ارزیابی روش های آموزش شبکه عصبی MLP به منظور پیش بینی رطوبت خاک به کمک خصوصیات زود یافت خاک

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 623

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:

MPSA03_074

تاریخ نمایه سازی: 20 دی 1394

چکیده مقاله:

با وجود پیشرفت های تکنیکی و بهبود ابزار آلات مورد استفاده در اندازه گیری مستقیم خصوصیات خاک، فرآیند مذکورهمچنان زمان بر بوده و همراه با خطا می باشد. لذا در این مقاله کارایی شبکه عصبی مصنوعی به عنوان یک روش غیر مستقیم، برایپیش بینی رطوبت قابل دسترس خاک با استفاده از خصوصیات زود یافت مورد بررسی قرار گرفت. بدین منظور، ابتدا قطعه زمینی تحتکشت چغندر قند به مساحت 16 هکتار در محدوده مطالعاتی شیروان، استان خراسان شمالی انتخاب شد. سپس خصوصیات رطوبتقابل دسترس (AWC)، کربن آلی (SOC)، توزیع اندازه ذرات خاک، وزن مخصوص ظاهری (BD)، اسیدیته (pH) و هدایتالکتریکی (EC) با استفاده از روش های استاندارد، در 100 نمونه مشاهداتی به صورت یک شبکه منظم 40x40 متر اندازه گیریشدند. در ادامه، تست های آماری سری داده ها از نظر نرمال بودن بررسی شده و همبستگی بین متغیر ها محاسبه گردید. سپس شبکهعصبی با اجرای سه الگوریتم Bayesian Regulization, Levenberg-Marquardt و Scaled Conjugate Gradiantآموزش داده شد. در مرحله بعد، پارامتر های آماری میانگین مربعات خطا (MSE)، ضریب همبستگی در سطح 5 درصد (r) و مقدارbias برای اعتبار سنجی هر الگوریتم محاسبه گردید. نتایج حاصل از این پژوهش نشان دادند که الگوریتم Bayesian Regulization - با خطای (MSE=6/3027E-5)، ضریب همبستگی (*r=0/9147) و (bias=0/0013) بهترین عملکرد رادر بین الگوریتم های آموزش شبکه عصبی پرسپترون چند لایه (MLP) دارد. بنابراین می توان نتیجه گرفت که روش های شبکه عصبیمصنوعی برای تخمین و پیش بینی پدیده ها با ماهیت غیر خطی و مبهم مانند رطوبت خاک از کارایی بالایی برخوردار می باشند.

نویسندگان

بهزاد باقری شیروان

دانشجوی کارشناسی ارشد مهندسی عمران- GIS دانشگاه فردوسی مشهد

روزبه شاد

استادیار گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد

مرجان قائمی

استادیار گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد

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 :
  • رضایی، ارشد..، صیاد، روح اله غلامعباس، مظلوم، مسعود، شرفا، مهدی. ...
  • Leij, F., M.G. Schaap and L.M. Arya. 2002. Water retention ...
  • Schaap, M.G. Leij F.J. and van Genuchten M.Th. (1998). Neural ...
  • Tamari, S., J.H.M. Wosten and J.C. Ruiz-Suarez. 1996. Testing an ...
  • Anagu, I., Ingwersen, J., Utermann, J. and Streck, T. (2009). ...
  • Arya L.M. and Paris J.F. (1981). A physico -empirical model ...
  • Behrens, T., Forster, H., Scholten, T., Steinriken, U., Spies, E. ...
  • Bilgili, M. (2010). Prediction of soil temperature using regression and ...
  • Bilgili, M., Sahin, B. and Sangun, L. (2013). Estimating soil ...
  • Blake, G.R. and Hartge, K.H. (1986). Bulk Density. In: Klute, ...
  • Bouma, J. and Van Lanen, H. A. J. (1995). Transfer ...
  • Brooks R.H. and Corey A.T. (1964). Hydraulic properties of porous ...
  • Cornelis W.M., Ronsyn J., Van Meirvenne M. and Hartmann R. ...
  • Gandhimathi, A. and Meenambal, T. (2012). Analysis of heavy metal ...
  • Gee, G.W. and Bauder J.W. (1986). Particle Size Analysis. In: ...
  • Ghaemi, M., Astaraei, A.R., Emami, H., Nassiri Mahalati, M. and ...
  • Guang-ming, Z., Hong-wei, L.U., Xiang-can , J.I.N. and Min, X.U. ...
  • Gupta S.C. and Larson W.E. (1979). Estimating soil water retention ...
  • Hagan, M., Demuth, H., Beale, M, (1996). Neural Network Design. ...
  • Klute, A. and Dirkson, C, (1986). Hydraulic Conductivity and Diffiusivity: ...
  • Minasny, B., Hopmans, J.W., Harter, T., Eching, S.O., Tuli, A. ...
  • Pachepsky Y.A., Timlin D. and Varallyay G. (1996D). Artificial neural ...
  • Rawls, W.J. and Brakensiek, D.L. (1982). Estimating soil water retention ...
  • Richards, L.A. (1954). Diagnosis and Improvement of Saline and Alkali ...
  • Rogers, L.L., Dowla, F.U. and Johnson, V.M. (1995). Optimal Field-Scale ...
  • Tabari, H., Sabziparvar, A.A. and Ahmadi, M. (2011). Comparison of ...
  • Van Genuchten, M.T.H. (1980). A closed form equation for predicting ...
  • Walkely, A. and Black, I.A. (1934). An examination of the ...
  • Westen, J.H.M., Lilly, A., Nemes A. and Le Bas . ...
  • نمایش کامل مراجع