جستجو در مقالات منتشر شده


2 نتیجه برای ماشین یادگیری

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.
 


میثم باقری فر، مریم حافظ پرست،
جلد 29، شماره 4 - ( 10-1404 )
چکیده

پیش‌بینی جریان رودخانه یکی از جنبه‌های کلیدی هیدرولوژی است که نقش بسزایی در مدیریت منابع آب، کاهش خطرات ناشی از سیل و برنامه‌ریزی کشاورزی ایفا می‌کند. هدف اصلی این مطالعه، شبیه‌سازی دقیق و پیش‌بینی جریان ماهانه رودخانه رازاور در استان کرمانشاه، با توسعه و ارزیابی مدل ترکیبی ماشین یادگیری افراطی (ELM) بهینه‌سازی‌شده توسط الگوریتم‌های فراابتکاری نهنگ (WOA) و ملخ (GOA) است. برای این منظور، داده‌های ماهانه جریان رودخانه، بارندگی، تبخیر و دما برای یک بازه زمانی ۱۰ساله با گام زمانی ماهانه جمع‌آوری و در بازه عددی صفر تا یک نرمال‌سازی شدند. 80 درصد داده‌ها برای آموزش و 20 درصد باقی‌مانده برای ارزیابی مدل‌ها استفاده شد. عملکرد مدل‌ها با شاخص‌های آماریNSE ، RMSE و R² سنجیده شد. ابتدا مدل پایه ELM با استفاده از روش سعی و خطا برای تنظیم وزن‌های بین لایه‌های پنهان و خروجی توسعه یافت. سپس، الگوریتم‌های WOA و GOA برای بهینه‌سازی وزن‌ها به کار گرفته شدند. نتایج نشان داد که مدل پایه ELM نسبت به مدل‌های بهینه‌سازی‌شده عملکرد ضعیف‌تری دارد (آموزش:0/1427=R2=0/7911 ،NSE=0/7795 ،RSME ، تست: 0/1406=R2=0/7916 ،NSE=0/7811 ،RSME. مدل GOA-ELM نسبت به مدل ELM عملکرد بهتر اما نسبت به مدل WOA-ELM عملکرد ضعیف‌تری داشت (آموزش:0/1366 =R2=0/7922 ،NSE= 0/7855 ،RSME ، تست: 7R2=0/7925 ،NSE=0/7859 ،0/1328= .(RSME مدل WOA-ELM نسبت به همه مدل‌ها عملکرد بهتری دارد (آموزش: 0/1215=R2=0/793 ،NSE=0/7869 ،RSME،تست: 0/1165  =R2=0/7933 ،NSE=0/7872 ،RSME). این پژوهش نشان می‌دهد که الگوریتم‌های بهینه‌سازی فراابتکاری به دلیل توانایی جستجوی جامع و جلوگیری از گرفتار شدن در بهینه‌های محلی، نقش مهمی در بهبود عملکرد مدل‌های پیش‌بینی جریان رودخانه دارند. یافته‌های این مطالعه، بر اهمیت به‌کارگیری این تکنیک‌ها در مدیریت منابع آب و برنامه‌ریزی پایدار تأکید می‌کند و زمینه‌ساز پژوهش‌های آتی در این حوزه خواهد بود.


صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به مجله علوم آب و خاک دانشگاه صنعتی اصفهان می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2026 CC BY-NC 4.0 | Journal of Water and Soil Science

Designed & Developed by: Yektaweb