CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

مقایسه مدل هوش مصنوعی و رگرسیونی در پیش بینی نیتروژن آلی ذره ایPOM-N با استفاده از ویژگی های زودیافت خاک

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۳ | تعداد نمایش خلاصه: ۳۸ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: AETCONF05_004
زبان مقاله: فارسی
حجم فایل: ۷۵۸.۰۹ کیلوبایت (فایل این مقاله در ۱۳ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۳ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۳ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه مدل هوش مصنوعی و رگرسیونی در پیش بینی نیتروژن آلی ذره ایPOM-N با استفاده از ویژگی های زودیافت خاک

  مهدی پرچم افشان - گروه مهندسی محیط زیست موسسه آموزش عالی صبا ارومیه
  بهنام بهرامی - گروه مهندسی محیط زیست موسسه آموزش عالی صبا ارومیه
    حسین رضایی - گروه مهندسی محیط زیست موسسه آموزش عالی صبا ارومیه

چکیده مقاله:

نیتروژن آلی ذره ای بخشی از ماده آلی است که به دلیل داشتن زمان بازگشت کوتاه و نیز غنی بودن از عناصر غذایی یکی از شاخص های مهم کیفیت خاک به حساب می آید. هدف از این مطالعه مقایسه مدل رگرسیون چند متغیره، شبکه عصبی تطبیقی-فازی و شبکه عصبی مصنوعی در برآورد نیتروژن آلی ذره ای خاک به کمک ویژگی های زودیافت خاک(درصد رس، درصد سیلت، درصد کربن آلی، وزن مخصوص ظاهری، اسیدیته، هدایت اکتریکی و وزن مخصوص ظاهری) می باشد. به این منظور حوزه آبخیز خرابه سنجی ارومیه با کاربری مرتع انتخاب و نمونه برداری از 60 نقطه و از عمق 0-15 سانتی متری انجام شد. در نهایت مدل رگرسیون چندمتغیره، شبکه عصبی مصنوعی و شبکه عصبی تطبیقی-فازی بین این ویژگی ها و درصد نیتروژن آلی ذره ای خاک، برقرار و نتایج مطالعه نشان داد که مدل رگرسیونی توانست 35 درصد از تغییرات مکانی نیتروژن آلی ذره ای و مدل شبکه عصبی مصنوعی حدود 58 درصد از تغییرات و مدل شبکه عصبی تطبیقی-فازی 81 درصد از تغییرات را توجیه نماید. همچنین بر اساس معیارهای مجذور میانگین مربعات خطا و ضریب کارایی که در مدل رگرسیونی به ترتیب 0/24 و 0/32 و در مدل شبکه عصبی مصنوعی به ترتیب 0/37 و 0/51 و در مدل شبکه عصبی تطبیقی-فازی به ترتیب 0/18 و 0/62 می باشند. مدل شبکه عصبی تطبیقی_ فازی به عنوان مدلی با دقت بالاتر در پیش بینی نیتروژن آلی ذره ای نسبت به آنالیز رگرسیون خطی چند متغیره و شبکه عصبی مصنوعی می باشد.

کلیدواژه‌ها:

مرتع، رگرسیون جند متغیره، شبکه عصبی مصتوعی، شبکه عصبی تطبیقی-فازی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-AETCONF05-AETCONF05_004.html
کد COI مقاله: AETCONF05_004

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
پرچم افشان, مهدی؛ بهنام بهرامی و حسین رضایی، ۱۳۹۶، مقایسه مدل هوش مصنوعی و رگرسیونی در پیش بینی نیتروژن آلی ذره ایPOM-N با استفاده از ویژگی های زودیافت خاک، پنجمین کنفرانس بین المللی ایده های نوین در کشاورزی، محیط زیست و گردشگری، تهران، موسسه حامیان زیست اندیش محیط آرمانی، https://www.civilica.com/Paper-AETCONF05-AETCONF05_004.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (پرچم افشان, مهدی؛ بهنام بهرامی و حسین رضایی، ۱۳۹۶)
برای بار دوم به بعد: (پرچم افشان؛ بهرامی و رضایی، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: موسسه غیرانتفاعی
تعداد مقالات: ۹۰
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات پیشنهادی مرتبط

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.