مقایسه یافته های مدل شبکه استنتاج تطبیقی عصبی فازی به منظور برآورد نقاط مهم رطوبتی در منطقه سد سیستان

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,079

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AHCONF01_051

تاریخ نمایه سازی: 19 خرداد 1396

چکیده مقاله:

آگاهی از نقاط مهم رطوبتی خاک، برای مطالعات آبیاری در مزرعه بسیار مهم و ضروری میباشد اما اندازه گیری 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 به روش در منطقه سیستان پرداخته است. بدین منظور 110 نقطه با میانگین فاصله حدود 80 متر از یکدیگر در سطح مزرعه سد سیستان مشخص گردید. سپس از عمق سطحی (0-15 سانتیمتر) نمونههای دست خورده و دست نخورده خاک جمعآوری شد و برای اندازهگیری خصوصیات فیزیکو شیمیایی و هیدرولیکی خاک به آزمایشگاه منتقل گشت و خصوصیات زودیافت خاک شامل بافت خاک (درصد سیلت، شن و رس)، جرم مخصوص ظاهری و موادآلی خاک اندازهگیری شد. ظرفیت زراعی و نقطه پژمردگی دایم با استفاده از دستگاه صفحات فشاری بهدست آمد. پس از جمعآوری 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 روش شبکه استنتاج عصبی-فازی (ANFIS (انجام و نتایج مورد ارزیابی قرار گرفت. در بهترین مدل مقادیر ضریب تعیین، میانگین جذر مجموع مجذور انحرافات خطا و ریشه میانگین مربعات خطا نرمال شده، به ترتیب برابر با 37/0 ، 024/0 و 82/10 برای ظرفیت زراعی و 20/0 ، 028/0 و 68/12 برای نقطه پژمردگی، بدست آمده است که سطح این مدلها خوب تعریف میشود. مقادیر خطای مدل در دادههای آزمون، نسبتا پایین بود، اما پایین بودن مقادیر ضریب تعیین نشاندهنده کارایی نهچندان مناسب مدل ANFIS در شبیهسازی نقاط رطوبتی خاک در مطالعه حاضر است.

نویسندگان

امید نوروزی انگنایی

دانش آموخته کارشناسی ارشد مهندسی آب دانشگاه زابل، ایران

معصومه دلبری

دانشیار گروه آب دانشگاه زابل، ایران

پیمان افراسیاب

دانشیار گروه آب دانشگاه زابل، ایران

سلمان شریف آذری

مربی گروه 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