تخمین هوشمند منحنی رطوبتی خاک با استفاده از شبکه عصبی مصنوعی
Publish place: 2nd Students Conference on Soil and Water Resources
Publish Year: 1383
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,909
This Paper With 9 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:
SCSWR02_031
تاریخ نمایه سازی: 5 اردیبهشت 1385
Abstract:
بخش غیر اشباع خاک اهمیتی فراوان در چرخه آبی طبیعت دارد. یکی از مهمترین شاخصهای که ویژگی های این بخش را بصورت کمی بیان می کند، منحنی رطوبتی خاک است که در بسیاری از پژوهشها به عنوان اطلاعات پایه مورد استفاده قرار می گیرد. لیکن، اندازه گیری مستقیم آن هزینه بر و وقتگیر بوده و نیاز به تجهیزات آزمایشگاهی ویژه دارد. به همین دلیل، در سالهای اخیر تلاشهایی فراوان صورت گرفته تا با استفاده از ویژگیهای زود یافت خاک و بدون نیاز به اندازه گیری مستقیم بتوان آن را با دقتی قابل قبول تخمین زد. هدف از این پژوهش ، بررسی امکان استاده از شبکه عصبی مصنوعی به منظور برآورد منحنی رطوبتی از ویژگیهای زودیافت خاک بود. به همین منظور، 75 نمونه خاک از سریهای خاک منطقه کرج انتخاب گردید. منحنی رطوبتی این خامها درمکشهای 0، 10 و 23 کیلوپاسکال با استفاده از دستگاه صفحات فشاری، فراوانی نسبی ذرات خاک به روش هیدرومتری، جرم ویژه ظاهری به روش پارافین و کربنات کلسیم معادل به روش کلسیمتری اندازه گیری گردید. سپس، شیکه ای از نوع پرسپترون چند لایه با قانون یادگیری پس انتشار خطا برای بازیابی نگاشت غیر خطی میان ویژگیهای زودیافت خاک و منحنی رطوبتی طراحی گردید و به کمک آن منحنی رطوبتی خاک به صورتی هوشمند تخمین زده شد. نتایج نشان داد که انطباقی معنی دار در سطح احتمال یک درصد بین منحنی رطوبتی پیش بینی شده با شبکه عصبی مصنوعی و داده های اندازه گیری شده وجود دار. همچنین، نتایج نشان داد که برآورد انجام شده با دقتی بیشتر از توابع انتقالی رگرسیونی و برنامه Rosetta منحنی رطوبتی را در دامنه مورد مطالعه تخمین می زند.
Keywords:
Authors
حبیب خداوردی لو
دانشجوی دکتری خاکشناسی
پرویز فتحی
دانشجوی دکتری آبیاری
مهدی همایی
استادیار گروه خاکشناسی دانشکده کشاورزی دانشگاه تربیت مدرس
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 :