استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 684
This Paper With 6 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:
FNCAES01_371
تاریخ نمایه سازی: 25 اردیبهشت 1393
Abstract:
ظرفیت تبادل کاتیونی یکی از ویژگی های شیمیایی مهم خاک بوده و منظور نمودن شاخص های حاصلخیزی خاک از جمله ظرفیت تبادل کاتیونی می تواند در ارتقاء و افزایش کیفیت نقشه های خاک مفید باشد. از آنجایی که اندازه گیری CEC بسیار پرهزینه و وقتگیر است، استفاده از شبکه عصبی مصنوعی می تواند راه کاری مناسب در برآورد این پارامتر به جای اندازه گیری مستقیم آن باشد. هدف از این تحقیق، تخمین مقدار ظرفیت تبادل کاتیونی خاک با کمک شبکه عصبی MLP با سه نوع تابع فعال سازی سیگموئید تانژآنت هایپربولیک، سیگموئید لگاریتمی و خطی با نرم افزار MATLAB از روی خصوصیات درصد رس، درصد سیلت و درصد کربن آلی خاک و همچنین انتخاب بهترین تابع برای برآورد این خصوصیت می باشد. برای این منظور 67 نمونه خاک جمع آوری گردید وپس از آماده سازی نمونه ها )هوا خشک نمودن، کوبیدن و الک کردن نمونه ها(، مقدار ظرفیت تبادل کاتیونی )به روش استات سدیم در pH= 8/2 (، درصد رس و سیلت )به روش هیدرومتری( و کربن آلی )به روش والکی بلک( نمونه ها اندازه گیری شدند. نتایج حاصل از پژوهش نشان داد که شبکه عصبی مصنوعی با تابع فعال سازی سیگموئید لگاریتیمی با تعداد 11 نرون در لایه مخفی با شاخص های عملکرد 2R و RMSE 4 ، 0/7106و4/633در مقایسه با سایر توابع فعال سازی بهترین عملکرد را در برآورد خروجی ظرفیت تبادل ، کاتیونی خاک داشته است. همچنین آنالیز حساست نیز نشان داد که پارامتر ورودی درصد رس در مدل شبکه عصبی بیشترین تاثیر را بر خروجی مدل )ظرفیت تبادل کاتیونی( داشته است.
Keywords:
Authors
سونا آذرنشان
دانشجوی دکتری علوم خاک دانشگاه علوم کشاورزی و منابع طبیعی گرگان
جعفر شریفی گرم دره
دانشجوی دکتری علوم خاک دانشگاه علوم کشاورزی و منابع طبیعی گرگان
فرشاد کیانی
استادیار گروه علوم خاک دانشگاه علوم کشاورزی و منابع طبیعی گرگان
مسلم محمدی
دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تهران
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 :