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

تحت نظارت وف ایرانی