پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,188,702 |
| تعداد دریافت فایل اصل مقاله | 89,937,340 |
بررسی روش‌های مختلف برای ایجاد توابع انتقالی خاک‌های بخشی از مناطق مرطوب شمال ایران | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 11، دوره 42، شماره 1 - شماره پیاپی 591009، مهر 1390، صفحه 99-107 اصل مقاله (404.99 K) | ||
| نویسندگان | ||
| روح اله تقی‌زاده1؛ شهلا محمودی2؛ علی اکبرزاده3؛ هادی رحیمی لاکه4 | ||
| 1دانشجوی دکتری، دانشگاه تهران | ||
| 2استاد، دانشگاه تهران | ||
| 3دانشجوی کارشناسی ارشد، دانشگاه تهران | ||
| 4کارشناس ارشد، دانشگاه گیلان | ||
| چکیده | ||
| تخمین پارامترهای دیریافت خاک با استفاده از اطلاعات موجود خاک، توابع انتقالی نامیده می‌شود. جهت توسعه توابع انتقالی می‌توان از مدل‌های رگرسیون چند متغیره، شبکه عصبی مصنوعی و نروفازی استفاده کرد. بنابراین در این مطالعه به منظور مقایسه مدل‌های مذکور، 153 نمونه جمع آوری شده از ناحیه شمالی شهرستان رشت مورد آزمایش قرار گرفته و درصد شن، سیلت، رس و کربن آلی به عنوان ویژگی‌های زودیافت و ظرفیت تبادل کاتیونی به عنوان ویژگی دیریافت اندازه‌گیری شدند. سپس کل داده‌ها به دو سری داده، شامل سری آموزش (80% داده‌ها) و سری ارزیابی (20% داده‌ها) تقسیم گردید. نتایج ارزیابی نشان داد که مدل نروفازی بر اساس شاخص‌های ریشه مربعات خطا، میانگین خطا و ضریب تبیین به ترتیب 73/0، 07/0- و 66/0 دارای بالاترین دقت در پیش‌بینی ظرفیت تبادل کاتیونی خاک می‌باشد. همچنین این مدل بر اساس شاخص درصد کاهش ریشه مربعات خطا به میزان 14 درصد دقت پیش‌بینی ویژگی CEC را نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه‌های عصبی مصنوعی پس‌انتشار، پایه شعاعی و آبشاری به ترتیب نسبت به معادلات رگرسیونی کارائی بهتری داشته‌اند. | ||
| کلیدواژه‌ها | ||
| توابع انتقالی؛ رگرسیون چند متغیره؛ شبکه‌های عصبی مصنوعی؛ نروفازی | ||
| عنوان مقاله [English] | ||
| A Comparison of Different Methods of Developing Pedotransfer Functions in Soils of Humid Regions in Iran | ||
| نویسندگان [English] | ||
| Roohollah Taghizadeh1؛ Shahla Mahmoodi2؛ Ali Akbarzadeh3؛ Hadi Rahimi Lakeh4 | ||
| چکیده [English] | ||
| The functions employed in an estimation of costly measured soil properties from either widely available or more easily obtained basic soil properties are referred to as pedotransfer functions. To develop pedotransfer functions, one can use multivariate regression, neural networks and neuro-fuzzy models. To make a comparison among the mentioned models, 153 soil samples were collected from soils in Rasht Province. Clay, sand, silt as well as organic carbon percentage considered as readily obtainable parameters vs. cation exchange capacity as predicted variable were assessed. The data set was broken into two subsets for calibration (80%) and testing (20%) of the models. According to some such evaluation parameters as Root Mean Square, Average Error and Coefficient of Determination, neuro-fuzzy benefited from the most accuracy for a prediction of cation exchange capacity. Also, results indicated that the neuro-fuzzy model increased the accuracy of cation exchange capacity prediction for about 14%. Following neuro-fuzzy model, artificial neural network (Feed forward, General Regression Neural Network, and Cascade Forward) benefited from higher accuracies than Multivariate Regression approach. | ||
| کلیدواژه‌ها [English] | ||
| ., Artificial Neural Networks, multivariate regression, neuro-fuzzy, Pedotransfer Function | ||
|
آمار تعداد مشاهده مقاله: 2,175 تعداد دریافت فایل اصل مقاله: 1,471 |
||