هواشناسی کشاورزی
مبینا عبدالهی فوزی؛ بهرام بختیاری؛ کورش قادری
چکیده
سرمای دیررس بهاره تأثیر قابلتوجهی بر اندامهای آسیبپذیر گیاهان میگذارد. این رویداد در آسیا، آمریکای شمالی و اروپا بیش از سایر مخاطرات مرتبط با آبوهوا باعث زیان اقتصادی به کشاورزی شده است. همچنین این پدیده باعث کاهش عملکرد محصول در ایران شده است. آخرین آمار منتشر شده از سوی سازمان خواربار و کشاورزی ملل متحد (فائو) نشان میدهد ...
بیشتر
سرمای دیررس بهاره تأثیر قابلتوجهی بر اندامهای آسیبپذیر گیاهان میگذارد. این رویداد در آسیا، آمریکای شمالی و اروپا بیش از سایر مخاطرات مرتبط با آبوهوا باعث زیان اقتصادی به کشاورزی شده است. همچنین این پدیده باعث کاهش عملکرد محصول در ایران شده است. آخرین آمار منتشر شده از سوی سازمان خواربار و کشاورزی ملل متحد (فائو) نشان میدهد که ایران یکی از بزرگترین تولیدکنندگان محصول پسته در جهان میباشد. استان کرمان سهم زیادی از سطح زیر کشت محصول پسته را به خود اختصاص داده است. خسارت سرمازدگی بهاره در پسته باعث کاهش عملکرد محصول در چند سال اخیر شده است. یک اصل مهم در مطالعه سرمازدگی، برآورد این پدیده است. در این تحقیق از روش شبکه عصبی مصنوعی مدل FFBP برای برآورد سرمای دیررس بهاره در محصول پسته شهرستان کرمان استفاده شد. بدینمنظور دادههای روزانه ایستگاه سینوپتیک شهر کرمان از سازمان هواشناسی کشور در بازه زمانی 2000-2020 اخذ شد. این دادهها شامل میانگین، بیشینه و کمینه دما، رطوبت نسبی، سرعت باد، فشار بخار اشباع و ساعات آفتابی میباشد. پنج ترکیب مختلف از این متغیرها بهعنوان ورودی در روش شبکه عصبی برای مدلسازی دماهای کمینه در نظر گرفته شد. در نهایت ترکیب 8 متغیرهای از بین مدلها انتخاب گردید و شبیهسازی مقادیر دمای کمینه و محاسبه ویژگیهای سرمای دیررس بهاره با آن انجام شد. عملکرد این روش با استفاده از شاخصهای آماری ضریب تعیین، ریشه میانگین مربعات خطا، میانگین خطای انحراف و ضریب نشساتکلیف ارزیابی شد. بررسی نتایج مدلسازی نشان داد با کاهش تعداد متغیرها دقت مدلها کاهش مییابد. مدل M1 با کمترین مقدار RMSE و بیشترین مقدار R2 در بین سایر مدلها عملکرد بهتری داشت. پس از شبیهسازی با روش شبکه عصبی مقادیر شاخصهای 963/0R2= و صفر=MBE حاصل شد که نشاندهنده ارتباط قوی با دادههای واقعی بود. علاوه بر آن، مقدار شاخصهای 027/0= RMSE و 966/0NSE= کارایی بالای مدل را در برآورد نشان داد. بررسی میانگین دمای سالانه نشان داد نوسانات دما در بازه زمانی 10-31 مارس در مقایسه با ماههای آوریل و می زیاد میباشد. کاهش محسوس میانگین دمای سالانه در سالهای 2000، 2006 و 2020 در این بازه نسبت به دیگر سالها بیشتر بود. در ماه آوریل نیز سالهای 2001، 2005، 2006، 2009، 2016 و 2019 کاهش دمای محسوسی داشتند. در ماه می باتوجه به میانگین دمای کمینه بین 10 تا 14 درجه سلسیوس احتمال سرمازدگی کمتری نسبت به ماه مارس و آوریل وجود داشت. نتایج نشان داد تعداد روزهای یخبندان بهاره مشاهداتی و برآوردی حاصل از روش شبکه عصبی انطباق خوبی با یکدیگر داشتند. این روش در برآورد تعداد روزهای بحرانی (دماهای کمینه کمتر و مساوی 2 درجه سلسیوس) نیز دقت قابل قبولی داشت. همچنین سالهای 2000، 2004، 2005، 2012، 2015، 2019 و 2020 بیشترین تعداد روزهای یخبندان بهاره و سالهای 2006، 2016 و 2019 بیشترین تعداد روزهای بحرانی را در دو دههی اخیر دارا بودند. با بررسی نتایج میتوان گفت روش شبکه عصبی مصنوعی در برآورد دمای کمینه و ویژگیهای مرتبط با سرمای دیررس بهاره از دقت بالایی برخوردار است.
زراعت
محمد عبیات؛ مرتضی عبیات؛ مصطفی عبیات
چکیده
برآورد سطح زیرکشت محصول، گامی اساسی در تعیین میزان تولیدات زراعی و لازمه تصمیمگیری در انجام مبادلات اقتصادی است. سنجش از دور، با داشتن دادههای بهروز و قابلیت آنالیز تصاویر ماهوارهای با دقتی مناسب و نیز امکان مطالعه در محدودههای وسیع، ابزاری کلیدی در این قبیل ارزیابیها میباشد. هدف این پژوهش، ارزیابی کارایی روشهای طبقهبندی ...
بیشتر
برآورد سطح زیرکشت محصول، گامی اساسی در تعیین میزان تولیدات زراعی و لازمه تصمیمگیری در انجام مبادلات اقتصادی است. سنجش از دور، با داشتن دادههای بهروز و قابلیت آنالیز تصاویر ماهوارهای با دقتی مناسب و نیز امکان مطالعه در محدودههای وسیع، ابزاری کلیدی در این قبیل ارزیابیها میباشد. هدف این پژوهش، ارزیابی کارایی روشهای طبقهبندی و شاخصهای طیفی در برآورد سطح زیرکشت محصولات زراعی شهرستان شوش در طول دوره رشد است. ابتدا تصاویر OLI ماهواره لندست ۸ با توجه به تقویم زراعی سال ۹۸-۱۳۹۷ و دوره رویشی محصولات غالب منطقه، انتخاب شدند. برای شناسایی و تفکیک محصولات زراعی در رویکرد اول، از روشهای طبقهبندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان و در رویکرد دوم، از شاخص NDVI استفاده شد. برای مقایسه نتایج، از آمار سطح زیرکشت سازمان جهاد کشاورزی در سال ۱۳۹۸ استفاده شد. براساس نتایج بدست آمده، سطح زیرکشت گندم، جو، برنج و ذرت در روش شبکه عصبی مصنوعی، در مقایسه با آمار سازمان جهاد کشاورزی به ترتیب خطای ۱۱.۷، ۱۲.۱، ۶.۱ و ۶.۷ درصد و در روش ماشین بردار پشتیبان به ترتیب خطای ۸.۹، ۶.۶، ۴.۲ و ۵.۱ درصد داشته است. اما شاخص NDVI بهترین روش برآورد سطح زیرکشت منطقه در مقایسه با آمار سازمان جهاد کشاورزی به ترتیب دارای خطای ۴.۲، ۱.۲، ۲.۷ و ۱.۵ درصد بوده که نشاندهنده قابلیت بالا و دقت شاخصهای طیفی در برآورد سطح زیرکشت محصولات زراعی منطقه با توجه به دوره رشد آنها است. لذا پیشنهاد شد تا برای تعیین سطح زیرکشت محصولات شهرستان شوش از پیادهسازی شاخصهای طیفی استفاده شود.
الهام مهرابی گوهری؛ حمید رضا متین فر؛ روح الله تقی زاده مهرجردی؛ اعظم جعفری
چکیده
طیفسنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گستردهای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده میشود. مطالعه حاضر با هدف پیشبینی احتمالی بافت خاک با استفاده از اندازهگیریهای طیفی و مدلهای شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس ...
بیشتر
طیفسنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گستردهای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده میشود. مطالعه حاضر با هدف پیشبینی احتمالی بافت خاک با استفاده از اندازهگیریهای طیفی و مدلهای شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس نمونهبرداری از افقهای خاک انجام گرفت، درصد شن و رس و سیلت نمونههای خاک اندازهگیری شد. رگرسیون حداقل مربعات جزئی (PLSR) و شبکه عصبی مصنوعی (ANN) برای مدلسازی درصد رس، شن و سیلت خاک مقایسه شدند. نتایج این بررسی نشان داد که شبکه عصبی مصنوعی نسبت به رگرسیون حداقل مربعات جزئی کارایی بهتری داشت، برای هر دو مدل از محدوده خاصی از طول موج (بین 400 -2450 میکرون با اعمال پیشپردازشها و حذفیات یکسان) استفاده گردید. هنگامی که مدل رگرسیون مربعات جزئی اجرا شد، دقت بسیار پایینی داشت (R2 ~0.1-0.3)، در مقابل، روش شبکه عصبی-مصنوعی مقدار R2 به ترتیب برای رس، شن و سیلت 70/0, 76/0و 73/0 بود و میانگین ریشه مربعات خطا به ترتیب 14/9، 54/5 و 01/7 گرم بر کیلوگرم براساس دادههای آزمون (20 درصد) به دست آمد که نشان دهنده دقت بالاتر و خطای کمتر مدل شبکه عصبی-مصنوعی میباشد. از آنجایی که رابطه بین درصد ذرات خاک و بازتاب طیفی خاک خطی نیست، به نظر میرسد روش شبکه عصبی-مصنوعی برای بررسی و تجزیه و تحلیل رابطه بین اجزای بافت خاک و دادههای طیفی مناسب باشد.
محبوبه فرزندی؛ سید حسین ثنایی نژاد؛ بیژن قهرمان؛ مجید سرمد
چکیده
بارش و دما از مهمترین متغیرهای هوا و اقلیمشناسی هستند. طول دوره آماری اهمیت بسزایی در دقت تحلیل این دو متغیر دارد. حجم نمونه کمتر از 100 سال نمیتواند نوسانات دراز مدت را به خوبی منعکس کند. طولانیترین آمار مربوط به دما و بارش ماهانه مشهد نزدیک به 125 سال (از حدود 1893 الی 2017) است. متاسفانه این آمار مفقودی دارد. ترمیم دادههای مفقود و افزایش ...
بیشتر
بارش و دما از مهمترین متغیرهای هوا و اقلیمشناسی هستند. طول دوره آماری اهمیت بسزایی در دقت تحلیل این دو متغیر دارد. حجم نمونه کمتر از 100 سال نمیتواند نوسانات دراز مدت را به خوبی منعکس کند. طولانیترین آمار مربوط به دما و بارش ماهانه مشهد نزدیک به 125 سال (از حدود 1893 الی 2017) است. متاسفانه این آمار مفقودی دارد. ترمیم دادههای مفقود و افزایش دقت برآورد آنها هدف این پژوهش است. ایستگاههایی از کشورهای مجاور بهعنوان ایستگاههای مبنا انتخاب شدند. ابتدا دادههای مفقود با برازش ده الگوی رگرسیونی چندگانه برای بارش ماهانه (با ضرایب تعیین 63/0 تا 81/0) و شش الگو برای دمای ماهانه (986/0تا 993/0) ترمیم شدند. سپس برای کاهش خطاها، پارامترهای الگوهای رگرسیونی با روشهای GA و ACO بهینه شدند. افزون بر این دو روش ANN و SVR نیز بهمنظور الگوسازی این دادهها نیز بهکار گرفته شدند. نتایج نشان داد GA و ACO دقت برآورد دادههای مفقود بارش را نسبت به روشهای رگرسیونی فوق به طور چشمگیری افزایش میدهد. کمترین RMSE بین تمام الگوهای رگرسیونی بارش 79/9 میلیمتر است. این معیار با روش GA به 560/2 میلیمتر و با ACO به 559/2 کاهش میبابد. کمترین RMSE بین الگوهای رگرسیونی دما 986/0 میلیمتر است. این معیار با روش ANN به 726/0 میلیمتر و با SVR نیز به 551/0 کاهش میبابد. مقایسه ترمیم دما و بارش نشان میدهد که روشهای تکاملی برای بارش و روشهای یادگیری ماشین برای دما عملکرد بهتری دارند.
لاله پرویز
چکیده
تقاضای روزافزون به آب و تغییرات اقلیمی منجر به ایجاد فشار جهت استفاده کارآمد آب در بخش کشاورزی شده است. بنابراین آگاهی از نیاز آبی گیاه جهت افزایش بازده آبیاری لازم میباشد. در این راستا یازده شاخص گیاهی حاصل از تصاویر ماهوارهای سنجنده MODIS در بازه زمانی 2013- 2016 برای محصول سیبزمینی در محدوده بین شهرستانهای بستان آباد و تبریز استخراج ...
بیشتر
تقاضای روزافزون به آب و تغییرات اقلیمی منجر به ایجاد فشار جهت استفاده کارآمد آب در بخش کشاورزی شده است. بنابراین آگاهی از نیاز آبی گیاه جهت افزایش بازده آبیاری لازم میباشد. در این راستا یازده شاخص گیاهی حاصل از تصاویر ماهوارهای سنجنده MODIS در بازه زمانی 2013- 2016 برای محصول سیبزمینی در محدوده بین شهرستانهای بستان آباد و تبریز استخراج شدند. جهت انتخاب شاخصهای گیاهی مؤثر از تحلیل مؤلفههای اصلی استفاده شد که برای این منظور شبکه عصبی مصنوعی برای مدلسازی مؤلفههای حاصل از تحلیل و ضریب گیاهی بکار برده شد. از بین مؤلفههای مورد بررسی، سه مولفه اول با در اختیار داشتن 45/85 درصد واریانس کل انتخاب شدند. در سه بررسی انجام شده در مورد نوع مؤلفههای روش تحلیل مؤلفههای اصلی، بهطور متوسط بررسی اول نسبت به بررسی دوم و سوم منجر به کاهش 75/55 درصد RMSE شد. شاخصهای حاصل از باندهای انعکاسی مانند شاخص NDVI و شاخصهای بهبود یافته براساس منطقه مورد مطالعه مانند شاخصهای SAVI و MSAVI از کارایی قابل قبولی برخوردار بودند. کاهش 66/66 درصد ضریب LST از مولفه سوم به اول حاکی از افزایش دقت نتایج شاخصهای باندهای حرارتی در صورت ترکیب با شاخصهای باندهای انعکاسی مانند شاخص TVX بود. برآورد ضریب گیاهی با شاخصهای گیاهی حاصل از تحلیل مؤلفههای اصلی در مدلسازی شبکه عصبی دارای تخمین کمبرآوردی حدود یک درصد در دوره صحتسنجی بوده است.
مجید منتصری؛ سروین زمان زاد قویدل
چکیده
وقوع متناوب دوره های کم آبی و پرآبی درحوضه آبریز زرینه رود علاوه بر تأثیر روی وضعیت کمی آب های سطحی، باعث تغییراتی در کیفیت آب این حوضه شده است. لذا، مدل بندی و پیش بینی پارامترهای کیفی آب رودخانه زرینه رود در دوره های کم آبی و پرآبی، یکی از ضرورت های تحقیقاتی در این رودخانه پرآب شمال غرب ایران بوده است. در این مطالعه، روش های شبکه های ...
بیشتر
وقوع متناوب دوره های کم آبی و پرآبی درحوضه آبریز زرینه رود علاوه بر تأثیر روی وضعیت کمی آب های سطحی، باعث تغییراتی در کیفیت آب این حوضه شده است. لذا، مدل بندی و پیش بینی پارامترهای کیفی آب رودخانه زرینه رود در دوره های کم آبی و پرآبی، یکی از ضرورت های تحقیقاتی در این رودخانه پرآب شمال غرب ایران بوده است. در این مطالعه، روش های شبکه های عصبی مصنوعی به ازای پنج الگوریتم آموزشی مختلف و سامانه استنتاجی عصبی-فازی تطبیقی مبتنی بر مدل دسته بندی تفریقی، جهت تخمین میزان جامدات محلول TDS به کار گرفته شدند. بدین منظور از داده های کیفیت آب هفت ایستگاه هیدرومتری در حوضه آبریز مذکور با طول دوره آماری 18 ساله (1389-1372) استفاده گردید. ابتدا دوره مطالعاتی مذکور بر اساس میزان جریان در رودخانه به دو دوره کم آبی و پرآبی تفکیک شده، سپس در یک آنالیز اولیه آماری، پارامترهای مؤثر اصلی در تخمین TDS تعیین و برای مدل بندی استفاده گردید. برای مدل بندی 75 درصد داده ها برای کالیبره کردن و 25 درصد برای ارزیابی مدل استفاده شده است. ارزیابی عملکرد مدل های به کار رفته بر اساس آزمون های آماری مختلف، ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا انجام گرفت. نتایج حاصل حاکی از عملکرد قابل قبول هر دو روش شبکه های عصبی مصنوعی با الگوریتم آموزشی لونبرگ-مارگارت و سامانه استنتاجی عصبی-فازی تطبیقی در دوره های کم آبی و پرآبی بود. مقایسه عملکرد روش های به کار گرفته شده، نشان داد که عملکرد روش عصبی-فازی تطبیقی در هر دو دوره مطالعاتی بهتر از شبکه های عصبی مصنوعی میباشد.
رضا حاجی آبادی؛ سعید فرزین؛ یوسف حسن زاده
چکیده
یکی از دلایل پیچیدگی تخمین و پیشبینی پدیدههای هیدرولوژیکی و به خصوص سریهای زمانی وجود ویژگیهایی نظیر روند، نویز و نوسانات با فرکانس بالا در آن ها میباشد که با استفاده از پیشپردازش دادهها به وسیله نویززدایی و تبدیلات لگاریتمی، میتوان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگیها ...
بیشتر
یکی از دلایل پیچیدگی تخمین و پیشبینی پدیدههای هیدرولوژیکی و به خصوص سریهای زمانی وجود ویژگیهایی نظیر روند، نویز و نوسانات با فرکانس بالا در آن ها میباشد که با استفاده از پیشپردازش دادهها به وسیله نویززدایی و تبدیلات لگاریتمی، میتوان برخی عوامل پنهان و تاثیرگذار در این پیچیدگی را شناسایی و حذف نمود و یا درک این ویژگیها را برای مدلهای پیشبینی سادهتر نمود. در این تحقیق با استفاده ازدو مدل هوشمند برنامهریزی بیان ژن و شبکه عصبی مصنوعی تخمین بار رسوب معلق مورد بررسی قرار میگیرد، سپس میزان تاثیر دو رویکرد نویززدایی و تبدیلات لگاریتمی به عنوان پیشپردازشگر، در بهبود نتایج مورد ارزیابی و مقایسه قرار میگیرد. به منظور نویززدایی از تبدیلات موجک استفاده شده است. نتایج تحقیق نشان میدهد پس از نویززدایی، معیار نش-ساتکلیف در شبکه عصبی مصنوعی و برنامهریزی بیان ژن به ترتیب 15/0 و 14/0 افزایش داشته و مقدار جذر میانگین مجذورات خطانیز در شبکه عصبی مصنوعی از 24/199 به 17/141 میلیگرم بر لیتر و در برنامهریزی بیان ژن از 84/234 به 89/193 میلیگرم بر لیتر کاهش یافته است. تاثیر رویکرد تبدیلات لگاریتمی نیز در بهبود نتایج شبکه عصبی مصنوعی تا حدود زیادی مشابه با رویکرد نویززدایی میباشد. در حالیکه در برنامهریزی بیان ژن تاثیر نامطلوب داشته و پس از تبدیلات لگاریتمی Ln و Log، معیار نش-ساتکلیف از 57/0 به ترتیب به 31/0 و 21/0 کاهش یافته است و مقدار جذر میانگین مجذورات خطا نیز از 84/234 میلیگرم بر لیتر به ترتیب به 41/298 میلیگرم بر لیتر و 72/318 میلیگرم بر لیتر افزایش یافته است.
نوشین احمدی باصری؛ امین شیروانی؛ سید محمد جعفر ناظم السادات
چکیده
در این مطالعه، شبکه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. مجموعه داده های شبیه سازی شده بارش برای محدوده º18/25 تا º51/34 شمالی و º45 تا º60 شرقی، ارتفاع ژئو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای °56/12 تا °25/43 شمالی و °68/19 تا °87/61 شرقی به عنوان پیشگو ...
بیشتر
در این مطالعه، شبکه های عصبی مصنوعی و مدل های رگرسیونی برای خرد مقیاس نمودن خروجی های شبیه سازی شده مدل های گردش عمومی جو استفاده شدند. مجموعه داده های شبیه سازی شده بارش برای محدوده º18/25 تا º51/34 شمالی و º45 تا º60 شرقی، ارتفاع ژئو پتانسیل در سطح 850 میلی بار و باد مداری در سطح 200 میلی بار برای °56/12 تا °25/43 شمالی و °68/19 تا °87/61 شرقی به عنوان پیشگو کننده ها از مدلGCM ECHAM5 برای دوره 2005- 1960 استخراج شدند. بارش ماهانه دیده بانی شده ایستگاه های آبادان، آباده، اهواز، بندرعباس، بوشهر، شیراز و فسا برای دوره 2005-1960 به عنوان پیشگو شونده ها استخراج شدند. مؤلفه های اصلی داده های شبیه سازی شده استخراج و شش مؤلفه اصلی به عنوان ورودی مدل های شبکه عصبی مصنوعی و رگرسیون چند گانه در نظر گرفته شدند. همچنین ترکیب مجموعه داده های شبیه سازی شده به عنوان ورودی این مدل ها استفاده شدند. دوره های 2000-1960 و 2005-2001 به ترتیب به عنوان دوره های آموزش و آزمون در شبکه عصبی مصنوعی در نظر گرفته شدند. نتایج ضریب همبستگی پیرسون و جذر میانگین مربعات خطای استاندارد شده نشان داد که در بیشتر مواقع شبکه عصبی مصنوعی دقیق تر از رگرسیون چند گانه، بارش را پیش بینی می کند. برای مقیاس زمانی ماهانه داده های شبیه سازی شده ارتفاع ژئوپتانسیل بهترین پیشگو کننده و برای مقیاس فصلی (زمستان) بهترین پیشگو کننده در مدل شبکه عصبی مصنوعی، مؤلفه های اصلی استاندارد شده داده های شبیه سازی شده بارش می باشد.
روزبه موذن زاده
چکیده
فقدان سناریوهای صحیح مدیریتی در زمینه تدوین و اعمال برنامه ریزی های مناسب آبیاری از قبیل تعیین دقیق نیاز آبی گیاهان، منجر به هدررفت آب و کاهش راندمان آبیاری می گردد. در درون گلخانه این مهم از شرایط خاص درون گلخانه متاثر خواهد بود. در این تحقیق سعی شده تا میزان تبخیر-تعرق گیاه خیار گلخانه ای با استفاده از تکنیک های رگرسیون و شبکه های ...
بیشتر
فقدان سناریوهای صحیح مدیریتی در زمینه تدوین و اعمال برنامه ریزی های مناسب آبیاری از قبیل تعیین دقیق نیاز آبی گیاهان، منجر به هدررفت آب و کاهش راندمان آبیاری می گردد. در درون گلخانه این مهم از شرایط خاص درون گلخانه متاثر خواهد بود. در این تحقیق سعی شده تا میزان تبخیر-تعرق گیاه خیار گلخانه ای با استفاده از تکنیک های رگرسیون و شبکه های عصبی مصنوعی برآورد و نتایج با یکدیگر مقایسه گردد. از اینرو همزمان با کاشت خیار در داخل گلخانه از شش میکرولایسیمتر مشابه نیز استفاده شد تا مقادیر واقعی تبخیر-تعرق این گیاه به روش وزنی اندازه گیری شوند. از متوسط داده های سه میکرولایسیمتر برای ساخت توابع رگرسیونی (آموزش شبکه در شبکه عصبی) و از متوسط داده های سه میکرولایسیمتر دیگر برای اعتبارسنجی نتایج استفاده شد. به منظور ارزیابی نتایج به دست آمده از شاخص های ریشه میانگین مربعات خطا (RMSE)، ضریب کارآیی نش- ساتکلیف (Ens)، درصد انحراف (PBIAS) و نسبت ریشه میانگین مربعات خطا به انحراف استاندارد (PSR) استفاده شد. نتایج نشان داد که استفاده از یک تک معادله رگرسیونی برای تخمین تبخیر-تعرق خیار گلخانه ای عملکرد مناسبی به همراه نخواهد داشت. از اینرو دوره رشد خیار به 4 مرحله تقسیم و برای هر دوره معادله جدیدی ارائه شد. ضرایب همبستگی میان مقادیر اندازه گیری و برآورد شده تبخیر-تعرق از 4/0 (تمامی دوره رشد بعنوان یک مرحله در رگرسیون) تا 96/0 (در شبکه عصبی) متغیر بود. مقدار تبخیر- تعرق اندازه گیری شده در کل دوره رشد 45/273 میلیمتر و مقادیر برآورد شده آن به کمک تکنیک رگرسیون؛ قبل و بعد از تفکیک دوره رشد به ترتیب 7/275 و 6/275 میلیمتر و به کمک تکنیک شبکه عصبی 45/272 میلیمتر به دست آمد. اگرچه نتایج حکایت از بهبود چشمگیر در برآورد تبخیر-تعرق بواسطه تقسیم بندی دوره رشد خیار گلخانه ای در تکنیک رگرسیون دارد، با اینحال نتایج حاصل از شبکه عصبی بهتر ارزیابی شده است. نتایج آزمون آماری تی تست نشان داد که اختلاف میان مقادیر برآورد شده به کمک تکنیک شبکه عصبی با تکنیک رگرسیون بصورت یکجا و یا زمانی که مراحل رشد تفکیک شود به-ترتیب معنی دار و غیر معنی دار بوده است (05/0p
سروین زمان زاد قویدل؛ کامران زینال زاده
چکیده
زندگی بشر در کره زمین در گرو تأمین آب مناسب از نظر کمی و کیفی قرار دارد. در سال های اخیر استفاده از مدل های ریاضی برای شبیه سازی کیفیت آب رودخانه ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرآیندهای کیفی منابع آب سطحی، استفاده از محاسبات نرم روشی نو جهت پیش بینی کیفیت آب رودخانه ها می باشد. در این مطالعه، قابلیت روش شبکه های عصبی ...
بیشتر
زندگی بشر در کره زمین در گرو تأمین آب مناسب از نظر کمی و کیفی قرار دارد. در سال های اخیر استفاده از مدل های ریاضی برای شبیه سازی کیفیت آب رودخانه ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرآیندهای کیفی منابع آب سطحی، استفاده از محاسبات نرم روشی نو جهت پیش بینی کیفیت آب رودخانه ها می باشد. در این مطالعه، قابلیت روش شبکه های عصبی مصنوعی با الگوریتم آموزشی لونبرگ- ماکوارت، سامانه استنتاجی عصبی-فازی تطبیقی مبتنی بر مدل دسته بندی تفریقی و برنامه ریزی بیان ژن برای مدل بندی خصوصیات کیفیت آب رودخانه در بالادست سد مخزنی بوکان واقع در حوضه آبریز زرینه رود و برآورد میزان جامدات محلول (TDS)ارزیابی و مقایسه شدند. بدین منظور از داده های کیفیت آب دو ایستگاه هیدرومتری آنیان و صفاخانه در بالادست سد مخزنی بوکان با طول دوره آماری 18 ساله (1389-1372) استفاده گردید. ابتدا در یک آنالیز اولیه آماری بر اساس رگرسیون گام به گام، پارامترهای مؤثر و اصلی کیفیت آب در پیش بینیTDS تعیین گردید. نتایج بیانگر عملکرد قابل قبول هر سه روش شبکه عصبی مصنوعی، سامانه استنتاجی عصبی-فازی تطبیقی و برنامه ریزی بیان ژن برای مدل بندی میزان جامدات محلول در بالادست سد می باشد. برنامه ریزی بیان ژن، سامانه استنتاجی عصبی-فازی تطبیقی و شبکه عصبی مصنوعی با پنج پارامتر ورودی بیشترین دقت را داشتند. برنامه ریزی بیان ژن علاوه بر عملکرد بالا، در ایستگاه های آنیان و صفاخانه به ترتیب با ضرایب همبستگی 962/0 و 971/0 و ریشه میانگین مربعات خطا mg/L 82/12 و mg/L 08/29، روابط ریاضی جهت برآورد مقدار جامدات محلول در رودخانه های بالادست سد را نیز ارائه داد.
فرزانه نظریه؛ حسین انصاری
چکیده
الگوهای پیوند دور از جمله عوامل موثر بر میزان بارش میباشند، در این تحقیق توانایی مدلهای هوشمند در پیشبینی بارندگی ماهانه به کمک دادههای پیوند از دور در هشت ایستگاه سینوپتیک استان خراسان رضوی برای سالهای 1991 تا 2010 مورد بررسی قرار گرفت. مدلهای هوشمند مورد بررسی عبارتند از مدل شبکه عصبی مصنوعی، مدل استنتاج فازی و مدل نروفازی. ...
بیشتر
الگوهای پیوند دور از جمله عوامل موثر بر میزان بارش میباشند، در این تحقیق توانایی مدلهای هوشمند در پیشبینی بارندگی ماهانه به کمک دادههای پیوند از دور در هشت ایستگاه سینوپتیک استان خراسان رضوی برای سالهای 1991 تا 2010 مورد بررسی قرار گرفت. مدلهای هوشمند مورد بررسی عبارتند از مدل شبکه عصبی مصنوعی، مدل استنتاج فازی و مدل نروفازی. معیارهای آماری برای مقایسه نتایج مدلها شامل ضریب همبستگی، میانگین خطای اریبی، میانگین مربعات خطا و معیارهای ترکیبی جاکووی دز و صباغ میباشد. پس از یافتن بهترین ساختار برای مدلهای هوشمند و مقایسه آنها، مشخص گردید مدل نروفازی بهترین نتایج را دارا میباشد. معیارهای آماری برای پیشبینی بارش به روش نروفازی به ترتیب در یک ماهه آینده برابر 8/0، 55/0-، 43/0، 7/0، 91/0، برای دو ماهه آینده برابر 79/0، 32/1-، 48/0، 56/1، 4/0 و برای سه ماهه آینده برابر 73/0، 37/1-، 54/0، 47/1، 36/0 بهدست آمد. نتایج مدلهای هوشمند برای ایستگاهی که دادههای آن در بخش آموزش بکار برده نشده بود حاکی از این است که مدلها برای منطقه جغرافیایی آموزش دیده توانایی پیشبینی بارش را دارند. بررسی دقت مدل نروفازی در هر یک از کلاسهای شاخص بارندگی استاندارد نشان داد که این مدل در برآورد مقادیر بارش در کلاسهای تر سالی بسیار شدید و تر سالی شدید کم برآورد داشته است. در نهایت نتایج این تحقیق نشان داد که مدلهای هوشمند مخصوصاً مدل نروفازی ابزار مناسبی برای پیشبینی بارندگی میباشند، اما از این مدلها در کلاسهای تر سالی بسیار شدید و تر سالی شدید با تامل بیشتری باید استفاده نمود.
سجاد عبداللهی اسدآبادی؛ یعقوب دین پژوه؛ رسول میرعباسی نجف آبادی
چکیده
پیش بینی دبی رودخانه ها یکی از موارد کلیدی در برنامه ریزی و مدیریت منابع آب می باشد. در این مطالعه از دو روش مبتنی بر آنالیز موجک و شبکه عصبی مصنوعی (ANN) به منظور پیش بینی دبی جریان رودخانه بهشت آباد استفاده شد. بدین منظور، داده های دبی متوسط روزانه رودخانه مذکور و اطلاعات بارش روزانه مربوط به 17 ایستگاه هواشناسی در طول دوره آماری 2008-1999 ...
بیشتر
پیش بینی دبی رودخانه ها یکی از موارد کلیدی در برنامه ریزی و مدیریت منابع آب می باشد. در این مطالعه از دو روش مبتنی بر آنالیز موجک و شبکه عصبی مصنوعی (ANN) به منظور پیش بینی دبی جریان رودخانه بهشت آباد استفاده شد. بدین منظور، داده های دبی متوسط روزانه رودخانه مذکور و اطلاعات بارش روزانه مربوط به 17 ایستگاه هواشناسی در طول دوره آماری 2008-1999 استفاده گردید. در روش اول موسوم به روش موجک متقاطع (CW)، از موجک مختلط مورلت به عنوان تابع آنالیزگر استفاده شد. تجزیه موجک برای هر یک از سری های زمانی مجموع بارش روزانه و دبی متوسط روزانه جریان بصورت جداگانه انجام گرفت. فاز اولیه و اختلاف فاز زیر سری های حاصل از تجزیه موجک و ثابت های واسنجی محاسبه گردید. سپس بازسازی سری های ساختاری انجام و میانگین مولفه های ساختاری بازسازی شده محاسبه شد. مدل دبی جریان به ازای افق های پیش بینی 1 روز، 2 روز، 3 روز و 7 روز جلوتر بسط داده شد. در روش دوم موسوم به روش تلفیقی موجک و شبکه عصبی (WNN)، ابتدا با استفاده از موجک گسسته میر، پردازش اولیه بر روی ماتریس ورودی اولیه انجام گرفت. سپس با نرمالسازی درایه های ماتریس ورودی اولیه، ماتریس ورودی ثانویه تشکیل گردد. ماتریس ورودی ثانویه و ماتریس هدف به یک شبکه سه لایه پیشخور با الگوریتم پس انتشار (FFBP) اعمال شدند. آموزش شبکه با استفاده از تابع آموزش لونبرگ مارکوارت (LM) انجام گرفت. نهایتاً، پیش بینی جریان به ازای افق های زمانی کوتاه مدت انجام شد. نتایج نشان داد پیش بینی های مدل WNN در مقایسه با مدل های CWو ANN از دقت بالاتری برخوردار می باشد.
َشقایق هوائی؛ شمس الله ایوبی؛ محمد رضا مصدقی
چکیده
مقاومت برشی خاک سطحی یکی از مهم ترین ویژگی های مؤثر در تخمین و اندازه گیری فرسایش خاک بوده که اندازه گیری مستقیم آن در سطح حوضه آبخیز هزینه بر و وقت گیر می باشد. این پژوهش با هدف پیش بینی مقاومت برشی خاک سطحی و رتبه بندی مهم ترین فاکتورهای موثر بر آن، با استفاده از مدل سازی توسط روش های شبکه عصبی مصنوعی (ANNs) و رگرسیون چندمتغیره خطی (MLR) ...
بیشتر
مقاومت برشی خاک سطحی یکی از مهم ترین ویژگی های مؤثر در تخمین و اندازه گیری فرسایش خاک بوده که اندازه گیری مستقیم آن در سطح حوضه آبخیز هزینه بر و وقت گیر می باشد. این پژوهش با هدف پیش بینی مقاومت برشی خاک سطحی و رتبه بندی مهم ترین فاکتورهای موثر بر آن، با استفاده از مدل سازی توسط روش های شبکه عصبی مصنوعی (ANNs) و رگرسیون چندمتغیره خطی (MLR) و مقایسه این دو روش انجام شد. برای اندازه گیری مقاومت برشی خاک سطحی در صحرا، دستگاه جعبه برش مستقیم طراحی و ساخته شد که قادر به تعیین هر دو پارامتر چسبندگی (c) و زاویه اصطکاک داخلی (φ) می باشد. منطقه مورد مطالعه به مساحت 3500 کیلو متر مربع در اراضی شهرستان سمیرم، واقع در استان اصفهان انتخاب و نمونه برداری خاک (5-0 سانتی متری) و اندازه گیری مقاومت برشی خاک سطحی توسط دستگاه مزبور در 100 نقطه انجام شد. ویژگی های توزیع اندازه ذرات، درصد رس ریز، مقدار ماده آلی، درصد آهک، چگالی ظاهری و درصد سنگ ریزه خاک روی نمونه های خاک تعیین شدند. شاخص نرمال شده پوشش گیاهی (NDVI)، کاربری زمین و نوع سازند زمین شناسی نیز تعیین گردید. مدل سازی به دو روش MLRو ANNs جهت پیش-بینی مقاومت برشی خاک سطحی (c و φ) انجام شد. به منظور ارزیابی و مقایسه عملکرد مدل های مذکور از شاخص های ضریب تبیین و ریشه میانگین مربعات خطا استفاده شد. نتایج نشان دهنده دقت مناسب روش ANNs نسبت به روش MLR به دلیل توانایی زیاد شبکه عصبی در کشف و بررسی روابط پیچیده غیر خطی بین پارامتر ها است. نتایج تجزیه حساسیت بر اساس مدل های شبکه عصبی نشان داد که NDVI، چگالی ظاهری و میزان رس ریز فاکتورهایی هستند که به کمک آن ها می توان c خاک را پیش بینی کرد. نتایج تجزیه حساسیت در مورد پارامتر φ نشان داد که میزان شن، چگالی ظاهری و NDVI مهم ترین فاکتور ها و نسبت OM/Clay و مقدار ماده آلی کم اهمیت ترین فاکتورها در پیش بینی این پارامتر در منطقه مورد بررسی بودند.
ابوطالب هزارجریبی؛ فهیمه نصرتی کاریزک؛ خلیل قربانی
چکیده
ظرفیت تبادل کاتیونی یکی از مهم ترین ویژگی های شیمیایی خاک است که توانایی خاک را برای نگهداری مواد غذایی و آب در خاک و همچنین مدیریت آلودگی خاک نشان می دهد. از طرفی به علت آن که اندازه گیری آن کاری دشوار و وقت گیر است، بنابراین تخمین آن از طریق خصوصیات زود یافت خاک مطلوب می باشد. هدف از انجام این تحقیق ارزیابی تخمین ظرفیت تبادل کاتیونی ...
بیشتر
ظرفیت تبادل کاتیونی یکی از مهم ترین ویژگی های شیمیایی خاک است که توانایی خاک را برای نگهداری مواد غذایی و آب در خاک و همچنین مدیریت آلودگی خاک نشان می دهد. از طرفی به علت آن که اندازه گیری آن کاری دشوار و وقت گیر است، بنابراین تخمین آن از طریق خصوصیات زود یافت خاک مطلوب می باشد. هدف از انجام این تحقیق ارزیابی تخمین ظرفیت تبادل کاتیونی خاک با استفاده از شبکه های عصبی مصنوعی است. به این منظور، در منطقه چهل دین در محدوده شهرستان گرگان نمونهبرداری خاک از 69 نقطه قرار گرفته بر روی یک شبکه صورت گرفت. سپس ویژگی های زودیافت خاک از قبیل درصد شن، سیلت و رس، جرم ویژه ظاهری، جرم ویژه حقیقی، مواد آلی، درصد آهک،pH ، EC، تخلخل کل، میانگین هندسی اندازه ذرات و انحراف معیار هندسی آنها در آزمایشگاه اندازه گیری و نتایج اولیه به دست آمد. نتایج نشان داد که روش شبکه عصبی مصنوعی روش مناسبی در برآورد ظرفیت تبادل کاتیونی خاک است به طوری که می تواند 82 درصد تغییرپذیری ظرفیت تبادل کاتیونی خاک پیش بینی نماید. بافت خاک موثرترین پارامتر بر روی CEC بود. آنالیز حساسیت داده ها با استفاده از مدل توسعه یافته با شبکه عصبی مصنوعی نشان داد که پارامترهای درصد رس، سیلت و شن، میانگین هندسی اندازه ذرات، انحراف معیار هندسی اندازه ذرات، درصد ماده آلی و تخلخل کل بهترتیب مهمترین فاکتورهای موثر بر ظرفیت تبادل کاتیونی خاک در منطقه میباشند. مدلی با پارامترهای ورودی درصد رس، سیلت و شن، میانگین هندسی و انحراف معیار هندسی اندازه ذرات به عنوان بهترین مدل پیش بینی کننده ظرفیت تبادل کاتیونی خاک در منطقه مورد مطالعه انتخاب گردید.
حامد کاشی؛ هادی قربانی؛ صمد امامقلی زاده؛ سید علی اصغر هاشمی
چکیده
در سالهای اخیر استفاده از روشهای غیرمستقیم مانند شبکه عصبی مصنوعی برای برآورد پارامترهای خاک مورد توجه قرار گرفته است. در این پژوهش به منظور تخمین ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی اقدام به نمونه برداری به تعداد 200 نمونه سطحی از منطقه قوشه واقع در استان سمنان گردید. نیمی از این تعداد نمونه ها از خاکهای بکر و نیمی ...
بیشتر
در سالهای اخیر استفاده از روشهای غیرمستقیم مانند شبکه عصبی مصنوعی برای برآورد پارامترهای خاک مورد توجه قرار گرفته است. در این پژوهش به منظور تخمین ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی اقدام به نمونه برداری به تعداد 200 نمونه سطحی از منطقه قوشه واقع در استان سمنان گردید. نیمی از این تعداد نمونه ها از خاکهای بکر و نیمی از آنها از اراضی کشاورزی منطقه جمع آوری گردید. پارامترهای فیزیکی و شیمیایی خاک شامل هدایت الکتریکی، فراوانی نسبی ذرات، درصد آهک، نسبت جذب سدیم (SAR) و وزن مخصوص ظاهری به عنوان ویژگی های زود یافت و ظرفیت تبادل کاتیونی به عنوان پارامتر دیر یافت مورد بررسی قرار گرفت. داده ها جمع آوری شده بصورت تصادفی به دو دسته آموزش (70 درصد) و صحت سنجی (30 درصد) تقسیم شدند و از آنها برای آموزش و ارزیابی مدلهای شبکه عصبی شامل پرسپترون چند لایه (MLP)، توابع پایه شعاعی (RBF) و همچنین رگرسیون خطی استفاده گردید. دقت پیش بینی به وسیله آماره های R2))، (RMSE)، (MAE) و (RSE) بین ظرفیت تبادل کاتیونی اندازه گیری و پیش بینی شده، ارزیابی شد. نتایج کارایی بالاتر مدل پرسپترون چند لایه شبکه عصبی مصنوعی را با مقادیر R2 (94/0 و 84/0)، RMSE (69/0 و 56/0) ، RSE (05/0 و 05/0) و MAE (51/0 و 39/0) به ترتیب برای خاکهای کشاورزی و بکر نسبت به مدل RBF شبکه عصبی مصنوعی و روش رگرسیون خطی نشان می دهد. همچنین با انجام آنالیز حساسیت به همبستگی بالای درصد رس و مقادیر وزن مخصوص ظاهری با ظرفیت تبادل کاتیونی خاکهای کشاورزی و بکر، دست یافتیم.
هادی قربانی؛ عباس روحانی؛ ناصر حافظی مقدس
چکیده
این پژوهش به منظور پیش بینی کلاس بندی الگوی تغییرات مکانی عنصر کادمیم با استفاده از شبکه عصبی LVQ4a2 در سطح استان گلستان انجام شد. دادههای مربوط به غلظت کادمیم از طریق نمونه برداری از سطح منطقه مورد مطالعه و اندازه گیری کادمیم کل خاک به دست آمد. برای ارزیابی قابلیت شبکه عصبی LVQ4a2 در پیش بینی توزیع مکانی عنصر کادمیم از مقایسه آماری پارامترهایی ...
بیشتر
این پژوهش به منظور پیش بینی کلاس بندی الگوی تغییرات مکانی عنصر کادمیم با استفاده از شبکه عصبی LVQ4a2 در سطح استان گلستان انجام شد. دادههای مربوط به غلظت کادمیم از طریق نمونه برداری از سطح منطقه مورد مطالعه و اندازه گیری کادمیم کل خاک به دست آمد. برای ارزیابی قابلیت شبکه عصبی LVQ4a2 در پیش بینی توزیع مکانی عنصر کادمیم از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری رگرسیونی بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها و نیز معیار دقت کلاس بندی استفاده شد. نتایج حاصل نشان داد که در فاز آموزش و آزمایش تفاوت معنی دار در سطح 5 درصد بین میانگین، واریانس و توزیع آماری مجموعه دادههای پیش بینی شده مکانی عنصر کادمیم و مقادیر واقعی آنها مشاهده نشد. بنابراین شبکه عصبی مصنوعی به خوبی توانست مدل دادههای مکانی عنصر کادمیم را بیاموزد. نتایج به دست آمده نشان داد که شبکه عصبی آموزش دیده، دارای قابلیت بالایی در پیش بینی مکانی غلظت کادمیم در نقاط نمونه برداری نشده با دقت تشخیص مساوی صفر درصد بود. نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی میتواند بطور مناسبی در تشخیص سطوح مختلف غلظت کادمیم خاک بکار برده شود.
امیر لکزیان؛ محمود فاضلی سنگانی؛ علیرضا آستارایی؛ امیر فتوت
چکیده
این مطالعه به منظور ارزیابی قابلیت استفاده از مشخصه های مشتق شده از مدل ارتفاع رقومی به عنوان متغیر کمکی برای تخمین کربن آلی خاک (SOC) و با به کارگیری آن ها در روش های مختلف آماری و زمین آماری طراحی شده است. مدل رگرسیون خطی (LR)، مدل شبکه عصبی مصنوعی (ANN)، کریجینگ معمولی (OK)، کوکریجینگ معمولی (CoK)، رگرسیون کریجینگ (RK) و کریجینگ با روند بیرونی ...
بیشتر
این مطالعه به منظور ارزیابی قابلیت استفاده از مشخصه های مشتق شده از مدل ارتفاع رقومی به عنوان متغیر کمکی برای تخمین کربن آلی خاک (SOC) و با به کارگیری آن ها در روش های مختلف آماری و زمین آماری طراحی شده است. مدل رگرسیون خطی (LR)، مدل شبکه عصبی مصنوعی (ANN)، کریجینگ معمولی (OK)، کوکریجینگ معمولی (CoK)، رگرسیون کریجینگ (RK) و کریجینگ با روند بیرونی (KED) به منظور پیش بینی توزیع مکانی SOC در منطقه ای به مساحت 2400 کیلومتر مربع در بخشی از اراضی شهرستان مشهد مورد استفاده قرار گرفتند. SOC برای 200 نمونه خاک سطحی در منطقه مورد مطالعه اندازه گیری و مشخصه های متناظر هر نقطه از روی مدل ارتفاع رقومی (DEM) با دقت 10 متر استخراج شد. همبستگی بین SOC اندازه گیری شده و هر یک از مشخصه ها تعیین شد. تعداد 160 داده برای مدل سازی و 40 داده برای ارزیابی انتخاب و روش های مختلف تخمین به وسیله دو پارامتر ضریب تبیین (R2) و میانگین خطای مطلق (MAE) حاصل از مقایسه داده های انداره گیری و تخمینی، مورد ارزیابی قرار گرفتند. نتایج نشان داد که همبستگی معنی دار ولی نه چندان قوی بین مشخصه های عارضه ای و SOC وجود دارد. مقایسه تکنیک های مختلف تخمین نشان داد که در بین تکنیک های استفاده شده، روش KED، زمانی که با شاخص خیسی به عنوان متغیر کمکی به کارگرفته شد بهترین کارآیی (مقدار MAE معادل 18/0 درصد و R2 برابر با 67/0) را داشت هرچند تفاوت چندانی با روش رگرسیون کریجینگ نداشت. همچنین بین نقشه های حاصل از روش های زمین آماری تفاوت نسبتاً کمی مشاهده شد در حالیکه این تفاوت با نقشه-های حاصل از روشهای LR و ANN محسوس بود. نتایج این تحقیق پیشنهاد می کند که اگرچه بین SOC و مشخصه های عارضه ای زمین همبستگی معنی داری وجود دارد و می توان از آنها به عنوان متغیرهای کمکی برای تخمین SOC استفاده نمود، اما این همبستگی به میزانی که بتوان نقشه های دقیق ایجاد نمود کافی نیست و باید فاکتورهای مرتبط دیگر نیز که توزیع SOCرا کنترل می کنند مورد توجه قرار گیرند.
عبدالرضا ظهیری؛ محمد قبائی سوق؛ ابوالفضل مساعدی
چکیده
چکیده
محاسبه ی دبی رودخانه ها در مقاطع مرکب، به علت تغییرات آنی و قابل توجه شرایط هندسی و هیدرولیکی مقطع اصلی و دشت های سیلابی بسیار پیچیده است. به همین دلیل پارامترهای متعددی در برآورد آن نقش دارند. تعیین پارامترهای مهم و انتخاب ترکیب بهینه از میان ترکیب های مختلف، یکی از مهم ترین مراحل ساخت و طراحی هرگونه مدل سازی ریاضی و هوشمند است. ...
بیشتر
چکیده
محاسبه ی دبی رودخانه ها در مقاطع مرکب، به علت تغییرات آنی و قابل توجه شرایط هندسی و هیدرولیکی مقطع اصلی و دشت های سیلابی بسیار پیچیده است. به همین دلیل پارامترهای متعددی در برآورد آن نقش دارند. تعیین پارامترهای مهم و انتخاب ترکیب بهینه از میان ترکیب های مختلف، یکی از مهم ترین مراحل ساخت و طراحی هرگونه مدل سازی ریاضی و هوشمند است. در این تحقیق با محاسبه 10 پارامتر بدون بعد هندسی و هیدرولیکی از 30 مقطع مرکب آزمایشگاهی و صحرایی (جمع آوری شده)، دبی جریان به کمک شبکه ی عصبی مصنوعی مبتنی بر روش پیش پردازش گاما تست محاسبه شده است. بر اساس نتایج این روش پارامترهای عمق نسبی، کوهیرنس مقطع، شیب عرضی بستر دشت های سیلابی و عرض نسبی دشت سیلابی موثرترین پارامترها شناخته شدند. هم چنین از میان 1023 ترکیب حاصل از 10 پارامتر ورودی، ترکیب این چهار پارامتر به عنوان مدل بهینه تعیین گردید. بررسی کفایت داده ها با استفاده از M تست برای مدل بهینه نشان داد که تعداد داده های لازم برای ایجاد یک مدل هموار برابر 300 مجموعه می باشد. دبی جریان در مقاطع مرکب با استفاده از مدل بهینه (مدل 4 پارامتری) و هم چنین مدل های بهینه ی 1، 2 و 3 پارامتری مدل سازی شد. سپس با نتایج مدل های حاصل از تمامی 10 پارامتر ورودی و هم چنین روش تجزیه ی قائم مقطع مرکب Divided Channel Method (DCM) براساس آماره های مختلف آماری مقایسه گردیدند. نتایج نشان داد که مدل بهینه با IPE برابر با 123/0 از بالاترین دقت و روش DCM با IPE برابر با 867/0 از کم ترین دقت برخوردارند.
