۰۸). Spatial ...
  • Sokouti Scoei, R., Mahdian, R. and Mahmoodi, S. H. (۲۰۰۷). ...
  • Soleimani, K., Habibnejad, M., Abkar, A. and Bani Asadi, M. ...
  • Taghizadeh, R., Minasny. B., Sarmadian, F. and Malone, P. B. ...
  • Wang, Y. and Witten, I. H. (۱۹۹۷). Inducing model trees ...
  • Watt, M. and Palmer, S. (۲۰۱۰). Use of regression kriging ...
  • Yu, H., Liu, M, Du, B., Wang, Z., Hu, L. ...
  • نمایش کامل مراجع