علوم خاک
مهسا حسنپور کاشانی؛ شکراله اصغری
چکیده
آب قابل استفاده خاک (SAW) از تفاضل دو نقطه مهم و کاربردی منحنی رطوبتی خاک (رطوبت‌های ظرفیت مزرعه‌ای و پژمردگی دائم) به‌دست می‌آید؛ روش مستقیم اندازه‌گیری این نقاط رطوبتی خاک مستلزم صرف وقت و هزینه زیادی می‌باشد. بنابراین اخیراً از روش‌های غیر مستقیم مانند توابع انتقالی رگرسیونی و مدلهای هوشمند برای تخمین این متغیرهای دیریافت ...
بیشتر
آب قابل استفاده خاک (SAW) از تفاضل دو نقطه مهم و کاربردی منحنی رطوبتی خاک (رطوبت‌های ظرفیت مزرعه‌ای و پژمردگی دائم) به‌دست می‌آید؛ روش مستقیم اندازه‌گیری این نقاط رطوبتی خاک مستلزم صرف وقت و هزینه زیادی می‌باشد. بنابراین اخیراً از روش‌های غیر مستقیم مانند توابع انتقالی رگرسیونی و مدلهای هوشمند برای تخمین این متغیرهای دیریافت خاک استفاده گردیده است. هدف از این پژوهش، مقایسه عملکرد سه مدل هوشمند نروفازی (NF)، برنامهریزی بیان ژن (GEP) و جنگل تصادفی (RF) در برآورد SAW از روی ویژگی‌های زودیافت خاک بود. در این تحقیق، داده‌های اندازه‌گیری شده مربوط به تعداد 102 نمونه خاک سطحی دشت اردبیل شامل مقادیر ذرات شن، سیلت، رس، میانگین و انحراف معیار هندسی قطر ذرات، جرم مخصوص ظاهری، کربن آلی و SAW مورد استفاده قرار گرفت. داده‌ها بهطور تصادفی به دو گروه آموزشی (82 نمونه) و آزمونی (20 نمونه) تقسیم شدند. شش تابع SAW با ترکیب متفاوت از متغیرهای زودیافت خاک به‌عنوان ورودی مدل انتخاب و مدلهای NF، GEP و RF برای هر کدام اجرا گردید. نتایج مدلها بیانگر آن بود که کربن آلی و جرم مخصوص ظاهری خاک، دو متغیر ورودی مهم و اثرگذار در برآورد SAW بودند. مقادیر آماره‌های ضریب تبیین (R2)، مجذور میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) براساس داده‌های آزمونی برابر 73/0، % g g-1 51/2، % g g-1 09/0 و 71/0، 76/0، % g g-1 10/3 ، % g g-1 41/1 - و 56/0، 68/0، % g g-1 30/3 ، % g g-1 45/1 - و 50/0 بهترتیب برای بهترین مدل NF، GEP و RF تعیین شد. مقایسه نتایج آماره‌های ارزیابی مدلها نشان داد که مدل NF به علت داشتن مقدار کم RMSE، مقدار نزدیک به صفر ME و مقدار زیاد NS نسبت به دو مدل دیگر از خطای پایین و دقت بالا در برآورد SAW برخوردار بود.
یاسمن عطایی؛ محمد رضا نیک پور؛ امین کانونی؛ یاسر حسینی
چکیده
تخمین بار معلق در طیف وسیعی از مسائل از قبیل طراحی مخازن سدها، برآورد میزان فرسایش و رسوبگذاری اطراف پایههای پل و مدیریت حوضههای آبخیز بهکار گرفته میشود. در این پژوهش بهمنظور تخمین بار معلق حوضه درهرود، مقادیر دبی و بار معلق در 16 ایستگاه هیدرومتری طی دوره مشترک آماری 15 ساله (94-1380) جمعآوری گردید. پنج الگوی مختلف ...
بیشتر
تخمین بار معلق در طیف وسیعی از مسائل از قبیل طراحی مخازن سدها، برآورد میزان فرسایش و رسوبگذاری اطراف پایههای پل و مدیریت حوضههای آبخیز بهکار گرفته میشود. در این پژوهش بهمنظور تخمین بار معلق حوضه درهرود، مقادیر دبی و بار معلق در 16 ایستگاه هیدرومتری طی دوره مشترک آماری 15 ساله (94-1380) جمعآوری گردید. پنج الگوی مختلف بر اساس میزان تأثیرگذاری متغیرهای دبی و خصوصیات فیزیوگرافی زیرحوضهها شامل مساحت، شیب، ضریب شکل و شماره منحنی بر بار معلق حوضه تعریف شد. ضمناً با در نظر گرفتن پارامترهای مساحت و شیب، زیرحوضهها به دو گروه اول و دوم تقسیمبندی شدند. عملکرد مدلهای شبکه عصبی مصنوعی (ANN)، سامانه استنتاجی فازی- عصبی تطبیقی (ANFIS) و برنامهریزی بیان ژن (GEP) در پیشبینی بار معلق مورد بررسی قرار گرفت. نتایج نشان داد تخمین بار معلق با بهکارگیری الگوی ترکیبی شامل کلیه خصوصیات فیزیوگرافی و دبی با بیشترین دقت همراه بود. در بین مدلهای هوشمند بهترین عملکرد متعلق به مدل GEP بود. در گروه اول، این مدل بیشترین ضریب تعیین (68/0=R2)، کمترین مقدار ریشه میانگین مربعات خطا ( ton/day69/7=RMSE) و بیشترین ضریب نش-ساتکلیف (55/0=NS) را در مقایسه با سایر مدلها به خود اختصاص داد. در خصوص گروه دوم نیز مدل GEP با دارا بودن مقادیر R2، RMSE و NS بهترتیب برابر با 72/0، 26/975 و 43/0 برتری محسوسی داشت. با استفاده از مدل GEP برای گروههای اول و دوم مدلهای منطقهای رسوب استخراج شد. طبق نتایج، طی سالهای 94-1380 سالانه بهطور میانگین 33/6 میلیون تن رسوبات معلق توسط شبکه آبراههها در کل حوضه درهرود جابهجا شده و بهطور متوسط سهم هر کیلومتر مربع حوضه، حدود 1000 تن بوده است.
