مقایسه یافته های مدل های رگرسیونی با مدل شبکه استنتاج تطبیقی عصبی فازی به منظور برآورد ظرفیت زراعی و نقطه پژمردگی دایم در منطقه شاهرود

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,350

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AHCONF01_050

تاریخ نمایه سازی: 19 خرداد 1396

چکیده مقاله:

آگاهی از گنجایش زراعی و نقطه پژمردگی دایم، برای مطالعات آبیاری در مزرعه بسیار مهم و ضروری میباشد اما اندازهگیری آنها به روش مستقیم بسیار پرهزینه و وقتگیر است. توابع انتقالی میتواند روش مناسبی برای تخمین این پارامترها باشد. تحقیق حاضر به برآورد نقاط مهم رطوبتی شامل ظرفیت زراعی و نقطه پژمردگی دایم بهوسیله پارامترهای زودیافت شامل درصد (رس، شن و سیلت) چگالی ظاهری و مواد آلی با دو روش شبکه عصبی و رگرسیون خطی چندمتغیره در منطقه شاهرود پرداخته است. داده های مورد استفاده از مرکز تحقیقات خاک شاهرود گرفته شده است. پس از مرتبسازی دادههای مورد نظر جدول ضریب همبستگی متغیرهای ورودی احتمالی با خروجیهای مورد نظر تشکیل شد و معنیداری همبستگی متغیرهای ورودی و خروجی از نظر آماری بررسیگردید. پس از نرمالسازی دادهها، مدلسازی با دو روش شبکه استنتاج عصبی-فازی و رگرسیونی انجام و نتایج مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل ANFIS ،برآوردهای بهتری نسبت به روش سنتی رگرسیون خطی چندمتغیره دارد، اما این تفاوت قابل توجه 2 نیست و سطح مدلها تعغیری نکرد. مقادیرR ،NRMSE و MSD در بهترین مدلها برای انفیس و رگرسیون به ترتیب برابر 64/0 ، ،دایم پژمردگی نقطه برای 2/73 ، 25/63 ، 0/45 و 2/57 ، 24/14 ، 0/54 و زراعی ظرفیت برای 4/53 ،18/67 ،0/50 و 3/87 ،15/96تفاوت قابل توجهای را نشان نمیدهد.

نویسندگان

امید نوروزی انگنایی

دانش آموخته کارشناسی ارشد مهندسی آب دانشگاه زابل، ایران

محمدجواد خلفی

دانشجوی کارشناسی ارشد آبخیزداری دانشگاه زابل، ایران

محبوبه کریمی

دانشجوی کارشناسی ارشد خاک دانشگاه شاهرود، ایران

اقبال قادری گهر

دانش آموخته کارشناسی ارشد مهندسی آب دانشگاه زابل، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ا اسدی، ل. هزارجریبی، ا. قربانی، خ. ذاکری نیا، م ...
  • سبزواری، ع.، زارع ابیانه، ح. و بیات ورکشی، م. مقایسه ...
  • محمدی، ج. و طاهری، س م. برازش توابع تقالی خاک ...
  • شیرانی، ح. برآورد برخی از نقاط منحنی مشخصه رطوبتی خاک ...
  • ا جعفری گیلانده، ص. خداوردیلو، ح و رسول‌زاده، ع. کاربرد ...
  • Baker, L. and Ellison, D. Optimisation of pedotransfer functions using ...
  • Botula, Y. D. Nemes, A. Mafuka, P. Van Ranst, E. ...
  • Cassel, D. K. and Nielsen, D. R. Field capacity and ...
  • Firoozi, S., Sheikhdavoodi, M. J. and Sami, M. Evaluation the ...
  • modeling techniques in prediction of yield using energy inputs data ...
  • Gee, G. W. and Bauder, J. W. Particle-size analysis, hydrometer ...
  • Ki anpur-Kalkhaj eh, U., Rezaie-Arshad, R., Amerikhah, H. and Sami. ...
  • Minasny, B. and McBratney, A. B. The Neuro-m method for ...
  • Nguyen, P.M., De Pue, J. Van, K. L. and Cornelis, ...
  • Nemes, A. Schaap, M. G. and Wo sten, J. H. ...
  • Sarmadian, F., Tagh izadeh-Mehrj erdi, R., M _ h ammad-Askar ...
  • Schaap, M. G. and Leij, F. J. Using neural networks ...
  • USDA-NRCS Soil Survey Laboratory Methods Manual. Soil Survey Investigations Report, ...
  • Zhang, Y. X. Artificial neural networks based on principal component ...
  • Guang-ming Z, Hong-wei L, Xiang-can J, XU M. Assessment of ...
  • نمایش کامل مراجع