تخمین نقاط مهم رطوبتی با استفاده از مدل های رگرسیون بردار پشتیبان در منطقه شاهرود

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 950

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AHCONF01_052

تاریخ نمایه سازی: 19 خرداد 1396

چکیده مقاله:

از جمله پدیدههای اساسی در روابط آب و خاک، منحنی مشخصه رطوبتی است. علاوه بر آن، آگاهی از منحنی مشخصه رطوبتی خاک بویژه نقاط مهم ظرفیت زراعی و نقطه پژمرگی دایم از اهمیت زیادی در طراحی سیستمهای آبیاری برخوردارند. اندازه گی ریمستقیم این ویژگیها بسیار وقتگیر و پرهزینه است. با این وجود میتوان آنها را از روی برخ ی ویژگ یها ی زود یافت خاک مانند اجزای بافت خاک از طریق یکسری توابع انتقالی خاک، با دقت مناسبی تخمین زد. 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 روش رگرسیون بردار پشتیبان (SVR (در منطقه شاهرود پرداخته است. دادههای مورد استفاده از مرکز تحقیقات خاک شاهرود گرفته شده است. پس از نرمالسازی 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. در ادامه براساس تحلیل همبستگی از بین متغیرهای درصد شن (Sand ،(درصد رس (Clay ،(درصد سیلت (Silt ،(چگالی ظاهری خاک (bd (و درصد کربن آلی خاک (OC ،(پنج سناریو متفاوت برای متغیرهای ورودی جهت تخمین نقاط مهم رطوبتی انتخاب شد. سپس مدلسازی با روش مذکور انجام و نتایج مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل SVR ،برآوردهای قابل قبولی بهدنبال داشتهاست و میتواند ر.وش مناسبی برای برآورد نقاط مهم رطوبتی برای خاکهای منطقه شاهرود باشد. در بهترین سناریو مقادیر ضریب تعیین، میانگین جذر مجموع مجذور انحرافات خطا و ریشه میانگین مربعات خطا نرمال شده به ترتیب برابر با 85/0 ، 12/3 و 89/12 برای ظرفیت زراعی و 83/0 ، 58/1و 84/14برای نقطه پژمرگی، بیانگر دقت بالای مدلهای حاصل از روش رگرسیون بردار پشتیبان در پیشبینی نقاط مهم رطوبتی است.

کلیدواژه ها:

نویسندگان

امید نوروزی انگنایی

دانش آموخته کارشناسی ارشد مهندسیآبیاری و زهکشی دانشگاه زابل، ایران

صدیقه روح پرور

دانشجوی کارشناسی ارشد مهندسی آبیاری و زهکشی دانشگاه شیراز، ایران

محبوبه کریمی

دانشجوی کارشناسی ارشد مهندسی خاک دانشگاه شاهرود، 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 :
  • شیرانی، ح. برآورد برخی از نقاط منحنی مشخصه رطوبتی خاک ...
  • I2] جعفری گیلانده، ص. خداوردیلو، ح و رسول‌زاده، ع. کاربرد ...
  • ول‌ی، ع. می‌ری، م. و موح‌دی‌یا، ن. _ _ 88بح‌ی‌ل‌م‌قاسه ...
  • downscaling of daily precipitation using support vector Statisticalه [5] Chen, ...
  • Botula, Y. D. Nemes, A. Mafuka, P. Van Ranst, E. ...
  • Lin, G., Chen, G., Huang, P., and Chou, Y. (2009). ...
  • Hong W. C. 2011. :Traffic flow forecasting by seasonal SVR ...
  • Kaihua, L. Shaohui, X. Jichun , W. Qing , Z. ...
  • Minasny, B. and McBratney, A. B. The Neuro-m method for ...
  • Nguyen, P.M., De Pue, J. Van, K. L. and Cornelis, ...
  • structure on soil water retention estimates, Journal of Hydrology, 29: ...
  • Nemes, A. Schaap, M. G. and Wo sten, J. H. ...
  • Nooria, R. A.R., Karbassia, A., Moghaddamn iac, D., Hand, M.H., ...
  • Schaap, M. G. and Leij, F. J. Using neural networks ...
  • USDA-NRCS Soil Survey Laboratory Methods Manual. Soil Survey Investigations Report, ...
  • Vapnik, V. N., and Cortes, C. (1995). "Support vector networks." ...
  • Yin J., :Log P. (2011). Prediction for blocked tripe tides ...
  • 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