علوم خاک
شکراله اصغری؛ کیمیا حیدری؛ مهسا حسنپور کاشانی؛ حسین شهاب آرخازلو
چکیده
اندازهگیری مستقیم میانگین وزنی قطر (MWD) خاکدانههای تر بهعنوان یکی از شاخصهای مهم برای ارزیابی پایداری ساختمان خاک، کاری وقتگیر و پرهزینه است. هدف پژوهش حاضر مقایسه دقت مدل رگرسیون خطی چندگانه (MLR) و دو مدل هوشمند شامل شبکه عصبی مصنوعی (ANN) و برنامهریزی بیان ژن (GEP) در برآورد MWD از روی متغیرهای زودیافت و سهلالوصول خاک ...
بیشتر
اندازهگیری مستقیم میانگین وزنی قطر (MWD) خاکدانههای تر بهعنوان یکی از شاخصهای مهم برای ارزیابی پایداری ساختمان خاک، کاری وقتگیر و پرهزینه است. هدف پژوهش حاضر مقایسه دقت مدل رگرسیون خطی چندگانه (MLR) و دو مدل هوشمند شامل شبکه عصبی مصنوعی (ANN) و برنامهریزی بیان ژن (GEP) در برآورد MWD از روی متغیرهای زودیافت و سهلالوصول خاک بود. برای این منظور، 80 نمونه خاک سطحی دستخورده و دستنخورده از عمق صفر تا cm 10 اراضی جنگلی، مرتعی و زراعی منطقه فندقلوی استان اردبیل جمعآوری شد. سپس برخی ویژگیهای فیزیکی و شیمیایی زودیافت آنها و میانگین وزنی قطر (MWD) خاکدانههای تر مطابق روشهای معمول و استاندارد تعیین گردید. دادهها بهطور تصادفی به دو مجموعه آموزشی (60 داده) و آزمونی (20 داده) تقسیم گردید. مدلهای MLR، ANN و GEP بهترتیب با بهکارگیری نرمافزارهای SPSS، MATLAB و Gene Xpro Tools ایجاد شدند. نتایج نشاندهنده همبستگی مثبت و معنیدار (**59/0 r=) بین شن و کربن آلی خاک بود. شن، کربن آلی و میانگین هندسی قطر (GMD) خاکدانههای خشک از مهمترین متغیرهای ورودی مدلها در برآورد MWD خاکدانههای تر بودند. براساس دادههای آزمونی، مقادیر ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) برابر 52/0، mm 48/0، mm 13/0 و 48/0، 85/0، mm 30/0 ، mm 03/0 و 78/0، 79/0، mm 35/0، mm 10/0 - و 95/0 بهترتیب در بهترین مدل MLR، ANN و GEP بهدست آمد. بنابراین مدل MLR در مقایسه با مدلهای هوشمند از دقت کمتری و خطای بیشتری در برآورد MWD برخوردار بود؛ مدل ANN به علت داشتن R2 و NS بالا و RMSE پایین توانست در مقایسه با دو مدل دیگر، MWD خاکدانههای تر را با دقت زیاد و خطای کم در منطقه مورد مطالعه تخمین بزند.
فرشاد احمدی
چکیده
در این مطالعه سعی گردیده تاثیر کاربرد ضرایب فصلی و روش ریاضی تحلیل و پردازش سیگنال تحت عنوان تبدیل موجک در بهبود عملکرد مدل برنامهریزی بیان ژن (GEP) در پیشبینی جریان ماهانه رودخانه آب زال در دوره آماری 1351 تا 1396 مورد بحث و بررسی قرار گیرد. بدین منظور دادهها در سه حالت مختلف شامل الف) استفاده از دادههای جریان و در نظر گرفتن نقش ...
بیشتر
در این مطالعه سعی گردیده تاثیر کاربرد ضرایب فصلی و روش ریاضی تحلیل و پردازش سیگنال تحت عنوان تبدیل موجک در بهبود عملکرد مدل برنامهریزی بیان ژن (GEP) در پیشبینی جریان ماهانه رودخانه آب زال در دوره آماری 1351 تا 1396 مورد بحث و بررسی قرار گیرد. بدین منظور دادهها در سه حالت مختلف شامل الف) استفاده از دادههای جریان و در نظر گرفتن نقش حافظه تا چهار تاخیر، ب) دخالت دادن ترم پریودیک در دو حالت خطی (α-GEP) و غیرخطی (PT-GEP) و ج) تجزیه دادهها با استفاده از پنج تابع موجک مختلف به دو زیرسری جزئیات و تقریب، آماده و به مدل GEP معرفی گردید. نتایج حاصل از اجرای مدلهای خطی و غیرخطی GEP نشان داد که در هر دو حالت، مدل با چهار تاخیر به بیشترین دقت در پیشبینی جریان رودخانه دست یافته اما عملکرد مدل غیرخطی GEP با توجه به شاخصهای ارزیابی مورد استفاده اندکی بهتر بود. در مرحله بعد ترم پریودیک به ورودیهای مدل افزوده شد. براساس نتایج به دست آمده مدل PT-GEP با الگوی M4 کمترین خطا و بیشترین دقت را به خود اختصاص داده و توانسته شاخص RMSE را هشت درصد کاهش دهد. سپس در گام سوم دادههای جریان رودخانه با استفاده از توابع موجک تجزیه و مدلهای W-GEP ایجاد گردید. نتایج کلی این پژوهش نشان داد که مدلهای W-GEP از عملکرد بسیار مطلوبی برخوردار بوده به طوری که میتوان از آنها به عنوان یک روش موثر در پیشبینی جریان میانمدت رودخانهها استفاده نمود.
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.
