پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,119,394 |
| تعداد دریافت فایل اصل مقاله | 97,225,763 |
مقایسه روش‌های نروفازی، الگوریتم ژنتیک، شبکه عصبی، و رگرسیون چندمتغیره در پیشبینی شوری خاک (مطالعه موردی: شهرستان اردکان) | ||
| نشریه علمی - پژوهشی مرتع و آبخیزداری | ||
| مقاله 4، دوره 66، شماره 2، تیر 1392، صفحه 207-222 اصل مقاله (874.92 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jrwm.2013.35573 | ||
| نویسندگان | ||
| روح الله تقی زاده مهرجردی1؛ فریدون سرمدیان* 2؛ غلامرضا ثواقبی2؛ محمود امید3؛ نورایر تومانیان4؛ محمد جواد روستا5؛ محمدحسن رحیمیان6 | ||
| 1استادیار دانشکدة کشاورزی و منابع طبیعی دانشگاه اردکان | ||
| 2استاد گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران | ||
| 3استاد گروه مهندسی ماشین¬آلات کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران | ||
| 4استادیار پژوهشی، مرکز تحقیقات کشاورزی و منابع طبیعی اصفهان | ||
| 5عضو هیئت علمی مرکز ملی تحقیقات شوری | ||
| 6کارشناس سنجش از دور و GIS، مرکز ملی تحقیقات شوری | ||
| چکیده | ||
| در سال‌های اخیر از روش‌های غیرمستقیم برای برآورد شوری خاک استفاده میشود. بدین منظور، در این پژوهش ششصد نمونة جمعآوریشده از منطقة اردکان آزمایش شد و قرائت‌های افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی ـ شامل شاخص اراضی، شاخص خیسی، و انحنای شیب ـ به عنوان ویژگی‌های زودیافت استفاده شد و میزان شوری خاک به صورت وزنی در اعماق 30 و 100 سانتی‌متری به عنوان ویژگی‌های دیریافت تخمین زده شد. در این زمینه، دادهها به دو سری تقسیم شد: سری آموزشی (80% دادهها)؛ سری ارزیابی (20% دادهها). به منظور مدلسازی و پیشبینی شوری، از مدل‌های نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک، و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدلها ـ بر اساس شاخص‌های ریشة مربعات خطا، میانگین خطا، خطای استاندارد نسبی، و ضریب تبیین ـ نشان داد که مدل نروفازی دارایِ بالاترین دقت در پیشبینی ویژگی‌های خاک است، به طوری که این مدل به میزان 17 و 11 درصد دقتِ پیشبینی شوری را، به‌ترتیب، در اعماق 30 و 100 سانتی‌متری، نسبت به روش رگرسیون خطی چندگانه، افزایش داده است. پس از این مدل، الگوریتم ژنتیک و شبکه‌های عصبی مصنوعی، نسبت به معادلات رگرسیونی، کارآیی بهتری داشت. | ||
| کلیدواژه‌ها | ||
| شوری خاک؛ نروفازی؛ الگوریتم ژنتیک؛ شبکة عصبی مصنوعی؛ رگرسیون چندمتغیره | ||
| عنوان مقاله [English] | ||
| Comparison of Neuro-Fuzzy, Genetic Algorithm, Artificial Neural Network and Multivariate Regression for Prediction of Soil Salinity (Case study: Ardakan City) | ||
| نویسندگان [English] | ||
| Ruollah Taghizadeh Mehrjardi1؛ Fereydoon Sarmadian2؛ Gholem Reza Savaghebi2؛ Mahmoud Omid3؛ Nourayer Toomanian4؛ Mohammad Javad Rousta5؛ Mohammad Hasan Rahimiyan6 | ||
| 1Assistant Professor Faculty of Agriculture & Natural Resources, University of Ardakan | ||
| 2Assistant Professor Department of Soil Science, University College of Agriculture & Natural Resources, University of Tehran | ||
| 3Professor Faculty of Agricultural Engineering & Technology, University of Tehran | ||
| 4Assistant Professor Research Institute of Agriculture & Natural Resources, Isfahan | ||
| 5Academic Member of Soil Salinity National Center, Yazd | ||
| 6GIS & RS Expert of Soil Salinity National Center, Yazd | ||
| چکیده [English] | ||
| In recent years, alternative methods have been used for estimation of soil salinity. Therefore, at present research, 600 soil samples collected from Ardakan in central Iran. Then EM38 and terrain parameters such as wetness index, land index and curvature as readily measured properties and soil salinity (0-30 and 0-100) as predicted variables were measured. After that, the data set was divided into two subsets for calibration (80%) and testing (20%) of the models. For predicting of mentioned parameters, ANFIS, GA, ANNs and MLR were applied. In order to evaluate models, some evaluation parameters such as root mean square, average error, average standard error and coefficient of determination were used. Results showed that the ANFIS model gives better estimation than the other techniques for all characteristics whereas this model increased accuracy of predictions about 17 and 11% for EC30 and EC100 respectability. After ANFIS model, GA and ANN had better accuracy than multivariate regression. | ||
| کلیدواژه‌ها [English] | ||
| ANFIS, Soil Salinity, GA, ANN, MLR | ||
|
آمار تعداد مشاهده مقاله: 3,434 تعداد دریافت فایل اصل مقاله: 17,046 |
||