مهشید سوری؛ میرفرهاد بلورفروش؛ هیراد عبقری؛ جواد معتمدی؛ بهناز عطائیان
دوره 27، شماره 3 ، مهر 1399، ، صفحه 369-409
چکیده
در صورت بهره‌برداری مداوم از علوفه مرتع در صورتی که عناصر مهمی همانند NPC به خاک برنگردد، موجب می‌شود اراضی مرتعی حاصلخیزی خود را از دست بدهند. بنابراین، امروزه در حوزه مدیریت مراتع، اصلاح و احیاء مراتع اهمیت بالایی پیدا کرده است. یکی از روشهای اصلاح مراتع، کودپاشی می‌باشد. اگر عملیات کودپاشی متناسب با شرایط اقلیمی، وضعیت پوشش و خصوصیات ...
بیشتر
در صورت بهره‌برداری مداوم از علوفه مرتع در صورتی که عناصر مهمی همانند NPC به خاک برنگردد، موجب می‌شود اراضی مرتعی حاصلخیزی خود را از دست بدهند. بنابراین، امروزه در حوزه مدیریت مراتع، اصلاح و احیاء مراتع اهمیت بالایی پیدا کرده است. یکی از روشهای اصلاح مراتع، کودپاشی می‌باشد. اگر عملیات کودپاشی متناسب با شرایط اقلیمی، وضعیت پوشش و خصوصیات خاک انجام شود، باعث بهبود مرتع می‌گردد. در غیر این صورت سبب افزایش غلظت املاح و سمی شدن خاک، آلودگی آب‌ها و خشک شدن گیاهان می‌شود. هدف از این پژوهش ارائه مدلی مبتنی بر استفاده از شبکه عصبی مصنوعی است که روابط بین کربن آلی، نیتروژن و فسفر خاک مرتع و عوامل گیاهی و ادافیکی مؤثر بر آن را بیان کند که بر مبنای نتایج آن، بتوان در زیست‌بوم‌های مرتعی فاقد آمار، عناصر مذکور را به‌منظور مدیریت کودپاشی برآورد نمود. در این پژوهش متغیرهای وابسته شامل کربن آلی، نیتروژن و فسفر خاک مراتع نازلوچای ارومیه بودند. هشت عامل هدایت الکتریکی، اسیدیته، درصد رس، درصد سیلت، درصد شن، میزان آهک، تولید و درصد تاج پوشش گیاهان مرتعی نیز به‌منظور انجام تحلیل عاملی انتخاب گردیدند. سپس با استفاده از شبکه عصبی پرسپترون چند لایه با توابع انتقالی سیگموئید و تانژانت هیپربولیک و آکسون خطی در لایه پنهان و تابع انتقال خطی در لایه خروجی، میزان کربن آلی، نیتروژن و فسفر خاک مراتع تخمین زده شد. نتایج نشان داد که تابع انتقال سیگموئید برای نیتروژن، فسفر و کربن آلی خاک مرتع با ضریب تبیین به‌ترتیب 70/0، 66/0 و 79/0 و میانگین مربعات خطای به‌ترتیب 008/0، 21/0 و 08/0 نسبت به تابع انتقال تانژانت هیپربولیک و آکسون توانسته است بخوبی کربن آلی، نیتروژن و فسفر خاک مرتع را مدل‌سازی کند. بنابراین با توجه به نتایج مذکور، شبکه عصبی توانست با دقت بالایی میزان کربن آلی، نیتروژن و فسفر خاک مرتع را در تیپ‌های مرتعی که فاقد نمونه‌برداری مقادیر NPC بودند، پیشبینی کند. در مورد کودپاشی در تیپ‌های مرتعی فاقد آمار، بر اساس میزان نیتروژن، فسفر و کربن آلی تخمین زده شده خاک تصمیم‌گیری شد. بدین صورت کهبر اساس نتایج، تیپ گیاهی Astragalus gummifera- prangos uloptera-Bromus tomentellus نیاز به کود فسفره و نیتروژنه دارد. تیپ گیاهی Onobrychis cornuta- Festuca ovina-Thymus kotschyanus نیازمند کود فسفره و تیپ گیاهی Astragalus macrostachys- Noeae mucronata-Stipa barbata به مواد آلی و کود نیتروژنه و فسفره نیاز دارد.
بهاره جبالبارزی؛ آرش ملکیان
دوره 26، شماره 2 ، تیر 1398، ، صفحه 292-301
چکیده
مدل‌سازی و پیشبینی سطح ایستابی چاه‌ها یکی از کار‌های اساسی برایرسیدن به مدیریت بهینه منابع آب می‌باشد. یکی از راه‌های پیشبینی سطح آب زیرزمینی استفاده از تکنیک‌های هوش مصنوعی نظیر شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن می‌باشد. هدف از این پژوهش بررسی کارایی روش شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن در پیشبینی سطح ایستابی ...
بیشتر
مدل‌سازی و پیشبینی سطح ایستابی چاه‌ها یکی از کار‌های اساسی برایرسیدن به مدیریت بهینه منابع آب می‌باشد. یکی از راه‌های پیشبینی سطح آب زیرزمینی استفاده از تکنیک‌های هوش مصنوعی نظیر شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن می‌باشد. هدف از این پژوهش بررسی کارایی روش شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن در پیشبینی سطح ایستابی آب زیرزمینی آبخوان دشت جیرفت می‌باشد. به این منظور از داده‌های سطح ایستابی 65 چاه موجود در آبخوان دشت جیرفت برای یک دوره یازده ساله استفاده شد. سطح ایستابی چاه‌ها توسط هر یک از تکنیک‌های شبکه عصبی و برنامه‌ریزی بیان ژن بهطور جداگانه شبیهسازی شد و در انتها از آمارههای ریشه میانگین مربعات خطا، میانگین مطلق خطا، شاخص تطابق و R2 برای تعیین دقت پیشبینی هر کدام از روشها استفاده شد. نتایج این پژوهش کارایی و دقت بالای هر دو تکنیک شبکه عصبی و برنامه‌ریزی بیان ژن را در پیشبینی سطح ایستابی چاههای منطقه نشان داد. ضریب همبستگی در روش شبکه عصبی مصنوعی برابر با 96/0 و در روش برنامه‌ریزی بیان ژن برابر با 72/0 شد که نشان دهنده این است روش شبکه عصبی مصنوعی در این تحقیق دقت بالاتری را در پراکنش داده‌های دشت جیرفت طی سال های 1381-1391 دارا می‌باشد.
مهدی تازه؛ مریم اسدی؛ روح الله تقی زاده مهرجردی؛ سعیده کلانتری؛ مجید صادقی نیا
دوره 25، شماره 1 ، فروردین 1397، ، صفحه 29-43
چکیده
نقشه‌های ژئومورفولوژی یکی از اصلی‌‌ترین لایه‌های اطلاعاتی در مطالعات منابع طبیعی می‌باشد. تاکنون روشهای مختلفی جهت طبقه‌ببندی و تفکیک واحدها و تیپ‌های مختلف ژئومرفولوژی ارائه شده، که اغلب آن‌ها بر پایه اطلاعات کیفی و توصیفی می‌باشد. دراین مطالعه قابلیت استفاده از پارامترهای ژئومرفومتری در تفکیک واحد کوهستان از دشت‌سر و ...
بیشتر
نقشه‌های ژئومورفولوژی یکی از اصلی‌‌ترین لایه‌های اطلاعاتی در مطالعات منابع طبیعی می‌باشد. تاکنون روشهای مختلفی جهت طبقه‌ببندی و تفکیک واحدها و تیپ‌های مختلف ژئومرفولوژی ارائه شده، که اغلب آن‌ها بر پایه اطلاعات کیفی و توصیفی می‌باشد. دراین مطالعه قابلیت استفاده از پارامترهای ژئومرفومتری در تفکیک واحد کوهستان از دشت‌سر و همچنین تفکیک تیپ‌های مختلف دشت‌سر بررسی شده است. ابتدا نقشه واقعیت زمینی با استفاده از تفسیر چشمی داده‌های ماهواره‌ای و نقشه توپوگرافی تهیه و سپس شبکه نمونه‌برداری 1000 نقطه‌ای به صورت تصادفی طراحی شد. پارامترهای انحنای مقطع، انحنای سطح، تانژانت انحنا، انحنای متقاطع، انحنای طول و انحنای عمومی از مدل رقومی ارتفاعی و با استفاده از ابزار الحاقی DEM surface در در نرم‌افزار GIS تهیه شد و سپس مقادیر آن‌ها در تمامی نقاط شبکه نمونه‌برداری استخراج گردید. سپس از شبکه عصبی مصنوعی با ساختار 13_6_ 4 به منظور تفکیک تیپ‌ها استفاده گردید. نتایج نشان داد که امکان تفکیک تیپ‌های دشت‌سر لخت از اپانداژ با استفاده از شبکه عصبی مصنوعی وجود داشته ولی تفکیک دشت‌سر اپانداژ از پوشیده به خوبی صورت نمی‌گیرد. بدین منظور جهت بهبود عملکرد شبکه، اقدام به اضافه کردن ارزش رقومی داده‌های ماهواره‌ای لندست ۷ به مقادیر قبلی گردید. استفاده از این شبکه با در نظر گرفتن همزمان پارامترهای ژئومرفومتری و تصاویر ماهواره‌ای، دقت تفکیک واحد کوهستان، دشت‌سر لخت، دشت‌سر اپانداژ، دشت‌سر پوشیده را به ترتیب 90 ، 79، 80، 76 درصد دارای صحت می‌باشد.
لیلا خلاصی اهوازی؛ محمدعلی زارع چاهوکی
دوره 23، شماره 2 ، شهریور 1395، ، صفحه 287-275
چکیده
شبکه عصبی مصنوعی، ساختارهای پردازش اطلاعاتی جدیدی هستند که از روشهای مخصوص شبکههای عصبی بیولوژیک استفاده می‌کنند. هدف از این مطالعه مدل‌سازی پراکنش گونه Seidlitziarosmarinus در مراتع شمال شرق سمنان با استفاده از مدل شبکه عصبی است. بدین منظور برای نمونه‌برداری از پوشش گیاهی در هر تیپ رویشی، 3 ترانسکت 750 متری مستقر و در هر ترانسکت 15 پلات ...
بیشتر
شبکه عصبی مصنوعی، ساختارهای پردازش اطلاعاتی جدیدی هستند که از روشهای مخصوص شبکههای عصبی بیولوژیک استفاده می‌کنند. هدف از این مطالعه مدل‌سازی پراکنش گونه Seidlitziarosmarinus در مراتع شمال شرق سمنان با استفاده از مدل شبکه عصبی است. بدین منظور برای نمونه‌برداری از پوشش گیاهی در هر تیپ رویشی، 3 ترانسکت 750 متری مستقر و در هر ترانسکت 15 پلات با فواصل50 متر مستقر شد. نمونه‌برداری از خاک با توجه به مرز تفکیک افق‌ها در منطقه و نوع گیاهان موجود از دو عمق 20-0 و 80-20 سانتی‌متر انجام شد. برای تهیۀ نقشۀ پیشبینی پراکنش گونه‌های گیاهی، به فراهم کردن لایه‌های عوامل محیطی مورد استفاده در مدل نیاز است. برای نقشه‌بندی خصوصیات خاک، روش زمین‌آمار براساس مدل پیشبینی بدست‌آمده برای گونه S.rosmarinus (روش ANN) استفاده شد. برای اجرای مدل شبکه عصبی، الگوریتم پس انتشار خطا با شبکه طراحی شده پرسپترون سه لایه‌ای با ساختار 1-10-7 و دارای هفت نرون در لایه ورودی، ده نرون در لایه میانی و یک نرون در لایه خروجی استفاده شد. میزان تطابق نقشۀ تهیه شده با نقشۀ واقعیت زمینی نیز با استفاده از ضریب کاپا محاسبه شد که نشان‌دهنده تطابق خیلی خوب بود (ضریب کاپای 72/0). نتایج نشان داد گونه S.rosmarinus در مناطق با اسیدیته 3/8-1/8، هدایت الکتریکی 26/0-22/0 دسی‌زیمنس بر متر، بافت لومی-شنی و در ارتفاع 1750-1600 متر از سطح دریا پراکنش دارد و با میزان اسیدیته و آهک رابطه مستقیم دارد.
محسن یوسفی؛ لیلا کاشی زنوزی
دوره 22، شماره 2 ، مرداد 1394، ، صفحه 240-250
چکیده
هدف از این مطالعه تعیین برخی عوامل تأثیر گذار بر پدیده طوفان گردوغبار با استفاده از روشهای مختلف است. به‌منظور تعیین مناسب‌ترین ترکیب ورودی، از روشهای کاهش متغیر از قبیل تحلیل عاملی (حداکثر احتمال، تجزیه مؤلفه‌های اصلی)، آزمون گاما و رگرسیون چند متغیره استفاده شد. هر کدام از روشهای مذکور ترکیب متفاوتی را ارائه نمودند که هر ...
بیشتر
هدف از این مطالعه تعیین برخی عوامل تأثیر گذار بر پدیده طوفان گردوغبار با استفاده از روشهای مختلف است. به‌منظور تعیین مناسب‌ترین ترکیب ورودی، از روشهای کاهش متغیر از قبیل تحلیل عاملی (حداکثر احتمال، تجزیه مؤلفه‌های اصلی)، آزمون گاما و رگرسیون چند متغیره استفاده شد. هر کدام از روشهای مذکور ترکیب متفاوتی را ارائه نمودند که هر کدام از این ترکیبها در مدل شبکه عصبی پیشخور پس انتشار با توابع آموزشی لورنبرگ مارکوآت استفاده شد که رگرسیون گام به گام با 87/0R²= و 04/0RMSE= مناسب‌ترین ترکیب را برای مدل شبکه عصبی معرفی نمود همچنین دادهها را بهصورت ماهانه و فصلی با استفاده از مناسب‌ترین ورودی به شبکه اعمال شد و شبیهسازی پدیده طوفان گردوغبار در فصلهای تابستان و بهار و در ماههای اردیبهشت، فروردین، خرداد، تیر، شهریور و مرداد با شاخص‌های آماری ضریب همبستگی بالاتر و میانگین مربعات خطای پایینتر بدلیل پراکنش مناسب داده‌های طوفان گرد و غبار انجام شد. نتایج تحقیق نشان داد که بر اساس روشهای بهکار رفته، بیشترین تأثیر بر پدیده طوفان گرد و غبار را در استان یزد، عوامل سرعت باد غالب، دید افقی، تداوم و میانگین سرعت باد به عهده دارند
محمدرضا جمالیزاده تاج‌آبادی؛ علیرضا مقدم نیا؛ جمشید پیری؛ محمدرضا اختصاصی
دوره 17، شماره 2 ، شهریور 1389، ، صفحه 205-220
چکیده
طوفانهای گرد و خاک یکی از انواع رایج حوادث و فرایندهای اقلیمی در مناطق خشک، نیمهخشک و بیابانی دنیا هستند. این طوفانها هر ساله خسارتهای مالی زیادی را بر منابع انسانی وارد میسازند. پیشبینی زمان وقوع این پدیده میتواند برای اتخاذ تدابیر پیشگیرانه در مقابل خسارتهای بهداشتی، ترابری، نظامی و غیره مؤثر واقع شود. شبکههای ...
بیشتر
طوفانهای گرد و خاک یکی از انواع رایج حوادث و فرایندهای اقلیمی در مناطق خشک، نیمهخشک و بیابانی دنیا هستند. این طوفانها هر ساله خسارتهای مالی زیادی را بر منابع انسانی وارد میسازند. پیشبینی زمان وقوع این پدیده میتواند برای اتخاذ تدابیر پیشگیرانه در مقابل خسارتهای بهداشتی، ترابری، نظامی و غیره مؤثر واقع شود. شبکههای عصبی مصنوعی روشی است که میتواند برای پیشبینی روندهای غیرخطی و فرایندهایی که درک کاملی از نحوهی وقوع آن‌ها وجود ندارد، مورد استفاده قرار گیرد. در مقالهی حاضر سعی شده است تا با استفاده از این روش به پیشبینی وقوع طوفان گرد و خاک و نیز میزان دید حداقل روزانه در شهر زابل با استفاده از داده‌های هواشناسی پرداخته شود. نتایج بدست‌آمده در پیشبینی کوتاهمدت وقوع طوفانها موفقیت بیشتری نشان میدهند (96/0=d)، اگرچه با بیشترشدن زمان پیشبینی، از دقت نتایج کاسته می‌شود (95/0=d). در حالی که در پیشبینی میزان دید موفقیت کمتری بهدستآمد (88/0=d). بنابراین به نظر میرسد با شناخت بهتر فرایند این طوفانها بتوان پیشبینیهای دقیقتری را با استفاده از این شبکهها انجام داد.
