ورود
مقالات فارسیISIکنفرانسهاژورنالها

مقایسه عملکرد شبکه های عصبی مصنوعی و برنامه ریزی بیان ژن در برآورد منحنی مشخصه آب در خاک های جنگلی

محل انتشار: مجله تحقیقات آب و خاک ایران، دوره: 52، شماره: 8
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 107

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/1658721

شناسه ملی سند علمی:

JR_IJSWR-52-8_007

تاریخ نمایه سازی: 31 اردیبهشت 1402

چکیده مقاله:

منحنی مشخصه آب خاک یکی از پارامترهای فیزیکی مهم و کاربردی در مطالعات مرتبط با جریان آب در خاک شناخته می­شود. روش مستقیم اندازه­گیری منحنی مشخصه آب خاک مستلزم صرف زمان و هزینه بالایی است. به همین دلیل روش­های غیرمستقیم متنوعی از جمله مدل­های هوشمند توسعه پیدا نموده­اند. در این تحقیق عملکرد سه روش شبکه­های عصبی پرسپترون چندلایه (MLP)، شبکه­های عصبی آبشاری (Cascade-NN) و برنامه­ریزی بیان ژن (GEP) در برآورد منحنی مشخصه آب خاک مورد ارزیابی و مقایسه قرار گرفت. در این پژوهش اطلاعات اندازه­گیری شده مربوط به تعداد ۱۰۸ نمونه خاک مناطق جنگلی شامل درصد توزیع اندازه ذرات خاک، مقادیر رطوبت در هفت مکش مختلف و جرم مخصوص ظاهری مورد استفاده قرار گرفت. سه سناریو شامل ترکیب­های مختلف از داده­های ورودی تعیین و مدل­های مذکور برای هر کدام اجرا شد. مقایسه مقادیر پیش­بینی شده و مشاهداتی رطوبت خاک نشان دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R۲ برای بهترین ساختار در سه روش شبکه­های عصبی MLP، Cascade-NN و GEP به ترتیب ۹۵/۰، ۹۶/۰ و ۹۳/۰ و مقادیر RMSE نیز به ترتیب ۷۴/۳، ۲۵/۳ و ۱۰/۴ درصد بود. مقایسه نتایج سناریوهای مختلف داده ورودی نیز نشان داد، دقت و اختلاف بین نتایج مدل­ها در سناریوی اول کم بود ولی در سناریوی دوم و سوم به ترتیب با اضافه شدن پارامترهای تخلخل و رطوبت نقطه ظرفیت زراعی به داده­های ورودی، دقت و از سوی دیگر اختلاف بین نتایج مدل­ها بیشتر شد. در نهایت شبکه­های عصبی آبشاری با استفاده از تمام داده­های فیزیکی اشاره شده به عنوان گزینه مطلوب شناخته شد.

کلیدواژه ها:

نویسندگان

محمد مهدی جعفری

گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

حسن اوجاقلو

استادیار-گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

مسعود کرباسی

دانشیار -گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، 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 :
  • Abbasi, A., Khalili, K., Behmanesh, J. and Shirzad, A. (۲۰۲۰). ...
  • Alidadi, N. and Mahdavian, A. (۲۰۱۸). Modeling the amplification ratio ...
  • Davari, M., Zalvaee, Z. and Mahmoodi, M. A. (۲۰۱۹). A ...
  • Emamgolizadeh, S., Bateni, S. M., Shahsavani, D., Ashrafi, T. and ...
  • Fahlman, S. E. and Lebiere, C. (۱۹۹۰). The cascade-correlation learning ...
  • Ferreira, C. (۲۰۰۱). Gene expression programming a new adaptive algorithm ...
  • Ferreira, C. (۲۰۰۶). Gene expression programming: mathematical modeling by an ...
  • Garg, A., Garg, A. and Tai, K. (۲۰۱۴). A multi-gene ...
  • Ghorbani Dashtaki, SH. and Homaei, M. (۲۰۰۲). Derivation of the ...
  • Haghverdi, A., Ghahraman, B., Joleini, M., Khoshnud Yazdi, A. A. ...
  • Jauhiainen, M. (۲۰۰۴). Relationships of particle size distribution curve, Soil ...
  • Jenadeleh, N., Nadian, H. A., Khalilimoghadam, B. and Ghorbani dashtaki, ...
  • Johari, A., Javadi, A. A. and habibagahi, G. (۲۰۱۱). modeling ...
  • Johari, A. and Hooshmand Nejad, A. (۲۰۱۵). Prediction of soil-water ...
  • Kia, M. (۲۰۰۹). Neural networks in matlab. Kian Rayan Sabz ...
  • Kisi, O., Shiri, J. and Tombul, M. (۲۰۱۳). Modeling rain ...
  • Lentzsch, P., Wieland, R. and Wirth, S. (۲۰۰۵). Application of ...
  • Mahmoudabadi, E., Karaimi, A. R., Haghnia, Gh. H. and Sepehr, ...
  • Merdun, H., Cinar, O., Meral, R. and Apan, M. (۲۰۰۶). ...
  • Mermoud, A. and Xu, D. (۲۰۰۶). Comparative analysis of three ...
  • Minasny, B. and McBratney, A. B. (۲۰۰۲). The neuro-m method ...
  • Mohammadi, J. (۲۰۰۲). Testing an artificial neural network for predicting ...
  • Moosavizadeh-Mojarrad, R. and Sepaskhah, A. R. (۲۰۱۱). Predicting soil water ...
  • Nikooee, E., Mirghafari, R., Habibagahi, G., Ghadamgahi Khorassani, A. and ...
  • Oliaei, M. S., Barikloo, A. and Servati, M. (۲۰۱۹). Performance ...
  • Rostamlou, M., Ojaghlou, H. and Karbasi, M. (۲۰۱۸). Compartion performance ...
  • Sarmadian, F., Taghizadeh Mehrjui, R. A. and Akbarzadeh, A. (۲۰۰۹). ...
  • Schaap, M. G., Leij, F. J. and Van Genuchten, M. ...
  • Shahinejad, B. and Dehaghani, R. (۲۰۱۸). Comparison of wavelet neural ...
  • Shiri, J., Sadraddini, A. A., Nazemi, A. H., Kisi, O., ...
  • Solgi, A., Zarei, H. and Golabi, M. R. (۲۰۱۷). Performance ...
  • Wosten, J. H. M., Pachepsky, Y. A. and Rawls, W. ...
  • Yosefi, M. and Poorshariaty, R. (۲۰۱۴). Suspended sediment estimation using ...
    • نمایش کامل مراجع