فصلنامه
کلیدواژه‌ها = برنامه‌ریزی بیان ژن
علوم خاک

ارزیابی مدل‌های رگرسیونی و هوشمند برای برآورد میانگین وزنی قطر خاکدانه‌های تر

دوره 38، شماره 6، بهمن و اسفند 1403، صفحه 764-749

https://doi.org/10.22067/jsw.2025.91071.1454

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 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.

بررسی کارایی روش‌های پیش‌پردازش داده‌ها در بهبود عملکرد مدل برنامه‌ریزی بیان ژن (مطالعه موردی: رودخانه آب زال)

دوره 35، شماره 2، خرداد و تیر 1400، صفحه 153-165

https://doi.org/10.22067/jsw.2021.14975.0

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 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.

بهبود عملکرد مدل‌های هوشمند بر پایه الگوریتم موجک و تبدیلات لگاریتمی در تخمین بار رسوب معلق

دوره 30، شماره 1، بهار 1395، صفحه 112-124

https://doi.org/10.22067/jsw.v30i1.37635

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 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.