امید اشکریز؛ بابک میرباقری؛ علی اکبر متکان؛ علیرضا شکیبا
چکیده
سابقه و هدف: روند رشد شهری در دهه های اخیر تسریع شده است . بنابراین پیش بینی الگوی رشد آینده شهر برای جلوگیری از برخیمشکل های محیط زیستی، اقتصادی و اجتماعی از اهمیت بالایی برخوردار است. شهر تبریز نیز به دلیل تغییرات جمعیتی قابل توجه از رشد سریع زمین های شهری برخوردار بوده و بنابراین نیازمند شبیه سازی دقیق رشد شهری برای جلوگیری از پیامدهای ...
بیشتر
سابقه و هدف: روند رشد شهری در دهه های اخیر تسریع شده است . بنابراین پیش بینی الگوی رشد آینده شهر برای جلوگیری از برخیمشکل های محیط زیستی، اقتصادی و اجتماعی از اهمیت بالایی برخوردار است. شهر تبریز نیز به دلیل تغییرات جمعیتی قابل توجه از رشد سریع زمین های شهری برخوردار بوده و بنابراین نیازمند شبیه سازی دقیق رشد شهری برای جلوگیری از پیامدهای منفی محیط زیستی و اقتصادی می باشد. هدف این پژوهش ، ارزیابی دقت الگوریتم های مطرح یادگیری ماشین با روش اعتبارسنجی متقابل مکانی و تلفیق آنها با مدل سلول های خودکار جهت شبیه سازی رشد زمین های شهری است .مواد و رو ش ها: در این پژوهش جهت تحلیل تغییرات کاربری زمین های شهری تصاویر ماهواره ای لندست مربوط به سال های 1376،1385 و 1394 با استفاده از روش ماشین بردار پشتیبان طبقه بندی شدند. در گام بعدی تولید نقشه های پتانسیل تغییر زمین های غیرشهری به شهر با استفاده از الگوریتم های جنگل تصادفی، ماشین بردار پشتیبان و شبکه عصبی پرسپترون چند لایه برای دو دوره کالیبراسیون (سال های 1376 - 1385 ) و اعتبارسنجی (سا ل های 1385 - 1394 ) براساس لایه های اطلاعاتی فاصله از معابر اصلی، فاصله ازمرکز شهر، فاصله از زمین های ساخته شده، فاصله از رودخانه و راه آهن و همچنین لایه های شیب، ارتفاع و لایه دو کلاسه کاربری شامل کاربری کشاورزی (با مقدار صفر) و بایر (با مقدار یک)، انجام شد. در پژوهش حاضر جهت جلوگیری از بیش برازش الگوریتم ها به نمونه های آموزشی و در نتیجه به دست آمدن نتایج خوش بینانه، از روش اعتبارسنجی متقابل مکانی با هدف کاهش همبستگی مکانی میان داده های آموزشی و آزمایشی، در فرایند استخراج پارامترهای بهینه الگوریتم های یادگیری ماشین استفاده گردید. در نهایت با استفاده از مدل سلول های خودکار، شبیه سازی رشد شهر تبریز براساس نقشه های کاربری زمین ها و پتانسیل تغییر به دست آمده از الگوریتم های یادگیری ماشین برای دوره های بیان شده انجام شد.نتایج و بحث: نتایج نشان داد الگوریتم جنگل تصادفی با مقدار مساحت زیر منحنی ROC معادل 9228 / 0 نسبت به الگوریتم های ماشین بردار پشتیبان و شبکه عصبی مصنوعی به ترتیب با مساحت های 8951 / 0 و 8726 / 0، عملکرد بهتری در برآورد پتانسیل تغییر زمین های غیر شهری به شهر داشته است. همچنین این الگوریتم در مقایسه با سایر الگوریتم ها تغییرات محلی در پتانسیل تغییر را به صورت بارزتری استخراج کرده است. در نهایت رشد شهر تبریز با استفاده از مدل سلول های خودکار بر مبنای نقشه های پتانسیل تغییر به دست آمده شبیه سازی شد . مقایسه نقشه پیش بینی در دوره اعتبارسنجی با وضع موجود زمین های شهری در سال 1394 نشان داد که شبیه سازی رشد شهری با مدل سلول های خودکار مبتنی بر جنگل تصادفی با مقدار سنجه سازگاری 3569 / 0 نسبت به مدل های مبتنی بر بردار پشتیبان و شبکه عصبی به ترتیب با مقادیر سنجه سازگاری 3496 / 0 و 3434 / 0د ر اختصاص زمین های غیرشهری به شهری دقیق تر بوده است.نتیجه گیری: توانایی الگوریتم های یادگیری ماشین نظیر شبکه های عصبی مصنوعی، ماشین بردار پشتیبان و جنگل تصادفی در حلمسئله های غیر خطی، استفاده از آنها را در شبیه سازی رشد زمین ها ی شهری اجتناب ناپذیر می سازد. در این میان در تحقیق حاضرالگوریتم جنگل تصادفی که اساس آن بر یادگیری جمعی استوار است از مزیت بالاتری نسبت به دو الگوریتم ماشین بردار پشتیبان و شبکه عصبی مصنوعی برخوردار بوده است .
سیدجواد حسینی فرد؛ حسین شیرانی؛ سمیه صدر؛ حکیمه هاشمی پور
چکیده
سابقه و هدف: افزایش روز افزون غلظت فلزهای سنگین در محیط زیست، سبب ایجاد نگرانی‌های جدی محیط زیستی شده است. کادمیم یکی از سمی‌ترین عنصرهای سنگین برای موجودهای زنده است که نقش زیستی ندارد. تاکنون در مورد وضعیت عنصرهای سنگین در خاک باغ‌های پسته و شناسایی عاملهای خاکی مؤثر بر آنها، پژوهش‌های چندانی انجام نشده است. بنابراین، ...
بیشتر
سابقه و هدف: افزایش روز افزون غلظت فلزهای سنگین در محیط زیست، سبب ایجاد نگرانی‌های جدی محیط زیستی شده است. کادمیم یکی از سمی‌ترین عنصرهای سنگین برای موجودهای زنده است که نقش زیستی ندارد. تاکنون در مورد وضعیت عنصرهای سنگین در خاک باغ‌های پسته و شناسایی عاملهای خاکی مؤثر بر آنها، پژوهش‌های چندانی انجام نشده است. بنابراین، هدف از انجام این پژوهش، تعیین رابطه کادمیم عصاره‌گیری شده با دی تی پی اِ در خاک با دیگر ویژگی های فیزیکی و شیمیایی خاک، در خاک‌های کشاورزی شهرستان رفسنجان به کمک مدل‌سازی مبتنی بر روش رگرسیون گام‌به‌گام و شبکه عصبی مصنوعی بود. مواد و روش‌ها: در این تحقیق 140 نمونه خاک از دو عمق صفر تا 40 و 40 تا 80 سانتی‌متری از باغ‌های پسته‌ی شش منطقه از حومه‌ی رفسنجان تهیه شد. ویژگی‌های خاک شامل غلظت کادمیم و روی قابل‌جذب در خاک با استفاده از روشدی تی پی اِ، غلظت فسفر به روش اولسن، درصد شن، رس و سیلت خاک به روش هیدرومتر، pH و رسانایی الکتریکی عصاره اشباع خاک بترتیب توسط دستگاه‌های pH متر و EC متر اندازه‌گیری شدند. بمنظور بررسی رابطه‌ی بین کادمیم قابل جذب و ویژگی های فیزیکی و شیمیایی خاک، از روش رگرسیون گام‌به‌گام و شبکه‌ی عصبی مصنوعی (پیش‌خور چندلایه) استفاده شد. نتایج و بحث: نتایج نشان داد که بین فسفر و درصد رس با کادمیم خاک، همبستگی مثبت و معنی‌دار، بین Cd-DTPA با pH و درصد رس خاک، همبستگی منفی و معنی‌دار و بین کادمیم قابل جذب با روی قابل جذب، روی کل و کادمیم کل خاک همبستگی مثبت معنی‌داری وجود دارد. همچنین نتایج نشان داد که هر دو روش مدل‌سازی از دقت مناسبی برای تخمین غلظت کادمیم در خاک برخوردارند اگرچه مدل شبکه عصبی دقت خیلی بیشتری داشت. ضریب تبیین و ریشه میانگین خطا برای مدل شبکه عصبی برای داده‌های آزمون بترتیب 84.3 درصد و 0.01 و برای مدل رگرسیون گام به گام 27.2 درصد و درصد1.43 بود. همچنین غلظت کادمیم، بیشترین حساسیت را به غلظت روی در خاک نشان داد و دیگر پارامترهای رس، pH، فسفر، EC و شن بترتیب، در درجه بعدی از اهمیت قرار داشتند. این نتایج تایید می‌کند که در باغ های پسته بدلیل مصرف کودهای حاوی روی و افزایش مصرف کودهای فسفاته که دارای ناخالصی زیادی از نظر مقدار کادمیم هستند، افزایش غلظت کادمیم در خاک باغ های پسته مشاهده می‌شود. نتیجه گیری: کودهای شیمیایی روی و فسفر مورد استفاده در باغ‌های پسته دارای ناخالصی قابل‌توجهی از کادمیم هستند که در اثر استفاده بی‌رویه و درازمدت می‌توانند سبب آلودگی خاک نسبت به کادمیم و جذب این عنصر سمی در گیاه و میوه پسته شوند. بنابراین باید ضمن رعایت استانداردهای ملی و بین المللی در تولید و واردات کودها، استفاده از این کودها نیز براساس نیاز و با تحلیل و تفسیر نتایج تجزیه خاک و برگ، بهینه باشد تا خطر آلودگی میوه پسته به کادمیم کاهش یابد.
سید جواد ساداتی نژاد؛ سمیه انگبینی؛ محمد رضا مزدیان فرد
دوره 8، شماره 2 ، دی 1389
چکیده
تعیین تبخیر تعرق واقعی یکی ازمهم ترین اجزاء مطالعه سیکل هیدرولوژی و طراحی ومدییت سیستم های آبیاری کشاورزی است. در این تحقیق کارایی مدل های هوشمند مثل منطق فلازی ، رگرسیون فازی و شبکه عصبی مصنوعی برای تخمین تبخیر و تعریق روزانه را بررسی و با مقادیر واقعی و مشاهده اندازه گیری شده در سیستم بر اساس گیاه مرجع چمن در منطقه اکباتان همدان ...
بیشتر
تعیین تبخیر تعرق واقعی یکی ازمهم ترین اجزاء مطالعه سیکل هیدرولوژی و طراحی ومدییت سیستم های آبیاری کشاورزی است. در این تحقیق کارایی مدل های هوشمند مثل منطق فلازی ، رگرسیون فازی و شبکه عصبی مصنوعی برای تخمین تبخیر و تعریق روزانه را بررسی و با مقادیر واقعی و مشاهده اندازه گیری شده در سیستم بر اساس گیاه مرجع چمن در منطقه اکباتان همدان در غرب ایران مقایسه گردیده است. داده های مورد استفاده درمدل های هوشمند عبارت است از حداکثر و حداقل درجه حرارت ، حداکثر و حداقل رطوبت نسبی ، سرعت باد و ساعت آفتابی در ایستگاه هواشناسی همدان ، مقدار Rmse در روش منطق فازی ، رگرسیون فازی و روش شبکه عصبی مصنوعی به ترتیب برابر با 72/0 ، 86/0 و 74/0 میلی متر در روز و هم چنین مقدار2R به ترتیب برابر 88/0، 86/0 و 84/0 می باشد . بر اساس نتایج بدست آمده روش منطق فازی بهترین روش در بین مدل های هوشمند استفاده شده برای بر آورد تبخیر و تعرق روزانه می باشد.
