علوم خاک
امید رحمتی؛ سید مسعود سلیمانپور؛ صمد شادفر؛ صلاحالدین زاهدی
چکیده
فرسایش خندقی بهعنوان یکی از عوامل تخریب سرزمین شناخته شده و اثرات زیانباری در محل و همچنین مناطق پاییندست حوزه آبخیز به بار میآورد. بهدلیل دشوار بودن کنترل توسعه فرسایشهای خندقی، شناسایی مناطق مستعد رخداد فرسایش خندقی و جلوگیری از تشکیل آن از اهمیت زیادی برخودار است. این پژوهش با هدف پیشبینی مکانی استعداد فرسایش خندقی ...
بیشتر
فرسایش خندقی بهعنوان یکی از عوامل تخریب سرزمین شناخته شده و اثرات زیانباری در محل و همچنین مناطق پاییندست حوزه آبخیز به بار میآورد. بهدلیل دشوار بودن کنترل توسعه فرسایشهای خندقی، شناسایی مناطق مستعد رخداد فرسایش خندقی و جلوگیری از تشکیل آن از اهمیت زیادی برخودار است. این پژوهش با هدف پیشبینی مکانی استعداد فرسایش خندقی با استفاده از مدلهای جنگل تصادفی و درختان رگرسیونی تقویتشده در حوزه آبخیز تلوار استان کردستان انجام شده است. در ابتدا 99 خندق در بازدیدهای میدانی تشخیص داده شد و موقعیت پیشانی خندقها ثبت و نقشه پراکنش مکانی خندقها تهیه شد. خندقها بهصورت تصادفی به دو گروه آموزش و اعتبارسنجی به نسبت 70:30 تقسیم شدند. همچنین نقشه عوامل مؤثر بر فرسایش خندقی شامل ارتفاع، شیب، جهت شیب، سنگشناسی، فاصله از آبراهه، شاخص رطوبت توپوگرافی، کاربری اراضی، انحنای سطح، انحنای مقطع، میانگین بارندگی سالانه، موقعیت شیب نسبی، شاخص توان جریان، فاصله از جاده، رده و بافت خاک در سامانه اطلاعات جغرافیایی تهیه شد. مقدار احتمال ایجاد فرسایش خندقی توسط مدل جنگل تصادفی بین 006/0 تا 996/0 و توسط مدل درختان رگرسیون تقویتشده بین 011/0 تا 799/0 بهدست آمد. خروجی الگوی مکانی ایجاد فرسایش خندقی توسط این دو مدل نشان داد بخشهای میانی، شرقی و شمالی این حوضه که در مجاورت آبراههها و رودخانهها هستند، از استعداد ایجاد فرسایش خندقی بیشتری برخوردار هستند. میزان دقت پیشبینی مدلها بر اساس روش مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) ارزیابی شد. بر این اساس، مقدار مساحت زیر منحنی مشخصه عملکرد گیرنده در مدلهای جنگل تصادفی و درختان رگرسیونی تقویتشده بهترتیب 952/0 و 891/0 بهدست آمد. بنابراین مدل جنگل تصادفی دقت بیشتری در پیشبینی ایجاد فرسایش خندقی نشان داد. به این سبب، استفاده از مدل هوش مصنوعی جنگل تصادفی در مدیریت سرزمین و برنامههای حفاظت خاک حوزههای آبخیز مستعد ایجاد فرسایش خندقی پیشنهاد میشود.
نسرین ضابط پیشخانی؛ سید مرتضی سیدیان؛ علی حشمت پور؛ حامد روحانی
چکیده
بارش یکی از مهمترین عوامل مورد استفاده در مطالعات منابع طبیعی، آب، هواشناسی و غیره است. تشخیص پیشبینیپذیری و شناخت عوامل تأثیرگذار بر فرآیند بارش با توجه به نوسان ها و بی نظمی های موجود در سری زمانی بارش اهمیت دارد. این تحقیق با روشهای سامانه استنتاج
فازی- عصبی تطبیقی (ANFIS) و ماشین بردار پشتیبان(SVM) بارش ماهانه شهر گنبدکاووس ...
بیشتر
بارش یکی از مهمترین عوامل مورد استفاده در مطالعات منابع طبیعی، آب، هواشناسی و غیره است. تشخیص پیشبینیپذیری و شناخت عوامل تأثیرگذار بر فرآیند بارش با توجه به نوسان ها و بی نظمی های موجود در سری زمانی بارش اهمیت دارد. این تحقیق با روشهای سامانه استنتاج
فازی- عصبی تطبیقی (ANFIS) و ماشین بردار پشتیبان(SVM) بارش ماهانه شهر گنبدکاووس را الگوسازی کرده است. دادههای مورد استفاده مربوط به سالهای 2012- 1995 است. 2 سری ورودی (ماهانه) شامل: 1- میانگین دما و رطوبت، سرعت باد و فشار 2- مقادیر متوسط بارش ماهانه ایستگاههای آبسنجی استان گلستان در نظر گرفته شد. نتایج نشان داد اگرچه دقت SVM بیشتر از ANFIS است، اما پیش بینی بارندگی با پارامترهای هواشناسی توسط هر دو مدل دارای دقت کمی است. نتایج پیش بینی بارش با بارندگی ایستگاه های منطقه برای هر دو روش قابل قبول است. ضریب تعیین و خطای RMSE در مرحله آزمون در روش SVM بهترتیب برابر 91/0 و 59/5 و در روش ANFIS برابر 87/0 و 06/7 است. تحلیل حساسیت نشان داد که رطوبت نسبی مهمترین متغیرهواشناسی در پیش بینی بارندگی است. سه متغیردیگر تأثیر یکسانی بر نتایج دارند. همچنین موثرترین ایستگاه در پیش بینی بارندگی تعیین شد. این پژوهش نشان داد که SVM عملکرد بهتری نسبت به ANFIS در پیش بینی بارندگی داشته است.
سید محمد حسینی موغاری؛ شهاب عراقی نژاد
چکیده
درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارتهای ناشی از خشکسالی کمک شایانی میکند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبد کاووس در مقیاس های زمانی کوتاه مدت، میان مدت و بلند مدت است. بدین منظور شاخص بارندگی استاندارد (SPI) در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از ...
بیشتر
درک صحیح زمان شروع خشکسالی در هر منطقه به مدیریت و کاهش خسارتهای ناشی از خشکسالی کمک شایانی میکند. هدف این تحقیق، پایش و پیش بینی خشکسالی در ایستگاه گنبد کاووس در مقیاس های زمانی کوتاه مدت، میان مدت و بلند مدت است. بدین منظور شاخص بارندگی استاندارد (SPI) در مقیاس های زمانی 1، 3، 6، 9، 12 و 24 ماهه مورد استفاده قرار گرفت. برای محاسبه SPI از آمار ماهانه بارندگی این ایستگاه، در طی سالهای آبی 52-1351 تا 86-1385 استفاده شد. پس از پایش خشکسالی، بر اساس سری زمانی SPI و با استفاده از چهار روش هوش مصنوعی شامل شبکه عصبی پرسپترون چند لایه (MLP)، سیستم استنباط عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی مبتنی بر توابع پایه شعاعی (RBF) و شبکه عصبی رگرسیون تعمیمیافته (GRNN) اقدام به پیش بینی خشکسالی گردید. نتایج مربوط به پایش نشان داد، چهار دوره طولانی مدت خشکسالی مربوط به سال های 58-53، 62-60، 70-67 و 76-73 در طول دوره آماری وجود دارد. در قسمت پیش بینی، نتایج حاکی از افزایش دقت پیش بینی ها، با افزایش مقیاس محاسبه SPI بود؛ به نحوی که بر اساس نتایج حاصل از مدل MLP ضریب همبستگی بین مقادیر مشاهداتی SPI و مقادیر پیش بینی شده آن، برای SPI1 و SPI24 به ترتیب 009/0 و 949/0 بوده است. همچنین با توجه به نتایج مدل-های ANFIS، RBF و GRNN به ترتیب ضریب همبستگی مربوط پیش بینی مقادیر SPI1 تا SPI24 از 021/0 تا 925/0، 263/0 تا 953/0 و 210/0 تا 955/0 متغیر بود. درمجموع با مقایسه نتایج مدل های مورد استفاده، ANFIS بهترین عملکرد و بعد از آن GRNN بهترین نتایج را ارائه نموده است.
رضا زمانی؛ فرشاد احمدی؛ فریدون رادمنش
چکیده
امروزه پیشبینی جریان روزانه رودخانهها ار مباحث مهم در هیدرولوژی و منابع آب میباشد و میتوان از نتایج الگوبندی جریان روزانه رودخانه در مدیریت منابع آب، خشکسالیها و سیلابها استفاده کرد. با توجه به اهمیت این موضوع، در این پژوهش با استفاده از روشهای سری زمانی خطی، غیرخطی و الگوهای هوش مصنوعی (شبکه عصبی و برنامهریزی بیان ...
بیشتر
امروزه پیشبینی جریان روزانه رودخانهها ار مباحث مهم در هیدرولوژی و منابع آب میباشد و میتوان از نتایج الگوبندی جریان روزانه رودخانه در مدیریت منابع آب، خشکسالیها و سیلابها استفاده کرد. با توجه به اهمیت این موضوع، در این پژوهش با استفاده از روشهای سری زمانی خطی، غیرخطی و الگوهای هوش مصنوعی (شبکه عصبی و برنامهریزی بیان ژن) به الگوبندی جریان روزانه رودخانه کارون در محل ایستگاه آبسنجی ارمند طی دوره آماری (1390-1360) پرداخته شده است. حوضه بالادست ایستگاه ارمند از جمله زیرحوضه های اصلی حوضه کارون شمالی است که شامل چهار زیرحوضه ونک، کارون میانی، بهشت آباد و کوهرنگ است. نتایج این پژوهش نشان داده است که الگوهای هوش مصنوعی دارای برتری نسبت به الگوی غیرخطی و خطی سری زمانی در الگوبندی جریان روزانه رودخانه کارون میباشند. همچنین الگوبندی و مقایسه الگوهای هوش مصنوعی نیز نشان داد که روش برنامهریزی بیان ژن دارای معیارهای ارزیابی مناسبتری نسبت به روش شبکه عصبی مصنوعی میباشد.
