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

ESTIMATION OF SOIL DTPA-EXTRACTABLE ZINC USING ARTIFICIAL NEURAL NETWORKS

اعتبار موردنیاز: ۰ | تعداد صفحات: ۱ | تعداد نمایش خلاصه: ۲۰۷ | نظرات: ۰
سال انتشار: ۱۳۹۲
کد COI مقاله: NIAC01_317
زبان مقاله: انگلیسی
حجم فایل: ۵۶.۷۱ کلیوبایت
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

راهنمای دانلود فایل کامل این مقاله

اصل مقاله فوق در بانک مقالات سیویلیکا موجود نیست. مقالات کنفرانس‌های کشور توسط دبیرخانه‌های مربوط منتشر می‌شوند و در صورتی که اصل مقاله توسط دبیرخانه منتشر نشده باشد، امکان ارائه آن توسط سیویلیکا وجود ندارد. در صورتی که نویسنده این مقاله هستید، می‌توایند اصل مقاله را جهت درج در بانک مقالات به سیویلیکا ارسال نمایید.

خرید و دانلود PDF مقاله

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

مشخصات نویسندگان مقاله ESTIMATION OF SOIL DTPA-EXTRACTABLE ZINC USING ARTIFICIAL NEURAL NETWORKS

m berenjkoub - Department of Soil science, Faculty of Agriculture, Islamic Azad University- Khorasgan branch, Iran
m Hoodaji - Department of Soil science, Faculty of Agriculture, Islamic Azad University- Khorasgan branch, Iran
m Afyuni - Department of Soil science, Faculty of Agriculture, Islamic Azad University- Khorasgan branch, Iran

چکیده مقاله:

The utilisation and management of natural soil resources require regional and local planning supported by information on the physicochemical characteristics of different soil types(M.Alvarez and et.al, 2006). The distribution of metals among soil components is important for assessing the soils potential to supply sufficient micronutrients for the growth of plant and to retain toxic quantities of heavy metals. The degree of metal association with different geochemical phases strongly depends upon the physico-chemical conditions of the soils, basically pH, %CaCO3, cation-exchange capacity (CEC), nutrient status (competitive species in soil solution), organic matter content (OM) and texture (Kabata-Pendias,2001). The development of models simulating soil processes has increased rapidly in recent years. These models have been developed to improve the understanding of important soil processes and also to act as tools for evaluating agricultural and environmental problems. Consequently, simulation models are now regularly used in research and management(Minancy,2002). This study was conducted to develop predictive models to estimate the DTPA-extractable zinc concentration.MATERIALS AND METHODS soil samples were collected from 150 randomly selected cereal fields in the three provinces: Isfahan, Fars and Qom (from 50° 21′ to 53° 4′ E longitude and 28 °51 ′to 35 ° 6′ N latitude). Soil samples were taken from 0-20cm. The soils were analyzed for physico-chemical properties including pH, EC, %CaCO3, soil texture, organic matter, available phosphorus, total nitrogen, and concentration of total and available zinc. These soil variables were used as model inputs. Then, multiple linear regression and neural network model (fittingnet back-propagation network) were employed to develop a model for prediction of DTPA-extractable zinc concentration. Regression and neural networks analyses were done by means of the spss18 and Matlab8 software, respectively. The performances of the developed models were evaluated using various standard statistical performance evaluation criteria. The statistical measures were included the root mean square error (RMSE), model efficiency factor (MEF), mean absolute error (MAE), and correlation coefficient (R) between the measured and predicted DTPA-extractable zinc concentration values.RESULTS AND DISCUSSION The root mean square error(RMSE), mean absolute error (MAE), model efficiency factor (MEF) and correlation coefficient (R) between the measured and the estimated values using the ANN model were 0.025, 0.001, 0.88 and 0.94, respectively. Comparisons were made based on EF and correlation coefficient (R) between the measured and predicted values. In MLR analysis, the EF was -1.38 and a lower correlation coefficient of 0.38 was obtained in comparison with the ANN model. The performance comparison showed that ANN model have greater potential in predicting DTPA-extractable zinc concentration from soil characteristics, whereas linear regression methods did not perform well.

کلیدواژه‌ها:

DTPA-extractable zinc concentration, Artificial neural networks , Regression

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:
http://www.civilica.com/Paper-NIAC01-NIAC01_317.html
کد COI مقاله: NIAC01_317

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:
berenjkoub, m; m Hoodaji & m Afyuni, ۱۳۹۲, ESTIMATION OF SOIL DTPA-EXTRACTABLE ZINC USING ARTIFICIAL NEURAL NETWORKS, اولین کنفرانس بین المللی ایده های نو در کشاورزی, اصفهان, دانشگاه آزاد اسلامی واحد خوراسگان, http://www.civilica.com/Paper-NIAC01-NIAC01_317.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: (berenjkoub, m; m Hoodaji & m Afyuni, ۱۳۹۲)
برای بار دوم به بعد: (berenjkoub; Hoodaji & Afyuni, ۱۳۹۲)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه 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 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.