23 نتیجه برای ماش
احمد غضنفری مقدم،
جلد 7، شماره 3 - ( 7-1382 )
چکیده
به منظور گسترش استفاده از فناوری بینایی ماشین در امور پژوهشی کشاورزی کشور، به ویژه برای تعیین کمیتهای فیزیکی بذرها، یک دستگاه رایانه مجهز به یک کارت تصویرگیر، یک دستگاه دوربین ویدیو و یک جعبه نور تهیه، و با استفاده از آنها یک سیستم بینایی ماشین راهاندازی شد. سپس برنامههای رایانهای مورد نیاز در راهاندازی اولیه سیستم و دستیابی به ویژگیهای فیزیکی قابل اندازهگیری از طریق تصاویر، نوشته شد. این برنامهها شامل اکتساب و نمایش تصویر، تبدیل تصاویر رنگی به خاکستری و سیاه و سفید، جدا سازی اجسام از زمینه، شمارش اجسام درون تصویر، محاسبه سطح تصویر شده، طول، عرض، نمایه گردی، مرکز تقارن و محاسبه وزن بود. برای ارزیابی سیستم فوق، ابعاد فیزیکی دانههای پسته با دو روش نرمافزاری و دستی اندازهگیری شد.
مقایسه آماری نتایج به دست آمده نشان داد که اختلاف معنیداری بین اندازههای گرفته شده با دو روش وجود ندارد. از نظر سرعت اندازهگیری، بینایی ماشین بسیار سریع بوده و قابل مقایسه با روشهای معمول دستی نیست. ولی این فناوری هنوز از نظر کاربردی محدودیتهای نرمافزاری و سختافزاری بسیاری دارد.
مجید آقا علیخانی، امیر قلاوند، افراسیاب علا،
جلد 9، شماره 4 - ( 10-1384 )
چکیده
به منظور بررسی تأثیر تراکمهای مختلف کاشت (10، 13، 20 و 40 بوته در مترمربع) بر عملکرد و اجزای عملکرد دو رقم ( پرتو و گوهر) و یک لاین (VC-1973A) ماش سبز [Vigna radiata (L.) Wilczek] آزمایشی در تابستان 1377 در موسسه تحقیقات اصلاح و تهیه نهال و بذر واقع در کرج انجام شد. این تحقیق به صورت آزمایش فاکتوریل بر مبنای طرح آماری بلوکهای کامل تصادفی با چهار تکرار به مرحله اجرا درآمد. نتایج نشان داد که لاین VC-1973A بیشترین عملکرد دانه را به خود اختصاص داد و با توجه به زودرسی و هم زمان رسی نسبت به دو رقم دیگر برای برداشت مکانیزه ارجحیت دارد. تراکم کاشت بر عملکرد دانه ماش تأثیر بسیار معنیداری (01/0 > p) داشت، به طوری که تراکمهای 20 و 10 بوته در مترمربع به ترتیب بیشترین (2221kg/ha) و کمترین (1650kg/ha) عملکرد دانه را تولید کردند. از میان اجزای عملکرد، تنها تعداد غلاف در بوته تحت تأثیر تراکم واقع شد. مطالعات مربوط به همبستگی صفات نشان داد که تراکم با ارتفاع بوته و فاصله اولین غلاف از سطح زمین همبستگی مثبت و با عملکرد دانه در بوته، شاخص برداشت و تعداد شاخه فـرعی و غلاف در بـوته همبستگی مـنفی دارد. عـلاوه بـر ایـن به نـظر میرسد، تعداد غلاف در بوته که همبستگی بالایی (88/0 = r ) با عملکرد دانه در واحد سطح دارد، مهمترین جزء عملکرد ماش میباشد.
یعقوب حبیبزاده، محمدرضا زردشتی، علیرضا پیرزاد، جلال جلیلیان،
جلد 16، شماره 60 - ( 4-1391 )
چکیده
برای بررسی تأثیر رژیمهای مختلف آبیاری و قارچریشهها بر رشد و عملکرد لاین NM92 ماش سبز، یک آزمایش مزرعهای به صورت کرتهای خرد شده در قالب طرح بلوکهای کامل تصادفی (آبیاری پس از 50، 100، 150 و 200 میلیمتر تبخیر از تشتک تبخیرکلاس A به عنوان فاکتور اصلی و سه سطح قارچریشه، بدون مایهزنی با قارچ-ریشه، مایهزنی با گونههای Glomus mosseae و intraradices G. بهعنوان فاکتور فرعی)، با سه تکرار در مزرعه تحقیقاتی دانشگاه ارومیه و در سال 1388 انجام شد. نتایج نشان داد که آبیاری پس از 50 میلیمتر تبخیر از تشتک و مایهزنی با intraradices G. بیشترین عملکرد دانه (به ترتیب با 5/1678 و 6/1537 کیلوگرم در هکتار)، وزن خشک کل، وزن خشک برگ، شاخص سطح برگ، سرعت رشد محصول، سرعت رشد نسبی و میزان جذب خالص را داشت. در حالیکه آبیاری پس از 200 میلیمتر تبخیر از تشتک و در شرایط بدون تلقیح با قارچریشه کمترین عملکرد دانه (به ترتیب با 2/1154 و 9/1301 کیلوگرم در هکتار) را تولید کردند. با کاهش فواصل آبیاری، وزن خشک کل، وزن خشک برگ، شاخص سطح برگ، سرعت رشد محصول، سرعت رشد نسبی و میزان جذب خالص افزایش یافت. هر چند تنش کمآبی باعث کاهش عملکرد دانه شد، ولی تلقیح با قارچریشه شدت اثر آن را کاهش داد و کاربرد هر دو گونه قارچریشه موجب افزایش معنیدار (در سطح احتمال 5 درصد) عملکرد دانه نسبت به شاهد شد.
محمد حسین مختاری، احمد نجفی،
جلد 19، شماره 72 - ( 5-1394 )
چکیده
طبقهبندی و تهیه نقشه کاربریهای اراضی یکی از پرکاربردترین موارد در استفاده از دادههای سنجش از دور است. تعدادی از روشهای پیشرفتهتر طبقهبندی در دهههای گذشته توسعه پیداکردهاند که از آنها میتوان به شبکههای عصبی مصنوعی و ماشین بردار پشتیبان اشاره کرد. در این مطالعه از تصاویر لندستTM باقدرت تفکیک 30 متر جهت استخراج کاربریهای اراضی با استفاده از دو روش طبقهبندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان اقدام شد. نتایج، دقت بالای طبقهبندیهای شبکه عصبی و ماشین بردار پشتیبان با کرنل شعاعی، هر کدام بهترتیب با دقت کلی 67/90 و 67/91 درصد را نشان داد. ماشین بردار پشتیبان کلاسهایی را که دارای خصوصیات طیفی مشترک بودند بهتر تفکیک کرد. همچنین در قسمتهای مرزی دو نوع کاربری، ماشین بردار پشتیبان قابلیت جداسازی بهتری نسبت به شبکه عصبی داشت و مرز بین دو کلاس ملموس تر بود. با توجه به نتایج گرفته شده، هر دو روش شبکه عصبی و ماشین بردار پشتیبان برای طبقهبندی کاربریهای اراضی خوب بوده، اما روش ماشین بردار پشتیبان با اختلاف 1 درصد در دقت کلی و 2درصد در ضریب کاپا بهتر بود. دقت بالای ماشین بردار پشتیبان میتواند ناشی از مرز تصمیمگیری بهینه آن باشد درحالیکه شبکه عصبی نمیتواند این مرز را ایجاد کند.
ارشک حلی ساز، بهروز احمدی دوست، محمد کمانگر، آریان عاملی،
جلد 20، شماره 76 - ( 5-1395 )
چکیده
در دهههای اخیر، برنامههای کاربردی مدلسازی رقومی هیدرولوژیکی، ژئومورفولوژیکی، خاکشناسی و تحقیقات زیستشناسی همراه با کمک پیشرفت سریع سیستم اطلاعات جغرافیایی افزایش پیدا کرده است. مدلهای هیدرولوژیک به تغییر در مقادیر ورودی به مدل حساس هستند، لذا تغییر پیکسل سایز دادههای ورودی مقادیر خروجی مدلها را تحت تأثیر قرار میدهد و نتایج معنیدار متفاوت تولید میکنند. در این تحقیق با استفاده از نقشههای توپوگرافی با مقیاس مکانی 1:25,000 و 1:50,000 و با انتخاب ده پیکسل سایز (10، 15، 20، 25، 30، 50، 75، 80، 100 و 200) و همچنین با استفاده از نرمافزارهای Arc GIS و HEC-HMS، مقادیر خروجی مدل در برآورد دبی اوج سیلابی حوزه آبخیز جاماش در استان هرمزگان موردبررسی قرارگرفتهاند. نتایج تحقیق حاکی از آن است که دقت دبیهای اوج محاسبه شده توسط مدل HEC-HMS در نقشه با مقیاس مکانی 1:50000 بیشتر از دقت دبیهای اوج محاسبهشده توسط مدل در نقشه با مقیاس مکانی 1:25000 است. همچنین دقت دبیهای اوج محاسبهشده در پیکسل سایزهای کوچکتر (20 الی 50) بیشتر از پیکسل سایزهای بزرگتر است.
فریده عباس زاده افشار، شمس اله ایوبی، اعظم جعفری،
جلد 21، شماره 1 - ( 3-1396 )
چکیده
نقشه توزیع مکانی کلاسهای خاک برای استفاده مفید و مؤثر از خاک و تصمیمگیریهای مدیریتی مهم است. نقشهبرداری رقومی خاک (DSM) میتواند توزیع مکانی کمّی از کلاسهای خاک پیشبینی کند. مؤلفههای کلیدی و اصلی DSM، روشها و مجموعهای از متغیرهای کمکی محیطی مورد استفاده برای پیشبینی کلاسهای خاک هستند. این مطالعه به منظور تهیه نقشه رقومی گروههای بزرگ خاک با روش رگرسیون لجستیک چندجملهای با استفاده از دو مجموعه از متغیرهای کمکی شامل: مجموعه (1) متغیرهای مشتق شده از مدل رقومی ارتفاع، شاخصهای سنجش از دور و سطوح ژئومورفیک تفکیک شده در منطقه و مجموعه (2) متغیرهای مشتق شده از مدل رقومی ارتفاع، شاخصهای سنجش از دور، ژئومورفیک تفکیک شده و واحدهای خاک شناسایی شده (نقشه خاک) در بخشی از اراضی شهرستان بم استان کرمان طراحی گردید. یک طرح نمونهبرداری طبقهبندی شده تصادفی در منطقهای به مساحت صد هزار هکتار تعریف شد و درنهایت، ۱۲6 خاکرخ حفر و تشریح گردید. نتایج ارزیابی دقت مدل رگرسیون لجستیک چندجملهای با متغیرهای ورودی مختلف نشان داد که با وارد شدن نقشه خاک قدیمی در مدلسازی، شاخص های صحت مدل ازجمله صحت کلی وآماره کاپا به ترتیب از 71/0 و 65/0 به 79/0 و 74/0 افزایش یافت. همچنین نتایج نشان داد که در پیشبینی کلاس خاک، سطح ژئومرفولوژی در بین متغیرهای ورودی دو مجموعه، بهعنوان یک متغیر پیشبینی کننده قدرتمند است. بهطور کلی نتایج نشان داد که تکنیکهای نقشهبرداری رقومی میتوانند روش سنتی نقشهبرداری را ارتقاء بخشند، کاربرد نقشههای تولید شده را افزایش داده وهمچنین قابلیت استفاده این نقشهها را برای شاخههای علمی مختلف را امکانپذیر نماید.
کیومرث روشنگر، ریحانه ولیزاده،
جلد 21، شماره 2 - ( 5-1396 )
چکیده
پرش هیدرولیکی متداولترین روش جهت استهلاک انرژی جنبشی آب در پاییندست سرریزها، شوتها و دریچهها میباشد. در تحقیق کنونی مشخصات هیدرولیکی ازجمله نسبت اعماق متناوب، پرش هیدرولیکی واستهلاک انرژی در سه نوع کانال واگرای ناگهانی بهصورت بدون مانع، دارای پله معکوس و بلوک مرکزی با استفاده از روش ماشین بردار پشتیبان SVM که بهعنوان یک روش یادگیری ماشین میباشد تخمین زده شده و نرخ تأثیر پارامترهای ورودی در هر پرش مورد ارزیابی قرار گرفته است. بدینمنظور مدلهای مختلفی با استفاده از پارامترهای هیدرولیکی- هندسی تعریف شده و در کل تعداد 936 داده مشاهداتی برای آموزش و آزمون مدلهای سه نوع مختلف کانال واگرا استفاده گردید. همچنین عملکرد تعدادی از روابط نیمهتجربی موجود نیز مورد بررسی قرار گرفته و نتایج حاصل با مدلهای برتر SVM مقایسه گردید. نتایج حاصله ضمن تایید قابلیت روش ماشین بردار پشتیبان در تخمین مشخصات پرش هیدرولیکی، کارایی اینروش را نسبت به روابط نیمهتجربی به اثبات رساند. از نتایج بهدست آمده مشخص گردید، مدلی که بیشترین دقت را در تخمین نسبت اعماق متناوب و استهلاک انرژی داراست مدل با پارامترهای (Fr1,h1/B) و در تخمین طول پرش مدل با پارامترهای (Fr1, h2/h1) میباشد.
مهدی ماجدی اصل، مهدی فولادی پناه،
جلد 22، شماره 4 - ( 12-1397 )
چکیده
سرریزهای کنگرهای جزء سرریزهای غیرخطی هستند که میتوانند دبی را برای یک عرض مشخص و بدون افزایش بار آبی، افزایش دهند. امروزه سرریزهای کنگرهای بهعنوان گزینهای مناسب برای اصلاح سرریزهایی که برای عبور حداکثر سیل محتمل با مشکل روبهرو هستند، مطرح میشوند. الگوی سهبعدی جریان و نامحدود بودن تغییرات پارامترهای هندسی در سرریزهای کنگرهای، چالش بزرگی را برای طراحان این سرریز ایجاد کرده است. در این تحقیق عملکرد ماشین بردار پشتیبان (SVM) در برآورد ضریب دبی سرریزهای کنگرهای مثلثی لبه تیز بررسی و با داههای آزمایشگاهی مورد مقایسه و ارزیابی قرار گرفته است. بدینمنظور تعداد 123 سری داده آزمایشگاهی که شامل پارامترهای هندسی و هیدرولیکی از جمله زاویه رأس (θ)، نسبت بزرگنمایی (L/B)، نسبت بار آبی (h/w) ، عدد فرود (Fr) ، عدد وبر (We) و عدد رینولدز (Re) هستند، مورد استفاده قرار گرفتند. نتایج نشان داد که در ماشین بردار پشتیبان، ترکیب ورودی که فقط شامل پارامترهای هندسی (, h/w, L/Bθ) است، دارای بهترین نتایج با 974/0R2=، 0118/0RMSE=، 0112/0MAE= و 0170/0= MNE در مرحله آزمون دادهها است. همچنین برای این سرریزها معادلات رگرسیون غیرخطی و خطی چند جملهای ارائه شده است. در پایان ضریب دبی سرریزهای کنگرهای لبهتیز براساس معادله ریبوک، با روشهای SVM، رگرسیون غیرخطی و خطی، محاسبه و مقایسه شدند.
فرشید جهانبخشی، محمدرضا اختصاصی،
جلد 22، شماره 4 - ( 12-1397 )
چکیده
نقشههای کاربری/ پوشش اراضی ورودی پایه برای بسیاری از مدلهای شبیهسازی محیط طبیعی است؛ بنابراین، صحت نقشههای حاصل از طبقهبندی تصاویر ماهوارهای، عدم قطعیت را در مدلسازی کاهش میدهد. .این مطالعه با هدف ارزیابی صحت نقشههای کاربری اراضی تولید شده توسط روشهای طبقهبندی مبتنی بر یادگیری ماشین (الگوریتم جنگل تصادفی و ماشین بردار پشتیبان) و مقایسه آن با روش متداول بیشترین شباهت انجام شد. بدین منظور تصویر سنجنده OLI ماهواره لندست 8، مربوط به منطقه مورد مطالعه (حوضه سد ستارخان در آذربایجان شرقی)، پس از انجام تصحیحات اولیه، مورد استفاده قرار گرفت. پنج کاربری شهر، کشاورزی آبی، کشاورزی دیم، مرتع و پهنه آبی مورد توجه قرار گرفت. دادههای واقعیت زمینی در قالب دو مجموعه دادههای تعلیمی (70 درصد از نمونهها) و دادههای آزمون (30 درصد) برای انجام طبقهبندی نظارت شده استفاده شد. صحت نقشههای حاصل از سه الگوریتم، با استفاده از شاخصهای ارزیابی صحت مورد مقایسه قرار گرفت. همچنین بهمنظور بررسی اختلاف معنادار آماری میان نتایج طبقهبندی از آزمون مک- نمار استفاده شد. نتایج نشان داد، صحت کل برای روش ماشین بردار پشتیبان، جنگل تصادفی و بیشترین شباهت بهترتیب برابر با 6/96، 8/90 و 8/90 درصد و ضریب کاپا بهترتیب 934/0، 813/0 و 834/0 بوده است. نتایج آزمون مک- نمار نیز معناداری اختلاف عملکرد در سطح پنج درصد آماری روش ماشین بردار پشتیبان با دو روش دیگر را تأیید کرد.
ابراهیم شریفی گرمدره، مهدی وفاخواه، سیدسعید اسلامیان،
جلد 23، شماره 1 - ( 3-1398 )
چکیده
تخمین دبی سیلاب با دوره بازگشت مختلف، یکی از مهمترین عوامل لازم برای طراحی و اجرای سازههای آبی است. از طرفی بسیاری از رودخانههای موجود در حوضههای آبخیز ایران فاقد آمار و اطلاعات آبسنجی کامل و دقیق هستند. در چنین مواردی یکی از راه حلهای مناسب برای برآورد دبیهای سیلابی با دوره بازگشت مختلف، انجام تحلیل منطقهای سیلاب است. در پژوهش حاضر 55 ایستگاه آبسنجی مورد استفاده قرار گرفتند. برای اینمنظور ابتدا دبیهای حداکثر لحظهای ایستگاههای منتخب در دوره بازگشتهای مختلف با استفاده از نرمافزار Easy Fit برآورد شد. سپس متغیرهای مؤثر بر دبیهای سیلابی جمعآوری و متغیرهای ورودی مدل با استفاده از آزمون گاما و به کمک نرمافزار WinGamma تعیین شدند. درنهایت مدلسازی دادهها با استفاده از ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون چند متغیره غیرخطی انجام پذیرفت. ارزیابی کمی و کیفی نتایج با استفاده از آمارههای گوناگون از جمله آماره ناش- ساتکلیف نشان داد که روش مدلسازی ماشین بردار پشتیبان، از بیشترین دقت نسبت به دو روش مدلسازی دیگر بهمنظور پیشبینی دبیهای حداکثر لحظهای در حوضه آبخیز دریاچه نمک برخوردار است.
مهدی ماجدی اصل، سعیده ولیزاده،
جلد 23، شماره 4 - ( 10-1398 )
چکیده
آبشستگی موضعی حول فوندانسیون سازههای دریایی و هیدرولیکی یکی از مهمترین عوامل در ناپایداری و خرابی این سازهها است. همواره پیشبینی نادرست عمق آبشستگی حول پایه پلها باعث تحمیل ضررهای مالی در پلسازی و بهخطر افتادن جان انسانهای بسیاری شده است از اینرو براورد دقیق این پدیده پیچیده، اطراف پایه پلها لازم و ضروری است. از آنجایی که فرمولهای ارائه شده توسط محققین مختلف، مربوط به شرایط خاص آزمایشگاهی است، در شرایط دیگر کمتر صادق بوده و از دقت چندانی برخوردار نیستند. بهتازگی محققان زیادی تلاش کردند تا روشها و مدلهای جدیدی را با عنوان محاسبات نرم، در پیشبینی این پدیده مهم مورد بررسی قرار دهند. در این پژوهش، برای پیشبینی عمق آبشستگی اطراف پایه پل 146 سری داده آزمایشگاهی مختلف (در سه نوع شرایط آزمایشگاهی متفاوت) با استفاده از ماشین بردار پشتیبان مورد تحلیل قرار گرفت. این دادهها در قالب ترکیبات مختلف متشکل از پارامترهای ورودی و D هستند که بهترتیب، ضخامت زیر لایه لزج، عدد رینولدز، سرعت بحرانی، پارامتر شیلدز، سرعت برشی، سرعت متوسط، قطر متوسط ذرات، عمق اولیه جریان و قطر پایه پل معرفی میشوند. پارامترهای گفته شده در دو سناریو متفاوت (حالت بابعد و حالت بیبعد) وارد شبکه SVM شدند. برای ارزیابی کارایی ترکیبات از معیارهای آماری RMSE (جذر میانگین مربعات خطاها)، (مجذور ضریب همبستگی بین مقادیر آزمایشگاهی و پیشبینی) و DC (ضریب تعیین خطی بین مقادیر پیشبینی شده و آزمایشگاهی) استفاده شده است. نتایج حاصل از این ماشین با نتایج بهدست آمده از فرمولهای تجربی و روابط ارائه شده در همین تحقیق مقایسه شد. نتایج حاصل از این پیشبینی است. نتایج نشان میدهد، در سناریو اول ترکیب شماره 5 با پارامترهای ورودی بیبعد و و در سناریو دوم نیز ترکیب شماره 5 با پارامترهای ورودی بابعد و برای مرحله آزمون، بهعنوان برترین مدل انتخاب شدهاند. در نتیجه از نتایج چنین استنباط شد که سناریو دو (حالت بابعد) در پیشبینی عمق آبشستگی حول تک پایه قائم براورد دقیقتری نسبت به سناریو اول (حالت بیبعد) ارائه داده است. در پایان آنالیز حساسیت روی پارامترها انجام شد و پارامترهای بهترتیب و بهعنوان مؤثرترین پارامترها انتخاب شدند.
فریبرز یوسفوند، سعید شعبانلو،
جلد 23، شماره 4 - ( 12-1398 )
چکیده
در این مطالعه، سطح آب زیرزمینی در منطقه سراب قنبر- واقع در جنوب شهر کرمانشاه، کشور ایران- با استفاده از مدل موجک ماشین آموزش نیرومند خودتطبیقی (WA-SAELM) تخمین زده شد. برای توسعه مدل عددی از روش هوش مصنوعی و جدید ماشین آموزش نیرومند خودتطبیقی و تبدیل موجک استفاده شد. در ابتدا، با استفاده از تابع خودهمبستگی، خودهمبستگی نسبی و تأخیرهای مؤثر، هشت مدل مختلف SAELM و WA-SAELM متمایز توسعه داده شدند، سپس مقادیر تراز آب زیرزمینی چاه مشاهداتی نرمالسازی شدند. در ادامه، با تجزیهوتحلیل نتایج مدلسازی، بهینهترین خانواده موجک برای مدلسازی انتخاب شد. با ارزیابی نتایج مدلهای SAELM و WA-SAELM مشخص شد که مدلهای WA-SAELM در مقایسه با مدلهای SAELM مقادیر تابع هدف را با دقت بیشتری تخمین زدند. سپس مدل برتر بر اساس دقت آن در پیشبینی تراز آب زیرزمینی انتخاب شد. بهعنوان مثال در حالت تست، مقادیر R، MAE و NSC برای مدل برتر بهترتیب برابر 995/0، 988/0 و 990/0 محاسبه شدند. همچنین برای مدلهای عددی، تحلیل عدم قطعیت انجام و نشان داده شد که مدل برتر مقادیر مشاهداتی را کمتر از مقدار واقعی تخمین زده است.
مریم عسکری، علی اکبر کامگار حقیقی، علیرضا سپاسخواه، فاطمه رزاقی، مجید رخشنده رو،
جلد 24، شماره 3 - ( 9-1399 )
چکیده
پژوهش حاضر بهمنظور بررسی تأثیر سطوح مختلف آبیاری، خاکپوش آلی و روش کشت بر بهرهوری آب و محصول ماش در دشت باجگاه انجام شده است. طرح آزمایش در سال اول بهصورت بلوک کامل تصادفی و در سال دوم بهصورت بلوکهای دوبار خرد شده کامل تصادفی و در سه تکرار انجام شد. بررسیها نشان داد در تیمار آبیاری کامل (100 درصد)، با تغییر روش کشت از روی پشته به درون جویچه، محصول دانه به مقدار 2 درصد در سال اول و 5 درصد در سال دوم افزایش یافته است. همچنین نتایج در سال اول نشان داد که تفاوت معنیداری بین محصول دانه در تیمارهای بدون خاکپوش با آبیاری کامل و تیمار با خاکپوش با 75 درصد آبیاری وجود ندارد. با اضافه کردن خاکپوش به نوع کشتهای درون جویچه و روی پشته میتوان مقدار آب آبیاری را 25 درصد کاهش داد و درنهایت به محصولی با اختلاف کم در مقایسه با حالت بدون تنش آبی دست پیدا کرد. بیشترین بهرهوری آب مربوط به تیمار 50 درصد آبیاری کامل با روش کاشت درون جویچه با خاکپوش، معادل kg/m3 0/4 است. که نشاندهنده تولید محصول بیشتر بهازای واحد آب داده شده در صورت کاربرد توأم کمآبیاری و خاکپوش 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.
امیر حسین عظیمی، سعید شعبانلو، فریبرز یوسفوند، احمد رجبی، بهروز یعقوبی،
جلد 25، شماره 4 - ( 12-1400 )
چکیده
در این مطالعه، عمق حفره آبشستگی در پائین¬دست سرریزهای سنگی با شکل¬های مختلف J، I، U و W توسط یک روش نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیه¬سازی شد. داده¬های مشاهداتی به دو دسته آموزش (70 درصد) و تست (30 درصد) تقسیم شدند. سپس تابع فعال¬سازی بهینه برای شبیه¬سازی عمق آبشستگی در پائین¬دست سرریزهای سنگی انتخاب شد. در ادامه، با استفاده از پارامترهای ورودی که شامل نسبت طول سازه به عرض کانال (b/B)، عدد فرود تراکمی (Fd)، نسبت اختلاف عمق جریان بالادست و پائین¬دست سازه به ارتفاع سازه (Δy/hst) و فاکتور شکل سازه (φ)، یازده مدل مختلف ORELM برای تخمین عمق آبشستگی توسعه داده شدند. با انجام یک تحلیل حساسیت، مدل برتر و مؤثرترین پارامترهای ورودی شناسایی شدند. مدل برتر مقادیر آبشستگی¬ها را توسط پارامترهای بدون بعد b/B, Fd, Δy/hst شبیه¬سازی کرد. برای این مدل، مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF)و ضریب نش (NSC) برای مدل برتر در شرایط تست به¬ترتیب مساوی با 0/956، 91/378 و 0/908 بدست آمدند. همچنین، پارامترهای بدون بعد b/B, Δy/hst به¬عنوان مؤثرترین پارامترهای ورودی شناسایی شدند. همچنین، نتایج مدل برتر با مدل ماشین آموزش نیرومند نیز مقایسه شدند که مدل ORELM دقت بیشتری داشت. علاوه بر این، تحلیل عدم قطعیت نشان داد که مدل ORELM مقادیر آبشستگی¬ها را بیشتر از واقعیت تخمین زد. در ادامه، برای مدل برتر، یک تحلیل حساسیت مشتق نسبی (PDSA) اجرا گردید.
کمال قادری، بهارک معتمدوزیری، مهدی وفاخواه، امیراحمد دهقانی،
جلد 25، شماره 4 - ( 12-1400 )
چکیده
پیش¬بینی صحیح دبی سیل، برای طراحی سازههای هیدرولیکی، کاهش خطر شکست و به حداقل¬رساندن آسیبهای محیط زیستی پاییندست، از اهمیت زیادی برخوردار است. هدف از انجام این مطالعه، بررسی کاربرد روشهای یادگیری ماشین برای تحلیل منطقهای فراوانی سیلاب است. برای دستیابی به این هدف، 18 پارامتر فیزیوگرافی، اقلیمی، سنگ¬شناسی و کاربری اراضی برای حوضههای بالادست ایستگاههای هیدرومتری حوزههای آبخیز کرخه و کارون (46 ایستگاه با طول آماری 21 سال) درنظر گرفته شد. سپس، بهترین تابع توزیع احتمال با استفاده از آزمون کولموگروف- اسمیرنف در هر ایستگاه برای برآورد دبی سیل با دوره بازگشت 50 سال با استفاده از روشهای حداکثر درستنمایی و گشتاورهای خطی تعیین شد. درنهایت، تحلیل منطقهای فراوانی سیلاب با استفاده از درخت تصمیم، شبکه بیزی و شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که توزیع لوگ پیرسون تیپ 3 در روش حداکثر درستنمایی و توزیع نرمال تعمیمیافته در روش گشتاورهای خطی بهترین توزیع احتمالی منطقهای هستند. بر اساس آزمون گاما، پارامترهای محیط، طول حوضه، عامل شکل و طول جریان اصلی بهعنوان بهترین ترکیب ورودی انتخاب شدند. نتایج تحلیل منطقهای فراوانی سیلاب نشان داد که مدل بیزی با روش گشتاور خطی ((R2=0.7 بهترین برآورد را در مقایسه با روشهای دیگر دارد. درخت تصمیم و شبکه عصبی مصنوعی در ردههای بعدی قرار داشتند.
فاطمه گلاب کش، احد نظرپور، نوید قنواتی، تیمور بابایی نژاد،
جلد 26، شماره 2 - ( 6-1401 )
چکیده
هدف از پژوهش حاضر یافتن بهترین روش¬های بهره¬گیری از سنجش از دور و الگوریتم¬های طبقه¬بندی نظارت¬شده در پایش شوری بلندمدت در منطقه عتابیه در غرب استان خوزستان با وسعت 5000 هکتار است. شیوه کار بر پایه تفکیک سطوح مختلف خاک¬های شور بهوسیله اطلاعات حاصل از تصاویر ماهواره¬ای لندست 7 و 8 (۲۰۰۱ تا ۲۰۱۵) همراه با داده¬های شوری برداشت¬شده از منطقه مورد مطالعه، و شاخص¬های شوری SI1، SI2، SI3، NDSI، IPVI و VSSI است. نتایج بدست آمده از طبقه¬بندی تصاویر ماهواره¬ای نشان-دهنده گسترش روند محدوده¬های شور در خاک¬های منطقه مورد مطالعه بوده که در این بین، خاک¬های با EC بیشتر از 16 دسی¬زیمنس بر متر (بسیار شور)، بیشترین فراوانی را دارند. افزایش وسعت خاک¬های شور به میزان قابل توجهی در طی 15 سال رخ داده است، به-طوری که وسعت اراضی شور بیش از 90 درصد افزایش داشته است. بر اساس این مطالعه، تنها شاخص معنی¬دار در شوری خاک در سطح اطمینان %95، شاخص SI3 بوده که توانسته است تخمین مناسبی از تغییرات افزایشی خاک¬های منطقه داشته باشد. نتایج طبقه¬بندی نظارت¬شده نشان داد که ماشین بردار پشتیبان (با دقت کلی 95/78 و ضریب کاپا 0/89)، دارای دقت بیشتری است. پس از روش ماشین بردار پشتیبان به ترتیب روش¬های حداقل فاصله از میانگین، حداکثر احتمال شباهت و فاصله ماهالانوبیس دارای بیشترین دقت هستند. بر اساس نقشه¬های شوری بدست آمده در سال¬های 2001، 2005، 2010 و 2015 میلادی می¬توان گفت میزان شوری در تمام منطقه مورد مطالعه پیشروی داشته و همزمان وسعت شوری در کلاس¬های متوسط و زیاد توسعه بسیار زیادی داشته است. به¬طوری که وسعت شوری در کلاس بسیار زیاد در سال 2015 به تدریج نسبت به سال 2001 در تمام منطقه پراکنش داشته است.
بابک شاهی نژاد، عباس پارسایی، حجت الله یونسی، زهرا شمسی، آزاده ارشیا،
جلد 26، شماره 4 - ( 12-1401 )
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.
ثریا بندک، سید علیرضا موحدی نائینی، چوقی بایرام کمکی، محمد کاکوئی، جوکم ورلست،
جلد 27، شماره 3 - ( 9-1402 )
چکیده
کربن آلی خاک (SOC) که یکی از حیاتیترین خصوصیات فیزیکی و شیمیایی خاک است، نقش مهمی در تولید پایدار کشاورزی دارد و از تخریب و فرسایش خاک جلوگیری میکند. دادهکاوی و مدلسازی مکانی همراه با تکنیکهای یادگیری ماشینی بهمنظور بررسی میزان کربن آلی خاک مبتنی بر دادههای سنجش از دور بهصورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه بررسی تغییرات مقدار SOC با استفاده از تکنیک سنجش از دور در مقایسه با روشهای نمونهبرداری مزرعهای در مناطقی از گنبد کاووس و جنگل نیلی آزادشهر است. نمونههای خاک بهمنظور اندازهگیری مقدار SOC در آزمایشگاه جمعآوری شد. دادهها به دو دسته 70 درصد برای واسنجی (آموزشی) و 30 درصد اعتبارسنجی (آزمون) دستهبندی شدند و از الگوریتمهای یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، درخت تصمیم پیشرفته، و افزایش گرادیان اکسترمم برای برآورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیرهای کمکی پیشبینی کربن آلی خاک شامل باندها، شاخصهای منتج از ماهواره لندست 8 و سنتینل 2، اقلیم و توپوگرافی است. نتایج نشان داد که استخراج مؤلفههای مربوط به باندها همراه با محاسبه شاخصهایی مانند تفاوت پوشش گیاهی نرمال شده، شاخص خیسی، شاخص همواری دره بهعنوان متغیرهای کمکی نقش مهمی در برآورد صحیحتر مقدار ماده آلی خاک دارند. همچنین مقایسه رگرسیونهای مختلف تخمین نشان داد، مدل جنگل تصادفی در ماهواره سنتینل 2 و مدل درخت تصمیم پیشرفته در لندست 8 بهترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین خطای مطلق 0/64، 0/05 و 0/17 بهترین کارایی را نسبت به سایر رویکردهای استفاده شده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه کردند. نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری در تخمین مکانی کربن آلی خاک دلالت دارد و میتواند بهعنوان روشی جایگزین برای روشهای آزمایشگاهی در تعیین برخی ویژگیهای خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.
مهدی ماجدی اصل، توحید امیدپور علویان، مهدی کوهدرق، وحید شمسی،
جلد 27، شماره 3 - ( 9-1402 )
چکیده
سرریزهای غیرخطی ضمن دارا بودن مزیتهای اقتصادی، قابلیت عبوردهی بیشتری را نسبت به سرریزهای خطی دارند. این سرریزها با افزایش طول تاج در یک عرض مشخص، در مقایسه با سرریزهای خطی راندمان دبی بیشتر با ارتفاع آزاد کمتر را در بالادست دارند. الگوریتمهای هوشمند بهدلیل توانایی زیاد در کشف رابطههای دقیق پیچیدۀ مخفی بین پارامترهای مستقل مؤثر و پارامتر وابسته و همچنین صرفهجویی مالی و زمانی، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کردهاند. در این پژوهش عملکرد الگوریتمهای ماشینبردار پشتیبان (SVM) و برنامهریزی بیان ژن (GEP) در پیشبینی ضریب دبی سرریزهای غیرخطی قوسی به کمک 243 سری دادۀ آزمایشگاهی برای سناریو اول و 247 سری داده آزمایشگاهی برای سناریو دوم بررسی شده است. پارامترهای هندسی و هیدرولیکی استفاده شده شامل بار آبی (HT/p)، ارتفاع سرریز (P)، نسبت بار آبی کل ، زاویه سیکل قوسی (Ɵ)، زاویه دیواره سیکل(α) و ضریب دبی (Cd) است. نتایج هوش مصنوعی نشان داد که ترکیب پارامترهای (H_T/p ،α ،Ɵ و Cd) بهترتیب در الگوریتمهای GEP و SVM در مرحلۀ آموزش مربوط به سناریو اول (سرریز کنگره¬ای با زاویۀ دیوارۀ سیکل 6 درجه) بهترتیب برابر است با (0/9811=R2)، (RMSE=0/02120)، (DC=0/9807)، (R2=0/9896)، (RMSE=0/0189)، (DC=0/9871). (در سناریو دوم (سرریز کنگرهای با زاویۀ دیوارۀ سیکل 12 درجه) بهترتیب برابراست با (0/9770=R2)،(RMSE=0/0193)، (DC=0/9768) و (9908/0=R2)، (RMSE=0/0128)، (DC=0/9905) که در مقایسه با دیگر ترکیبها منجر به بهینهترین خروجی شده است که نشاندهنده دقت بسیار مطلوب هر دو الگوریتم در پیشبینی ضریب دبی سرریز غیرخطی قوسی است. نتایج آنالیز حساسیت نشان داد که پارامتر مؤثر در تعیین ضریب دبی سرریز غیرخطی قوسی در GEP و هم در SVM پارامتر نسبت بار آبی کل (HT/p) است. مقایسه نتایج این پژوهش با سایر پژوهشگران نشان میدهد که شاخصههای ارزیابی برای الگوریتمهای GEP و SVM پژوهش حاضر نسبت به سایر پژوهشگران برآورد بهتری دارند.