تخمین پایداری خاکدانه در خاک های جنگلی استان گیلان بوسیله شبکه عصبی مصنوعی و توابع انتقالی رگرسیونی
عنوان مقاله: تخمین پایداری خاکدانه در خاک های جنگلی استان گیلان بوسیله شبکه عصبی مصنوعی و توابع انتقالی رگرسیونی
شناسه ملی مقاله: JR_WASO-21-3_012
منتشر شده در در سال 1390
شناسه ملی مقاله: JR_WASO-21-3_012
منتشر شده در در سال 1390
مشخصات نویسندگان مقاله:
عادله علی جانپور شلمانی - دانشگاه گیلان، رشت
محمود شعبانپور - دانشگاه گیلان
حسین اسدی - دانشگاه گیلان
فرید باقری - مرکز تحقیقات چای کشور لاهیجان
خلاصه مقاله:
عادله علی جانپور شلمانی - دانشگاه گیلان، رشت
محمود شعبانپور - دانشگاه گیلان
حسین اسدی - دانشگاه گیلان
فرید باقری - مرکز تحقیقات چای کشور لاهیجان
استفاده از شبکههای عصبی مصنوعی و توابع انتقالی رگرسیونی در برآورد ویژگیهای دیریافت خاک از جمله پایداری خاکدانهها، هزینه و زمان لازم برای اندازهگیری مستقیم این ویژگیها را کاهش میدهد. در این پژوهش ۱۰۰ نمونه خاک از جنگلهای استان گیلان تهیه شد. ماده آلی، جرم ویژه ظاهری، کربنات کلسیم معادل، جرم ویژه حقیقی، تخلخل، مقاومت مکانیکی خاک، رس، شن، سیلت، pH و هدایت الکتریکی به عنوان متغیرهای مستقل و میانگین هندسی قطر خاکدانهها (GMD) به عنوان متغیر وابسته تعیین شدند. نمونهها به صورت تصادفی به دو سری شامل ۸۰ داده برای آموزش و ۲۰ داده برای آزمون مدلها تقسیم شدند. برای ایجاد توابع انتقالی رگرسیونی از روش گام به گام و به منظور تشکیل شبکههای عصبی مصنوعی از الگوریتم آموزشی مارکوارت-لورنبرگ و ساختار پروسپترون سه لایه با شش نرون در لایه پنهان استفاده شد. بر اساس نتایج ماتریس همبستگی بین GMD بهعنوان متغیر وابسته و متغیرهای مستقل، تعداد ۱۸ گروه متغیر مستقل برای دادهها انتخاب شدند. این متغیرها یک بار به عنوان متغیرهای ورودی توابع انتقالی رگرسیونی چندگانه و یک بار به عنوان متغیرهای ورودی شبکه عصبی مصنوعی به کار رفتند. بر اساس آمارههای ضریب تبیین تصحیح شده (R۲ady)، ریشه دوم میانگین مربعات خطا (RMSE) و برتری نسبی (RI) مدل با متغیرهای ورودی pH، جرم ویژه حقیقی، سیلت و مقاومت مکانیکی خاک بهترین مدل شبکه عصبی مصنوعی برای برآورد GMD دادههای مورد آزمایش شناخته شد.
کلمات کلیدی: خاکدانه, شبکه های عصبی مصنوعی, میانگین هندسی قطر خاکدانه ها (GMD)
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1616351/