35 نتیجه برای شبکه عصبی
مریم صادقیان، حجت کرمی، سیدفرهاد موسوی،
جلد 21، شماره 4 - ( 11-1396 )
چکیده
امروزه، شناخت بیشتر خشکسالی و ایجاد سیستمهای پایش آن، بخصوص در دورههای کوتاه مدت، و افزودن قابلیت پیشبینی به این سیستمها، میتواند منجر به ارائه راهکارهای مناسبتری در بخشهای مدیریت تخصیص منابع آب گردد. در این پژوهش، با استفاده از روشهای پیشبینی سریهای زمانی، سیستمهای استنتاج فازی- عصبی تطبیقی و شبکههای عصبی مصنوعی سعی شده مدلهای مناسب جهت پیشبینی خشکسالی شهرستان سمنان ارائه گردد. در این مدلسازیها از دادههای میانگین ماهانه پارامترهای هواشناسی مانند بارندگی، دما، حداکثر دما، حداقل دما، رطوبت نسبی، حداکثر رطوبت نسبی، حداقل رطوبت نسبی و شاخص خشکسالی SPI طی دوره آماری 1966 تا 2013 استفاده شده است. نتایج نشان داد که از بین انبوه مدلهای ساخته شده، مدل ANFIS با ورودیهای میانگین بارش، میانگین حداکثر دما، SPI و دادههای یک ماه قبل آنها، با 10 قانون و تابع عضویت گوسی، با مقادیر RMSE برابر 777/0، MAE برابر 593/0 و ضریب همبستگی 4/0 در مرحله آموزش و RMSE برابر 837/0، MAE برابر 644/0 و ضریب همبستگی 362/0 در مرحله آزمون، بهعنوان مدل برتر انتخاب شد. سپس، پارامترهای ورودی این مدل با استفاده از مدل ARIMA برای 12 ماه آینده پیشبینی گردید و بهعنوان ورودی به مدل مذکور معرفی شدند و SPI برای 12 ماه آینده پیشبینی شد. روشهای شبکه عصبی مصنوعی و سری زمانی با اختلاف کم در مقادیر خطا، در رتبههای بعد قرار گرفتند. پارامترهای ورودی SPI و دما عملکرد مناسبتر و پارامتر بارش عملکرد ضعیفتری را داشتند.
محمد عیسی زاده، پروا محمدی، یعقوب دین پژوه،
جلد 21، شماره 4 - ( 11-1396 )
چکیده
تحلیلهای آماری و پیشبینی دادههای جریان نقش بهسزایی در مدیریت و مهندسی سامانههای آبی ایفا میکند. اساسیترین مشکل تحلیلهای آماری و پیشبینی جریان در کشور ایران، عدم وجود دوره آماری طولانی و نقص دادههای جریان ایستگاههای هیدرومتری موجود میباشد. با توجه به موارد ذکر شده در این مطالعه، دادههای جریان روزانه ایستگاه هیدرومتری سنته واقع در استان کردستان با استفاده از دادههای ایستگاههای هیدرومتری و هواشناسی مجاور این ایستگاه تخمین زده شد. این تخمین بهازای شانزده ترکیب مختلف، شامل دادههای جریان روزانه ایستگاههای هیدرومتری صفا خانه و پل آنیان و بارش روزانه ایستگاه باران سنجی سنته صورت گرفت. در این تحقیق تخمین جریان روزانه ایستگاه سنته در هر یک از ماههای سال، بهازای شانزده ترکیب مختلف و مدلهای شبکه عصبی مصنوعی و رگرسیون خطی چندگانه مورد ارزیابی قرار گرفت. عملکرد هر یک از مدلها با شاخصهای RMSE، CC، NS و آماره t-student ارزیابی شد. نتایج حاکی از عملکرد خوب هر دو مدل بود ولی مدل شبکه عصبی مصنوعی در تخمین جریان روزانه اکثر ماههای سال بهتر از مدل رگرسیونی عمل کرد. میانگین خطای مدلهای شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در ماههای سال بهترتیب برابر با 31/6 و 07/8 مترمکعب بر ثانیه برآورد گردید. لازم بهذکر است که شبکه عصبی مصنوعی بهازای هر یک از شانزده ترکیب بهکار گرفته شده، عملکرد بهتری نسبت به مدل رگرسیونی داشت.
محمدحسن طرازکار، منصور زیبایی، غلامرضا سلطانی، مسعود نوشادی،
جلد 22، شماره 2 - ( 6-1397 )
چکیده
امروزه مدیریت منابع آب بهجای ساخت سیستمهای جدید عرضه آب، به سمت مدیریت و بهرهبرداری بهینه از سیستمهای موجود حرکت کرده است. بر این اساس، در این مطالعه قواعد بهرهبرداری از مخزن سد درودزن در استان فارس، با استفاده از روشهای مختلف تعیین شد و کاراترین روش انتخاب شد. برای این منظور، ابتدا با استفاده از دادههای ماهانه یک دوره پانزده ساله (92-1377)، مدل بهرهبرداری بهینه چند هدفه غیر خطی طراحی شد. توابع هدف مدل شامل حداقلسازی شاخص کمبود آب در بخشهای مختلف شامل بخش شهری، صنعت، محیط زیست و کشاورزی در نظر گرفته شد. همچنین بهمنظور استخراج قواعد بهرهبرداری از مخزن، علاوه بر مدل بهرهبرداری بهینه غیر خطی از روش رگرسیونی حداقل مربعات معمولی، سیستم استنتاج فازی و شبکه عصبی تطبیقپذیر مبتنی بر سیستم استنتاج فازی (ANFIS) نیز بهره گرفته شد. بهمنظور مقایسه روشهای مختلف از شاخصهای عملکرد مخزن شامل اعتمادپذیری، حداکثر آسیبپذیری، میانگین آسیبپذیری، برگشتپذیری و پایداری استفاده شد. نتایج مطالعه نشان داد که مدل ANFIS، بهدلیل داشتن مقادیر بالای شاخص اعتمادپذیری (7/0)، برگشتپذیری (42/0) و مقدار کم شاخص آسیبپذیری (13/0)، دارای بالاترین مقدار شاخص پایداری (26/0) و بهترین عملکرد است. بر این اساس، میتوان بهطور کارا از مدل ANFIS، برای ایجاد قواعد بهرهبرداری از مخزن سد درودزن استفاده کرد.
زینب ملائی، جواد ظهیری، سعید جلیلی، محمدرضا انصاری، ایوب تقی زاده،
جلد 22، شماره 2 - ( 6-1397 )
چکیده
بازتاب طیفی سنجش از راه دور اندازهگیری شده توسط سنسورهای ماهوارهای، یک جایگزین سریع و رویکرد اقتصادی برای ارزیابی غلظت رسوب معلق در اقیانوسها، دریاها، رودخانهها و آبهای ساحلی است. بر همین اساس در این تحقیق از ترکیب اطلاعات بهدست آمده از تصاویر ماهوارهای و یک مدل شبکه عصبی پایه شعاعی، جهت برآورد غلظت بار معلق رودخانهای استفاده شد. دادههای میدانی غلظت رسوب معلق، دبی جریان و بازتاب باند یک و نسبت بازتاب باند دو به یک سنجنده مادیس، بهعنوان ورودی به شبکه عصبی معرفی شدند، همچنین یک مدل رگرسیون خطی چندمتغیره برای ایجاد ارتباط میان غلظت رسوب معلق و بازتاب رسیده به سنجنده استفاده شد. در نهایت نتایج حاصل از شبکه عصبی با نتایج حاصل از رگرسیون و منحنی سنجه رسوب مقایسه شد. براساس نتایج بهدست آمده، مدل شبکه عصبی مصنوعی با ورودی باند یک و دبی جریان با RMSE برابر 19/0، عملکرد بهتری را نسبت به دو روش رگرسیون و منحنی سنجه رسوب با RMSE بهترتیب برابر 21/0 و 29/0 دارا است.
محمد پورمیرزا، امیرعباس کمان بدست،
جلد 23، شماره 4 - ( 9-1398 )
چکیده
یکی از مهمترین عوامل آسیب و خرابی لولهها، وقوع آبشستگی موضعی است، بنابراین طراحی مطمئن و اقتصادی لولهها که در مسیر جریان قرار میگیرند، مستلزم تخمین مناسبی از میزان تأثیر عوامل مؤثر بر آبشستگی زیر لوله است. در این پژوهش بر اساس پارامترهای مهم و اثرگذار در پدیده آبشستگی و بر اساس دادههای بهدست آمده در آزمایشگاه دانشگاه آزاد اسلامی واحد اهواز، مدلهایی بر مبنای شبکههای عصبی مصنوعی با استفاده از نرمافزارNeuroSolution5 ایجاد شد که در این تحقیق از سه مدل MLP، GFF و RBF استفاده شد و پس از مقایسه این سه مدل با یکدیگر، مدل MLP محور بررسیها قرار گرفت. در نهایت با استفاده از تکنیک شبکههای عصبی مصنوعی میزان تأثیر هر کدام از پارامترهای مؤثر بر آبشستگی مشخص شد که بر اساس آن، پارامتر شیلدز با تأثیری بسیار زیاد (بیش از 95 درصد)، یکی از مؤثرترین عوامل در آبشستگی موضعی در این پژوهش است.
عباس احمدپور، سید حسن میرهاشمی، پرویز حقیقت جو، محمدرضا رئیسی سیستانی،
جلد 24، شماره 3 - ( 9-1399 )
چکیده
در این پژوهش از مدل سری زمانی اریما و شبکه استنتاج فازی- عصبی و شبکه عصبی مصنوعی پرسپترون چندلایه و مدلهای هیبریدی ARIMA-ANN, ARIMA- ANFIS برای مدلسازی و پیشبینی پارامتر هدایت الکتریکی جریان روزانه ایستگاه آبسنجی تلهزنگ با طول دوره آماری 49 ساله استفاده شده است. برای این منظور از دادههای روزانه سالهای 1384-1347 برای آموزش مدل و از دادههای سالهای 1396-1385 برای آزمون استفاده شد. برای تأیید صحت مدلهای اریما برازش یافته از توابع خودهمبستگی و خودهمبستگی جزئی باقیماندهها و آماره پورت مانتئو استفاده شد. در مدلسازی و پیشبینی هدایت الکتریکی برای انتخاب پارامتر ورودی مؤثر شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی از الگوریتم PMI بهره گرفته شد که پارامترهای روزانه منیزیم (با دو روز تأخیر) و سدیم (با یک روز تأخیر) و درجه حرارت (با یک روز تأخیر) و دبی جریان (با دو ماه تأخیر) و اسیدیته (با یک روز تأخیر) با داشتن کمترین مقادیر اکایک و بیشترین مقادیر آماره همپل بهعنوان ورودی شبکه استنتاج فازی عصبی و شبکه عصبی مصنوعی برای مدلسازی و پیشبینی هدایت الکتریکی روزانه معرفی شدند. بررسی معیارهای ارزیابی مدلها تأیید کننده برتری مدل هیبریدی ARIMA-ANFIS با تابع عضویت ذوزنقهای و تعداد تابع عضویت 2 نسبت به سایر مدلها با مقادیر ضریب تبین 86/0و ریشه میانگین مربعات dS/m 29 است همچنین مدل آریما ضعیفترین عملکرد را در مدلسازی و پیشبینی پارامتر کیفی روزانه ایستگاه هیدرومتری تلهزنگ بهخود اختصاص داده است.
سیدحسین روشان، کاکا شاهدی، محمود حبیب نژاد روشن، ،
جلد 25، شماره 2 - ( 6-1400 )
چکیده
شبیهسازی فرایند بارش- رواناب در حوضه آبخیز از نقطه نظر درک بهتر مسائل هیدرولوژیک، مدیریت منابع آب، مهندسی رودخانه، سازههای کنترل سیل و ذخیره سیلاب اهمیت ویژهای دارد. در این تحقیق، بهمنظور شبیهسازی فرایند بارش– رواناب از دادههای بارش و دبی جریان در دوره زمانی 1396-1376 استفاده شد. بعد از کنترل کیفی و صحت دادهها، تأخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبستگی جزئی و همبستگی متقارن در نرمافزار R Studio مشخص شد. سپس پارامترهای مؤثر و ترکیب بهینه نیز بهروش آزمون گاما تعیین و برای اجرای مدل تحت سه سناریوی مختلف در نرمافزار MATLAB مورد استفاده قرار گرفتند. نتایج آزمون گاما نشان داد که پارامترهای بارش روز جاری، بارش یک روز قبل، دبی روز قبل و دو روز قبل دارای بیشترین تأثیر در دبی خروجی حوضه هستند. همچنین ترکیبهای Pt Qt-1 و Pt Pt-1 Qt-1 Qt-2 Qt-3 مناسبترین ترکیب بهینه ورودی برای مدلسازی انتخاب شدند. نتایج مدلسازی نشان داد که در مدل ماشین بردار پشتیبان تابع کرنل پایه شعاعی (RBF) نسبت به کرنلهای چندگانه و خطی دارای عملکرد بهتری است. همچنین کارایی مدل شبکه عصبی مصنوعی (ANN) نسبت به مدل ماشین بردار پشتیبان (SVM) با تابع کرنل پایه شعاعی (RBF) بهتر است.
ملیکا صیادی، حسن خسروی، سلمان زارع، خالد احمدآلی، سمانه باقری،
جلد 25، شماره 3 - ( 9-1400 )
چکیده
بیابانزایی پدیدهای است که در مناطق خشک، نیمهخشک و خشک نیمهمرطوب اثرات تخریبی بیشتری نسبت به سایر مناطق دارد. هدف از انجام این پژوهش تهیه نقشه شدت بیابانزایی استان تهران، برای آیندهنگری در مواجهه با تخریب سرزمین و بیابانزایی است. بدین منظور برای ارزیابی تخریب سرزمین و بیابانزایی از مدل IMDPA استفاده شد. بنابراین برای ارزیابی بیابانزایی سه معیار آب زیرزمینی، معیار اقلیم و معیار کاربری اراضی، با توجه به شرایط منطقه بهعنوان معیارهای کلیدی بیابانزایی درنظر گرفته شد. نقشه شاخص کاربری اراضی با استاندارد IGBP و نقشه پهنهبندی سایر شاخصها بهروش IDW برای سالهای 1390 و 1395 تهیه شد. با استفاده از مدل CA – Markov در نرمافزار TerrSet نقشه کاربری اراضی و با استفاده از نرمافزار MATLAB و روش RBF در جعبه ابزار شبکههای عصبی مصنوعی نقشه سایر شاخصها برای سال 1400 پیشبینی شدند. سپس با استفاده از مدل IMDPA، نقشه امتیاز شاخصها و معیارها برای سالهای 1390، 1395 و 1400 تهیه شد. درنهایت با میانگینگیری هندسی برای هر سه معیار، شدت بیابانزایی در هر دوره زمانی محاسبه شد. نتایج نشان داد که در سال 1390، 59/78 درصد از مساحت استان تهران در کلاس کم و 40/22 درصد در کلاس متوسط بیابانزایی قرار گرفته است. اما در سال 1395 مساحت کلاس متوسط بیابانزایی به 44/8 درصد افزایش یافته و پیشبینی میشود که این افزایش تا سال 1400 نیز ادامه یابد و 56/47 درصد از مساحت استان در کلاس متوسط بیابانزایی قرار خواهد گرفت. همچنین در این سال حدود یک درصد از مساحت استان در نواحی غربی به کلاس شدید بیابانزایی اختصاص پیدا خواهد کرد که در دو دوره قبل وجود نداشته است. بهطور کلی شدت بیابانزایی در نواحی غربی و جنوبی استان تهران بیشتر از نواحی شرقی و شمالی است که به فعالیتهای انسانی مربوط میشود.
مهران سیف الهی، سلیم عباسی، محمد علی لطف الهی یقین، رسول دانشفراز، فرهود کلاته، مازیار فهیمی فرزام،
جلد 26، شماره 2 - ( 6-1401 )
چکیده
نشست غیرقابل پیشبینی سدهای خاکی پژوهشگران را بر آن داشته تا روشهای نوین نظیر شبکه عصبی مصنوعی، تئوری موجک، منطق فازی و ترکیبی از این روشها مورد توجه آنها قرار گیرد. در این پژوهش با استفاده از روشهای هوش مصنوعی مقدار نشست تاج در سدهای سنگریزهای با هسته مرکزی تخمین زده شده است. در این پژوهش از دادههای 35 سد سنگریزهای با هسته مرکزی برای آموزش و صحتسنجی مدلها استفاده شد. شبکه عصبی مصنوعی، مدل ترکیب تبدیل موجک و شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی فازی- عصبی مدلهای پیشنهادی ارائه شده در این پژوهش هستند. بر اساس نتایج حاصل در مطالعه حاضر، بهترین مدل برای شبکه عصبی مصنوعی با دو لایه مخفی که لایه اول 18 نورون و لایه دوم 7 نورون و با تابع فعالساز Tansig-Tansig، با ضریب تعیین R2=0.4969، برای مدل سیستم استنتاج فازی- عصبی، تابع حلقوی (Dsigmoid) بهعنوان تابع عضویت، با 3 تابع عضویت و تعداد 142 تکرار با ضریب تعیین R2=0.2860، بهترین مدل و همچنین برای ترکیب تبدیل موجک- شبکه عصبی با تابع موجک coif2 بهدلیل انطباق بیشتر این تابع با متغیرهای ورودی، عملکرد بهتری داشته و این تابع با ضریب تعیین R2=0.9447، دارای بیشترین دقت نسبت به سایر مدلها است.
بابک شاهی نژاد، عباس پارسایی، علی حقی زاده، آزاده ارشیا، زهرا شمسی،
جلد 26، شماره 3 - ( 9-1401 )
چکیده
در این پژوهش بهمنظور تخمین ابعاد هندسی کانالهای آبرفتی پایدار شامل عرض سطح کانال (w)، عمق جریان (h) و شیب طولی (S) آنها از مدلهای محاسبات نرم شامل مدل رگرسیون اسپلاین تطبیقی چندگانه (MARS) و مدل دستهبندی گروهی دادهها (GMDH) استفاده شد و نتایج مدلهای توسعه داده شده با مدل شبکه عصبی چندلایه (MLP) مقایسه شد. برای توسعه مدلها، پارامترهای دبی جریان (Q)، اندازه متوسط ذرات در کف و بدنه (d50) و همچنین میزان تنش برشی (t) بهعنوان ورودی و از پارامترهای عرض سطح آب (w)، عمق جریان (h) و شیب طولی (S) بهعنوان پارامترهای خروجی استفاده شد. مدلهای محاسبات نرم در دو سناریو بر اساس پارامترهای خام و فرم بیبعد پارامترهای مستقل و وابسته، توسعه داده شدند. نتایج نشان داد که با توجه به مشخصات آماری در تخمین w بهترین عملکرد مربوط به مدل MARS است که شاخصهای آماری دقت آن در مرحله آموزش عبارت از R2=0.902,RMSE=1.666 و در مرحله آزمایش عبارت از R2=0.844,RMSE=2.317 است. در تخمین عمق کانال، عملکرد هر دو مدل MLP و MARS تقریباً برابر است که هر دو بر اساس فرم بیبعد دبی جریان بهعنوان متغیر ورودی، توسعه داده شدند. شاخصهای آماری هر دو مدل در مرحله آموزش عبارت از و در مرحله آزمایش عبارت از است. بهترین عملکرد مدلهای توسعه داده شده در تخمین شیب طولی کانال نیز مربوط به هردو مدل MARS و GMDH است که البته بهصورت جزئی، دقت مدل GMDH با شاخصهای آماری در مرحله آموزش و در مرحله آزمایش بیشتر از مدل MARS است.
علی شاهبایی کوتنایی، حسین عساکره،
جلد 26، شماره 4 - ( 9-1401 )
چکیده
بارش یکی از مهمترین فراسنجهای آب و هوایی است که چگونگی پراکنش و مقادیر آن در نواحی مختلف، برایند روابط پیچیدۀ خطی و غیرخطی بین عناصر جوی – فرایندهای اقلیمی و ساختار فضایی محیط سطح زمین است. طبقهبندی دادهها و قرارگیری آنها در پهنههای کوچک و متجانس میتواند در بهبود درک این روابط پیچیده و نتایج حاصل از آنها مؤثر باشد. در پژوهش حاضر با استفاده از دادههای بارش سالانۀ 3423 ایستگاه همدیدی، اقلیمشناسی و بارانسنجی ایران در دورۀ 1961 – 2015 و دادههای ارتفاع، شیب، جهت شیب و تراکم ایستگاهی تلاش شد تا چگونگی پراکنش بارش کشور در ارتباط با عوامل محیطی پهنهبندی شده و مورد تحلیل قرار گیرد. بدین منظور بعد از استانداردسازی و آمادهسازی ماتریس دادهها، تعداد بهینۀ خوشهها مشخص و مجموعۀ دادهها به مدل شبکه عصبی– فازی (ANFIS-FCM) وارد شد. بررسی نتایج نشان داد که مقادیر شاخصهای و MAE بهترتیب 0/76 و 0/23 بوده که حاکی از دقت مناسب مدل است. همچنین مشخص شد در پهنههای چهارگانۀ خروجی مدل، عوامل محیطی از اثرگذاری بالایی در پراکنش فضایی فراسنج بارش برخوردار هستند. در پهنههای اول و سوم، ترکیب عوامل ارتفاع و شیب زیاد بههمراه مجاورت جغرافیایی با سامانههای بارشی، موجب شده متوسط مقدار بارش سالانه در این پهنهها بهترتیب 318 و 181 میلیمتر باشد؛ درحالی که با تضعیف نقش عوامل محیطی در خوشههای دوم و چهارم، متوسط بارش سالانه به حدود 100 میلیمتر کاهش یافته است.
بابک شاهی نژاد، عباس پارسایی، حجت الله یونسی، زهرا شمسی، آزاده ارشیا،
جلد 26، شماره 4 - ( 9-1401 )
چکیده
در پژوهش حاضر، دبی جریان در فلومهای حاوی نیم استوانههای جانبی (SMBF) تحت شرایط آزاد و مستغرق با استفاده از مدلهای ماشین بردار پشتیان (SVM)، رگرسیون انطباقی چندمتغیره اسپلاین (MARS) و مدل شبکه عصبی مصنوعی چندلایه (MLPNN)، شبیهسازی و تخمین زده شد. در حالت جریان آزاد از پارامترهای بیبعد مستخرج از آنالیز ابعادی شامل نسبت عمق جریان در بالادست به عرض گلوگاه و نسبت انقباض (عرض گلوگاه به عرض کانال) و در حالت مستغرق علاوه بر این دو پارامتر از پارامترهای عمق پایاب به عرض گلوگاه و عمق پایاب به عمق بالادست بهعنوان ورودی و از فرم بیبعد دبی جریان بهعنوان خروجی مدلها استفاده شد. نتایج نشان داد که در حالت جریان آزاد در مرحله صحتسنجی مدل MARS با شاخصهای آماری 0/985= R2، 0/008=RMSE، % 0/87=MAPE و مدل SVM با شاخصهای آماری 0/971=R2، 0/0012=RMSE، % 1/376=MAPE و مدل MLPNN با شاخصهای آماری 0/973= R2، 0/011=RMSE، % 1/304=MAPE دبی جریان را شبیهسازی و پیشبینی کرده¬اند. در حالت مستغرق شاخصهای آماری مدل MARS توسعه داده شده عبارت از 0/978= R2، 0/018=RMSE، % 3/6=MAPE و شاخصهای آماری مدل SVM عبارت از 0/988= R2، 0/014=RMSE، % 4/2=MAPE و شاخصهای آماری مدل MLPNN عبارت از 0/966= R2، 0/022=RMSE و % 5/7=MAPE هستند. در توسعه مدلهای SVM و MLPNN بهترتیب از توابع کرنل شعاعی و تانژانت هایپربولیک استفاده شد.
علی شاهبایی کوتنایی، حسین عساکره،
جلد 27، شماره 1 - ( 3-1402 )
چکیده
بارش یکی از عناصر اصلی چرخۀ هیدرواقلیمی کرۀ زمین است که چگونگی تغییرپذیری آن تابع روابط پیچیده و غیرخطی بین سامانۀ اقلیم و عوامل محیطی است. شناخت این روابط و انجام برنامهریزیهای محیطی بر مبنای آنها در حالت عادی امری دشوار بوده و در نتیجه طبقهبندی دادهها و تقسیم اطلاعات به دستههای متجانس و کوچک میتواند در این زمینه کمککننده باشد. در پژوهش حاضر تلاش شد تا دادههای بارش، ارتفاع، شیب، جهت دامنهها و تراکم ایستگاهی برای 3423 ایستگاه همدید، اقلیمشناسی و بارانسنجی ایران در دوره ی 1961-2015 به مدلهای فازی (FCM) و شبکه عصبی خودسازمانده (SOM-ANN) وارد و ضمن انجام پهنهبندی بارشی– محیطی، خروجیهای دو مدل از لحاظ دقت و کارایی مورد مقایسه قرار گیرد. نتایج حاصل از خروجی مدلها، شرایط بارشی ایران را در ارتباط با عوامل محیطی به چهار پهنه تقسیمبندی کرده است. همچنین، بررسی شاخصهای ارزیابی نشان داد هر دو مدل از دقت بالایی در امر طبقهبندی فراسنج بارش برخوردار هستند؛ با این حال مدل فازی از لحاظ دقت نتایج برتری نسبی به مدل شبکۀ عصبی دارد.
مسلم زرینی بهادر،
جلد 29، شماره 1 - ( 2-1404 )
چکیده
کربنات کلسیم معادل خاک (CCE) یکی از ویژگیهای مهم خاک است. پیشبینی مقدار کربنات کلسیم معادل خاک برای مدیریت پایدار حاصلخیزی خاک ضروری است. مطالعه حاضر با هدف نقشهبرداری رقومی کربنات کلسیم معادل با استفاده از متغیرهای کمکی محیطی و تصاویر ماهواره لندست 8 و مدلهای پیشبینیکننده و معرفی بهترین مدلها، در حوضه آبخیز بدر در جنوب شهرستان قروه انجام گرفت. برای انجام این پژوهش در مرحله اول، نقشه ژئومرفولوژی با استفاده از نقشه زمینشناسی و بر اساس روش ژئوپدولوژی زینک در محیط سامانه اطلاعات جغرافیائی ترسیم شد. در مرحله دوم، محل 125 خاکرخ مطالعاتی بر اساس تکنیک ابر مکعب لاتین تعیین شد و کربنات کلسیم معادل افقهای خاک با روش تیتراسیون با اسید اندازهگیری شد. متغیرهای کمکی شامل مشتقات مدل رقومی ارتفاع، شاخصهای سنجشازدور دریافتی از ماهواره لندست 8 و نقشه ژئوپدولوژی بودند که انتخاب متغیرهای کمکی مناسب با استفاده از روش تجزیه مؤلفههای اصلی (PCA) انجام شد. در مرحله سوم، مدلسازی انجام، نقشههای رقومی کلاسها و ویژگیهای خاک تهیه شد و ارزیابی مدلها صورت گرفت. برای برآورد کربنات کلسیم معادل خاک، در مطالعه حاضر دو حالت مختلف بررسی شد. در حالت اول، مدلهای شبکه عصبی مصنوعی، تحلیل درخت تصمیم، جنگل تصادفی، مدل نزدیکترین همسایه K برای پیشبینی استفاده شدند. همچنین بهمنظور ترکیب نتایج مدلها، از مدل رگرسیون خطی چندگانه استفاده شد. در میان مدلهای استفادهشده برای پیشبینی مقدار کربنات کلسیم معادل با استفاده از روش اعتبارسنجی کافلد 10 مکانی، مدل رگرسیون خطی چندگانه (MLR) با ضریب تعیین 0/796 و ریشه دوم متوسط مربعات خطا 6/514 از بیشترین دقت برای پیشبینی برخوردار بوده است. این در حالی است که با استفاده از روش اعتبارسنجی کافلد 5 تصادفی، مدل نزدیکترین همسایه K (KNN) با ضریب تعیین 0/9845 و ریشه دوم متوسط مربعات خطا 2/1258 از بیشترین دقت برای پیشبینی برخوردار بوده است. بهدلیل مکانی بودن روش اعتبارسنجی کافلد 10 مکانی، استفاده از این روش بر روش اعتبارسنجی کافلد 5 تصادفی ارجحیت دارد. همچنین متغیرهای کمکی مهم در پیشبینی کربنات کلسیم معادل خاک بهترتیب اهمیت شامل شاخص کربنات، جهت شیب، ژئومورفولوژی، سطح مبنای شبکه آبراهه و شیب حوضه آبخیز بودند.
ایمان صالح، سید مسعود سلیمانپور، مجید خزایی، امید رحمتی، صمد شادفر،
جلد 29، شماره 4 - ( 10-1404 )
چکیده
هدررفت خاک و تخریب فراوان ناشی از فرسایش خندقی همواره خسارات فراوانی به همراه داشته است. به دلیل اینکه اندازه گیری مستقیم میدانی و پایش فرسایش خندقی امری هزینه بر و زمان بر است، امکان تعیین میزان هدررفت خاک ناشی از فرسایش خندقی بسیار مشکل است. این پژوهش با هدف محاسبه حجم خاک ازدسترفته ناشی از فرسایش خندقی با استفاده از مدل های یادگیری ماشین در حوزه آبخیز آبگندی استان کهگیلویه و بویراحمد بر اساس مطالعات میدانی، انجام شده است. مدل های یادگیری ماشین عبارتاند از: جنگل تصادفی، ماشین بردار پشتیبان، شبکه عصبی مصنوعی و سیستم استنباط فازی عصبی تطبیقی. ازاینرو، موقعیت 68 خندق در منطقه ثبت و به منظور مدل سازی هدررفت خاک ناشی از خندق ها، لایه های رقومی عوامل تأثیرگذار بر گسترش خندق ها از جمله عوامل توپوگرافی، خاک شناسی، سنگ شناسی و هیدرولوژیک به عنوان متغیرهای مستقل تهیه شد. سپس حجم خاک ازدسترفته ناشی از فرسایش خندقی منطقه در تعدادی خندق معرف به صورت مستقیم به عنوان متغیر وابسته در عرصه اندازه گیری شد. خندق های اندازه گیریشده، به صورت تصادفی به دو گروه آموزش و اعتبارسنجی تقسیم شدند. نتایج مدل ها با استفاده از خطای جذر میانگین مربعات (RMSE) و شاخص R2 ارزیابی شده و مدل ها با یکدیگر مقایسه شدند. بر اساس نتایج این مطالعه، فرسایش خندقی در حوضه آبگندی استان کهگیلویه و بویراحمد هر ساله رو به افزایش است و در شرایطی که میزان بارندگی و همچنین فراوانی بارشهای سنگین (بیشتر از مقدار پنج میلیمتر یا بیشتر) و دارای شدت زیادی باشد، میزان فرسایش و هدررفت خاک به طور مستقیم افزایش چشمگیر خواهد داشت. از میان مدلهای یادگیری ماشین مورد استفاده در این پژوهش، مدل جنگل تصادفی به عنوان مدل برتر در زمینه پیشبینی هدررفت خاک ناشی از فرسایش خندقی انتخاب شد.
