ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

ارزیابی عملکرد رگرسیون چندمتغیره، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن در تخمین برخی خصوصیات خاک

Year: 1396
COI: JR_JWSC-24-2_002
Language: PersianView: 217
This Paper With 22 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 22 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

ابراهیم محمودآبادی - دانشگاه فردوسی مشهد
علیرضا کریمی - دانشیار دانشگاه فردوسی مشهد
غلامحسین حق نیا - دانشگاه فردوسی مشهد
عادل سپهر - دانشگاه فردوسی مشهد

Abstract:

چکیده سابقه و هدف: با ظهور سیستم های کامپیوتری در کنار سامانه اطلاعات جغرافیایی و دسترسی به داده های رقومی مکانی، روش های مختلف داده کاوی، مدل سازی و تخمین خصوصیات خاک، جایگاه خود را در علوم خاک و پدومتری باز کرده است. داده کاوی خصوصیات خاک با استفاده از روش های آماری کامپیوتر- محور به کشف الگوهای پنهان در بانک اطلاعاتی داده ها می پردازد که در نهایت منجر به برازش مدل به منظور استفاده و تخمین خصوصیات خاک می گردد. یکی از کاربردهای مهم این روش ها استفاده در معادله اسکورپن می باشد. دو جز اصلی معادله اسکورپن شامل متغیرهای محیطی و برنامه یادگیری می باشد. این مطالعه با هدف ارزیابی و مقایسه سه مدل عددی شامل روش رگرسیون چندگانه خطی، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن به عنوان برنامه یادگیری (تابع f) در معادله اسکورپن با استفاده از داده های دورسنجی، توپوگرافی و پوشش گیاهی به عنوان داده های کمکی به منظور تخمین خصوصیات خاک از جمله کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع انجام گرفت. مواد و روش ها: این پژوهش، در مراتع بخش باجگیران در استان خراسان رضوی و با مساحت 1225 هکتار انجام شد. به منظور بررسی پوشش گیاهی و خاک، تعداد 137 واحد مورد بررسی قرار گرفت. در هر واحد کاری 3 تا 5 پلات با فاصله 10 متر و در امتداد یک برش انتخاب شدند و نوع و تعداد گونه گیاهی و درصد پوشش گیاهی درون پلاتها ثبت گردید. سپس یک نمونه خاکی در هر برش و در مجموع 137 نمونه خاکی از سطح منطقه مورد مطالعه برداشته شد. داده های توپوگرافی منطقه از نقشه DEM، داده های طیفی و باندهای مختلف از تصاویر سنجنده ETM و شاخص های تنوع گیاهی و درصد پوشش گیاهی اندازه گیری شد و به عنوان متغیرهای کمکی در پیش بینی کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع به کار گرفته شدند. به منظور کاهش تعداد داده ورودی در شبکه عصبی مصنوعی و برنامه ریزی بیان ژن از نتایج PCR استفاده گردید سپس عملیات نرمال سازی و استانداردسازی بر روی داده ها صورت گرفت. یافته ها: نتایج حاصل از ارزیابی مدل های رگرسیون چندگانه، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن براساس آماره های ارزیابی شامل میانگین اریبی خطا (MBE)، ریشه میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) در فاز آزمون نشان داد که شبکه عصبی مصنوعی پرسپترون، با توجه به مقادیر ضریب تبیین بالاتر برای کربنات کلسیم، رس، نیتروژن کل، کربن آلی، شن، سیلت، ظرفیت رطوبتی و چگالی ظاهری به ترتیب با مقادیر 72/0، 46/0، 67/0، 77/0، 62/0، 7/0، 85/0 و 69/0 و همچنین مقادیر خطای RMSE کمتر با مقادیر به ترتیب 46/7، 46/4، 03/0، 27/0، 6/5، 55/3 و 4/ 3 درصد برای کربنات کلسیم معادل، درصد رس، نیتروژن کل، کربن آلی، درصد شن، درصد سیلت، ظرفیت رطوبت اشباع و 08/0 گرم بر سانتی مترمکعب برای چگالی، بهترین نتایج را از بین روشهای مورد مقایسه نشان داد. روش شبکه عصبی مصنوعی توانست 60 تا 85 درصد تغییرپذیری خصوصیات مورد بررسی را نشان دهد که از بین خصوصیات مختلف، بهترین تخمین برای ظرفیت رطوبت اشباع خاک با 85/0R2= و کربن آلی با 77/0R2= بود. نتیجه گیری: نتایج ارزیابی تخمین خصوصیات خاک از طریق سه مدل عددی که بهترین نتایج بدست آمده برای مدل شبکه عصبی مصنوعی پرسپترون بدست آمد. نتایج اعتبارسنجی مدل شبکه عصبی مصنوعی نشان داد که مقدارMBE مدل برای متغیرها نزدیک به صفر بوده و این امر موید این مطلب است که برازش، توسط مدل ایجاد شده نااریب بوده است. مقدار RMSE پایین مدل نیز نشان دهنده دقت مناسب و قابل قبول برآورد برای متغیرهای خاک می باشد. نتایج الگوریتم بیان ژن نیز حاکی از دقت بالاتر این روش نسبت به رگرسیون خطی برای اکثر خصوصیات خاک بود.

Keywords:

Paper COI Code

This Paper COI Code is JR_JWSC-24-2_002. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/953822/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
محمودآبادی، ابراهیم و کریمی، علیرضا و حق نیا، غلامحسین و سپهر، عادل،1396،ارزیابی عملکرد رگرسیون چندمتغیره، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن در تخمین برخی خصوصیات خاک،https://civilica.com/doc/953822

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 :

  • ابراهیم محمودآبادی و همکاران ...
  • Aitkenhead, M.J., and Coull, M.C. 2016. Mapping soil carbon stocks ...
  • neural network model. Geoderma. 262: 187-198. ...
  • Aitkenhead, M.J., Coull, M., Towers, W., Hudson, G., and Black, ...
  • characteristics and colour using data from the National Soil Inventory ...
  • Geoderma. 200/201: 99-107. ...
  • Alami, M., Sadegh Fam, S., and Fazelifard, M. 2012. Data ...
  • University Press, Tabriz, Iran, 622p. (In Persian) ...
  • Amini, M., Abbaspour, K.C., Khademi, H., Fathianpour, N., Afyuni, M., ...
  • 5. Neural network models to predict cation exchange capacity in ...
  • Eur. J. Soil Sci. 56: 551-559. ...
  • Andrews, S.S., Mitchell, J.P., Mancinelli, R., Karlen, D.L., Hartz, T.K., ...
  • Pettygrove, G.S., Scow, K.M., and Munk, D.S. 2002. On-farm assessment ...
  • California s central valley. Agron. J. 94: 1. 12-23. ...
  • Ayoubi, S., and Alizadeh, M.H. 2006. Soil Surface properties prediction ...
  • elevation model. J. Agric. Sci. Natur. Resour. 10: 2. 85-96. ...
  • Bannari, A., Morin, D., Bonn, F., and Huete, A.R. 1995. ...
  • Rem. Sens. Rev. 13: 2. 95-120. ...
  • Bagheri, M.B., and Mart, A. 2015. Digital soil mapping using ...
  • terrain-related attributes. Pedosphere. 25: 4. 580-591. ...
  • Ben-Dor, E., and Banin, A. 1995. Near-infrared analysis as a ...
  • evaluate several soil properties. Soil Sci. Soc. Am. J. 59: ...
  • Boettinger, J.L., Ramsey, R.D., Bodily, J.M., Cole, N.J., Kienast-Brown, S., ...
  • Saunders, A.M., and Stum, A.K. 2008. Landsat Spectral Data for ...
  • P 193-202. In: Hartemink, A.E., McBratney, A., and de Lourdes ...
  • eds.). Digital Soil Mapping with Limited Data. Springer. ...
  • Bourennane, H., Couturier, A., Pasquier, C., Chartin, C., Hinschberger, F., ...
  • Salvador-blanes, S. 2014. Comparative performance of classification algorithms for the ...
  • development of models of spatial distribution of landscape structures. Geoderma. ...
  • Cavazzi, S., Corstanje, R., Mayr, T., Hannam, J., and Fealy, ...
  • resolution digital elevation models always the best choice in digital ...
  • Geoderma. 195/196: 111-121. ...
  • Coleman, T.L., Agbu, P.A., and Montgomery, O.L. 1993. Spectral differentiation ...
  • soils and soil properties: is it possible from space platforms ...
  • Collard, F., Kempen, B., Heuvelink, G.B.M., Saby, N.P.A., Richer, A.C., ...
  • Lehmann, S., Nehlig, P., and Arrouays, D. 2014. Regional refining ...
  • map by calibrating regression models with data from the same ...
  • Geoderma Reg. 1: 21-30. ...
  • Demattê, J.A.M., Fiorio, P.R., Ben-dor, E., Fioriob, P.R., and Ben-Dorc, ...
  • of soil properties by orbital and laboratory reflectance means and ...
  • classification. Open Remote Sens. J. 2: 12-23. ...
  • Emamgolizadeh, S., Bateni, S.M., Shahsavani, D., Ashrafi, T., and Ghorbani, ...
  • Estimation of soil cation exchange capacity using genetic expression programming ...
  • and multivariate adaptive regression splines. J. Hydrol. 529: 1590-1600. ...
  • Fazeli Sangani, M., Sarmadian, F., and Shorafa, M. 2010. Surveying ...
  • physical properties using Geostatistic. M.Sc Thesis, Soil Science Department, Faculty ...
  • Agriculture, University of Tehran, Tehran. (In Persian) ...
  • Ferreira, C. 2002. Gene Expression Programming in Problem Solving, Pp: ...
  • R., Koeppen, M., Ovaska, S., Furuhashi, T., and Hoffmann, F. ...
  • Industry. Springer London. ...
  • Guo, P.T., Wu, W., Sheng, Q.K., Li, M.F., Liu, H.B., ...
  • soil organic matter using artificial neural network and topographic indicators ...
  • Nutr. Cycl. Agroecosys. 95: 3. 333-344. ...
  • Han, J., Pei, J., and Kamber, M. 2011. Data mining: ...
  • Waltham, USA, 673p. ...
  • Hengl, T., and Reuter, H.I. 2009. Geomorphometry: Concepts, Software, Applications. ...
  • AE Amsterdam, Netherlands. 775p. ...
  • Heung, B., Chak, H., Zhang, J., Knudby, A., Bulmer, C.E., ...
  • An overview and comparison of machine-learning techniques for classification purposes ...
  • digital soil mapping. Geoderma, 265: 62-77. ...
  • Ingleby, H.R., and Crowe, T.G. 2001. Neural network models for ...
  • content in Saskatchewan soils. Canad. Bisys. Engin. 43: 7. 1-7.5. ...
  • Karamouz, M., and Araghinejad, S. 2014. Advanced Hydrology. 3rd edition. ...
  • University of Technology Press, 464p. (In Persian) ...
  • Kia, M. 2009. Neural Networks in Matlab. Kian Rayan Sabz ...
  • Ließ, M., Glaser, B., and Huwe, B. 2012. Uncertainty in ...
  • Comparison of regression tree and random forest models. Geoderma. 170: ...
  • Luo, Z., Yaolin, L., Jian, W., and Jing, W. 2008. ...
  • material using field spectrometer and hyperspectral remote sensing. Int. Arch. ...
  • Remote Sens. Spat. Inf. Sci. 37: 901-906. ...
  • Mahmoudabadi, E., and Karimi, A. 2015. Mapping of calcium carbonate ...
  • content of surface soil using geostatistical methods (Case study: Chitgar ...
  • RS GIS Tech. Nat. Resour. 6: 3. 73-85. (In Persian) ...
  • McBratney, A.B., Santos, M.L.M., and Minasny, B. 2003. On digital ...
  • Geoderma. 117: 3-52. ...
  • Metternicht, G.I., and Zinck, J.A. 2003. Remote sensing of soil ...
  • constraints. Rem. Sens. Environ. 85: 1-20. ...
  • Moghimi, S., and Parvizi, Y. 2015. Comparison of applying multi ...
  • and artificial neural network methods for simulating topographic factors effect ...
  • organic carbon. Water. Eng. Manage. 6: 312-322. ...
  • Montgomery, D.C., Peck, E.A., and Vining, G.G. 2015. Introduction to ...
  • Analysis. John Wiley & Sons. ...
  • Naseri, K. 2008. Calibration and application of rangeland health assessment ...
  • range ecosystem of Khorasan province (Case study: Tandoureh area). Ph.D. ...
  • Gorgan University of Agriculture Sciences and Natural Resources. (In Persian) ...
  • Pansu, M., and Gautheyrou, J. 2007. Handbook of Soil Analysis: ...
  • Inorganic Methods. Springer Science & Business Media. 987p. ...
  • Parvizi, Y., Gorji, M., Omid, M., Mahdian, M.H., and Amini, ...
  • organic carbon variability of rainfed crop land in semi-arid region ...
  • Approach). Mod. Appl. Sci. 4: 7. 25-33. ...
  • Pilevar, A.R., Ayoubi, S., and Khademi, H. 2011. Comparison of ...
  • ANN) and multivariate linear regression (MLR) models to predict soil ...
  • digital terrain analysis (Case study: Zargham Abad Semirom, Isfahan proviance). ...
  • Soil. 24: 1151-1163. (In Persian) ...
  • Priori, S., Bianconi, N., and Costantini, E.A.C. 2014. Can γ ...
  • data and stoniness in different parent materials  A comparison of ...
  • methods. Geoderma. 226: 354-364. ...
  • Ratnayake, R.R., Karunaratne, S.B., Lessels, J.S., Yogenthiran, N., Rajapaksha, R.K., ...
  • Gnanavelrajah, N. 2016. Regional digital soil mapping of organic carbon ...
  • paddy growing soils of Northern Sri Lanka. Geodrma Reg. 7: ...
  • Rouhnavaz, M., and Htamloo, A. 2014. Modeling of fluent- participation ...
  • algorithm programming, in: 1st National Industrial Mathematics Conference (NIMC 2014) ...
  • May 2014. Tabriz. (In Persian) ...
  • Schaap, M.G., Leij, F.J., and van Genuchten, M.T. 1998. Neural ...
  • hierarchical prediction of soil hydraulic properties. Soil Sci. Soc. Am. ...
  • Shabani, A. 2011. Topographic and soil attributes effects on rainfed ...
  • region, Northeastern Iran. M.Sc. Thesis, Faculty of Agriculture, Ferdowsi University ...
  • Mashhad, Mashhad, Iran. (In Persian) ...
  • Sumfleth, K., and Duttmann, R. 2008. Prediction of soil property ...
  • landscapes using terrain data and satellite information as indicators. Ecol. ...
  • Taborda, C., Oka-fiori, C., José, L., Santos, C., Evaristo, A., ...
  • 3. Soil prediction using artificial neural networks and topographic attributes. ...
  • Taghizadeh-mehrjardi, R. 2015. Digital mapping of cation exchange capacity using ...
  • genetic programming and soil depth functions in Baneh region, Iran. ...
  • Taghizadeh-mehrjardi, R., Ayoubi, S., Namazi, Z., and Malone, B.P. 2016. ...
  • surface salinity in arid region of central Iran using auxiliary ...
  • programming. Arid Land Res. Manage. 30: 1. 49-64. ...
  • Thomas, M., Clifford, D., Bartley, R., Philip, S., Brough, D., ...
  • Glover, M. 2015. Putting regional digital soil mapping into practice ...
  • Australia. Geoderma. 241: 145-157. ...
  • Thompson, J.A., and Kolka, R.K. 2005. Soil carbon storage estimation ...
  • watershed using quantitative soil-landscape modeling. Soil Sci. Soc. Am. J. ...
  • Wuttichaikitcharoen, P., and Babel, M.S. 2014. Principal component and multiple ...
  • analyses for the estimation of suspended sediment yield in Ungauged ...
  • Thailand. Water. 6: 8. 2412-2435. ...
  • Zhou, P., Zhao, Y., Zhao, Z., and Chai, T. 2015. ...
  • contamination by heavy metals using statistical analysis, artificial neural network ...
  • adaptive genetic algorithm. J. Environ. Chem. Engin. 3: 4. 2569-79. ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم
    این Paper در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Scientometrics

    The specifications of the publisher center of this Paper are as follows:
    Type of center: دانشگاه دولتی
    Paper count: 28,891
    In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support