مقایسه کارایی مدلهای رگرسیونی، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در بررسی فرسایش بادی

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 163

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WSRCJ-12-1_006

تاریخ نمایه سازی: 11 مهر 1401

چکیده مقاله:

زمینه و هدف: فرسایش بادی در بخش بزرگی از پهنه ایران وجود داد که سبب تخریب اراضی و کاهش باروری آنها به همراه اثرات زیست محیطی شده است. شناخت مناطق حساس به فرسایش می تواند در برنامه ریزی های حفاظت خاک به کمک مدیران منابع طبیعی و محیط زیست آید.روش پژوهش: این تحقیق برای برآورد جزء فرسایش پذیر خاک در مقابل باد (EF) از روی ویژگی های سهل الوصول خاک دردشت الله ‎آباد واقع در شرق استان قزوین انجام شد. بدین منظور جزء فرسایش پذیر خاک در مقابل باد با استفاده از روش های رگرسیون چند متغیره (MLR)، شبکه عصبی مصنوعی (ANN) و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک برای بهینه سازی اوزان (GA-ANN) با به کار بردن ویژگی های سهل الوصول برآورد شد. با بررسی نقشه خاک، تفاوت خاک­ها و خصوصیات محیطی دشت الله آباد، ۱۰۳ نمونه خاک طبق یک الگوی تصادفی طبقه­ بندی شده از ۱۰ سانتی متری سطح آن‎ها، جمع آوری و به آزمایشگاه ارسال شد. در نمونه­های خاک، برخی خصوصیات خاک به عنوان ورودی­ های مدل­ های برآورد جزء فرسایش پذیر خاک در مقابل باد اندازه گیری گردید. ورودی­ های هر مدل شاملpH، ECe، CCE، SAR، جرم مخصوص ظاهری، ذرات شن، سیلت و رس، ذرات درشت خاک با قطر کمتر از ۲ میلی­متر و ماده آلی بودند. دقت و قابلیت اعتماد نتایج مدل‎ های ایجاد شده با توجه به معیارهای ضریب تبیین، مجذور مربعات خطا، آزمون مورگان-گرنجر- نیوبلد و شاخص آکایک مورد مقایسه قرار گفتند.یافته­ ها: طبق یافته ­ها، بیشترین همبستگی جزء فرسایش پذیر خاک در مقابل باد (EF) با مقدار رس خاک دیده شد (۷۸۹/۰- r=). همچنین جزء فرسایش پذیر خاک با خصوصیات دیگر خاک شامل pH، هدایت الکتریکی، SAR، مقدار ماده آلی و جرم مخصوص ظاهری، همبستگی نشان داد، این همبستگی با سه خصوصیت SAR، ماده آلی و رس در سطح یک درصد همبستگی معنی­ دار بود. مدل‎های ایجاد شده با هر سه روش توانایی بسیار بیشتری در پیش­بینی EF در سری داده ­های آزمون نسبت به داده ­های سری آموزش داشتند. همچنین نتایج نشان داد که مدل شبکه عصبی از دقت بیشتر و خطای تخمین کمتری در مقایسه با مدل­های هیبرید و رگرسیون به دست آمده است. نتایج آنالیز حساسیت نیز نشان داد که بیشترین حساسیت مدل به متغیرهای ورودی در مدل ANN، به ترتیب مربوط به ماده آلی و SAR و در مدل GA-ANN مربوط به متغیر میزان رس خاک بود.نتیجه ­گیری: بر طبق نتایج، تنها مدل رگرسیون در مرحله آموزش دارای R۲ بیشتر از ۵۰ درصد (R۲=۰.۵۶) در برآورد جزء فرسایش ­پذیری خاک بود که البته این مقدار (R۲=۰.۵۶) نیز قابل اعتماد نیست. با توجه به نتایج مرحله آزمون، هر سه مدل به کار رفته شامل رگرسیون، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در برآورد شاخص جزء فرسایش پذیر خاک از کارایی مناسبی برخوردار نمی باشند به طوری که بالاترین ضریب تبیین (R۲) در مدل شبکه عصبی در مرحله آزمون (R۲ = ۰.۴۳)، صحت کمتر از ۵۰ درصد در تخمین EF داشت که نمی ­تواند صحت مناسبی در پیش­بینی جزء فرسایش ­پذیری بادی خاک باشد.

کلیدواژه ها:

پرسپترون ، رس ، رگرسیون خطی چند متغیره ، ریزگرد ، ماده آلی

نویسندگان

شاهین ابراهیمی

دانشجوی دکتری، گروه خاکشناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

علی محمدی ترکاشوند

گروه علوم و مهندسی خاک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

مهرداد اسفندیاری

گروه علوم و مهندسی خاک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

عباس احمدی

گروه خاکشناسی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، 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 :
  • Ahmadi A. ۲۰۱۱. Artificial neural networks applicability in erosion and ...
  • Akaike, H (۱۹۷۴). "A new look at the statistical model ...
  • Ananani, M., Amirian Chakan, A., Faraji, M. Yousefi Khaneghah, S.H. ...
  • Ayoubi S, Shahri AP, Karchegani PM, Sahrawat KL (۲۰۱۱) Application ...
  • Azimzadeh, H.R., Ekhtesasi, M.R., Hatami, M., Qalibaf, M.A. (۲۰۰۲). Wind ...
  • Bayat, H. ۲۰۰۹. Establishment of transfer functions for predicting moisture ...
  • Besalatpour AA, Ayoubi S, Hajabbasi MA, Mosaddeghi MR, Schulin R ...
  • Besalatpour, A. A., S. Ayoubi, M. A. Hajabbasi, A. Yousefian ...
  • Black, G. R., and K. H. Hartge. ۱۹۸۶. Bulk Density. ...
  • Blanka, V., Mezõsi, G., and Meyer, B. ۲۰۱۳. Projected changes ...
  • Bouma J, ۱۹۸۹. Using soil survey data for quantitative land ...
  • Canasveras JC, Barrón V, Del Campillo MC, Torrent J, Gómez ...
  • Chandler D.G., K.E. Saxton and A.J. Busacca. ۲۰۰۵. Predicting wind ...
  • Chepil W, ۱۹۵۸. Soil conditions that influence wind erosion. USDATech, ...
  • Chepil W, ۱۹۶۰. Conservation of relative field erodibility to annual ...
  • Colazo, J.C. and Buschiazzo, D.E. ۲۰۱۰. Soil dry aggregate stability ...
  • Coppinger K D, Reiners W A, Burke I C and ...
  • Crowe A.M., McClean C.J., and Cresser M.S. ۲۰۰۶. An application ...
  • Eshtehardian E., Afshar A., and Abbasnia R. ۲۰۰۶. A genetic ...
  • Gee GW and Or D, ۲۰۰۲. Particle-size analysis. In: Warren ...
  • Gomez, L., J.L. Arrue, M.V. Lopez, G. Sterk, D. Richard, ...
  • Harvey, M.A.D.I., ۱۹۹۷. The evaluation of economic forecasts. Ph.D. Thesis, ...
  • Haykin, S. ۱۹۹۹. Neural Networks andLearning Machines. ۳rd edition, Pearson, ...
  • Hojjatnooghi, F., Shirani, H., Pazira, E., Besalatpour, A. ۲۰۱۹. Identification ...
  • Huang, M., Peng, G., Zhang, J., Zhang, S. ۲۰۰۶.Application of ...
  • Huawei P, David R. Huggins, Brenton. ۲۰۲۰. Wind erosion of ...
  • Khanbabakhani, L., Mohammadi Torkashvand, A. and Mohmoodi, M.A. ۲۰۱۸. Predictionof ...
  • Kim, M. and Gilley, J.E. ۲۰۱۸. Artificial Neural Network estimation ...
  • Klute, A.۱۹۸۶. Methods of Soil Analysis: Part ۱. Physical and ...
  • Kokelj, S. V., Lantz, T. C., Solomon, S., Pisaric, M. ...
  • Leenders J.K., Visser S.M., and Stroosnijder L. ۲۰۰۵. Farmers' perceptions ...
  • Liu S.h., Butler D., Brazier R., Heathwaite L., and Khu ...
  • Lo C.H., Chan P.T., Wong Y.K., Rad A.B., and Cheung ...
  • Lyles, L. and R. L. Schrandet. ۱۹۷۱. Wind erodibility as ...
  • Majdi, H., Karimian Iqbal, M., Karimzadeh, H.R., Jalalian, A. (۲۰۰۶). ...
  • Marashi, M., Mohammadi Torkashvand, A., Ahmadi, A., Esfandiari, M. ۲۰۱۷. ...
  • Marashi, M., Mohammadi Torkashvand, A., Ahmadi, A., Esfandiari, M. ۲۰۱۹. ...
  • Merdun, H., O. Cinar, R. Meral, and M. Apan. ۲۰۰۶. ...
  • Mezosi, G., Blanka, V., Bata۱, T., Kovács, F., and Meyer, ...
  • Minasny, B., Hopmans, J.W., Harter, T., Eching, S.O., Tuli, A. ...
  • Mohammadi Torkashvand, A. and Nikkami, D. ۲۰۰۸. Investigating some methodologies ...
  • Mohammadi Torkashvand, A., Haghighat, N. ۲۰۰۹. Investigation of some models ...
  • Mokhtari P, Ayoubi SH, Honarju N, Jalalian A (۲۰۱۱) Predicting ...
  • Munns, R., ۲۰۰۳. Comparative physiology of salt and water stress. ...
  • Munson, S. M., Belnap, J. and Okin, S. G., ۲۰۱۱. ...
  • Naghizade Asl F, Asgari HR, Emami H, Jafari M. ۲۰۱۹. ...
  • Nelson D W, and Sommers L E, ۱۹۸۲. Total carbon, ...
  • NeuroSolutions, ۲۰۰۵. Getting Started Manual Version ۴. Neurodimension, Inc.۱۸۰۰ N. ...
  • Nosrati, H. and Eftekhari, M. (۲۰۱۴). A new approach for ...
  • Palizvanzand H. and Ahmadi A. ۲۰۱۶. Comparison of linear regression, ...
  • Panayiotopoulos KP, Barbayiannis N, Papatolios K (۲۰۰۴) Influence of electrolyte ...
  • Qiang, M., Chen, F., Zhou, A., Xiao, S., Zhang, J., ...
  • Refahi, H. ۲۰۰۶. Soil Water Erosion and Control. Tehran University ...
  • Sarkar, T., Mishra, M. ۲۰۱۸. Soil erosion susceptibility mapping with ...
  • Shahabinejad N, Mahmoodabadi M, Jalalian A, Chavoshi E. ۲۰۱۹. The ...
  • Shahabinejad N, Mahmoodabadi M, Jalalian A, Chavoshi E. The Influence ...
  • Sirjani E, Sameni A, Moosavi AA, Mahmoodabadi M, Laurent B. ...
  • Sparks, D. and Bartels, J. ۱۹۹۶. Methods of soil analysis: ...
  • Stout, J. E., & Zobeck, T. M. (۱۹۹۶). Establishing the ...
  • Tung C., Hsu S., Liu C.M., and Li Sh.Jr. ۲۰۰۳. ...
  • Wösten, J.H.M., Pachepsky, Y.A., Rawls, W.J., ۲۰۰۱. Pedotransfer functions: bridging ...
  • Yan H, Wang H, Wang C, Zhang G, Patel N. ...
  • Yulevitch G, Danon B, Krasovitov B, Nitzan A, Swet A, ...
  • Zare Abyaneh H., Bayat Varkeshi M. Marofi S. Ildromi A.R. ...
  • Zobeck TM, Baddock M, Scott R, Pelt V, Tatarko J, ...
  • نمایش کامل مراجع