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

مقایسه مدل های ” رگراسیون چند متغیره تطبیقی ” و ” شبکه های عصبی مصنوعی ” در پیش بینی آب قابل جذب گیاه

اعتبار موردنیاز: ۱ | تعداد صفحات: ۳ | تعداد نمایش خلاصه: ۲۰۹۵ | نظرات: ۰
سرفصل ارائه مقاله: فن آوریهای جدید در علوم خاک
سال انتشار: ۱۳۸۴
نوع ارائه: پوستر
کد COI مقاله: SSCI09_620
زبان مقاله: فارسی
حجم فایل: ۱۲۸.۳ 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 مقایسه مدل های ” رگراسیون چند متغیره تطبیقی ” و ” شبکه های عصبی مصنوعی ” در پیش بینی آب قابل جذب گیاه

  جواد گیوی - عضو هیئت علمی گروه خاکشناسی دانشکده کشاورزی دانشگاه شهرکرد
شیو پراشر - گروه مهندسی منابع زیستی دانشکده کشاورزی دانشگاه مک گیل، استان کبک، ک

چکیده مقاله:

استفاده از کیفیت اراضی ( مثل آب قابل استفاده گیاه ) به جای مشخصات اراضی ( مثل بافت، مواد آلی و غیره ) ، در ارزیابی تناسب اراضی، نتایج بهتری را عاید خواهد کرد . اندازه گیری کیفیت اراضی مشکل تر از اندازه گیری مشخصات اراضی است (5) یکی از خصوصیات خاک که در این مطالعه مورد بحث قرار گرفته است، آب قابل جذب گیاه می باشد . به خاطر وقت گیر بودن و پر هزینه بودن اندازه گیری مستقیم آب قابل جذب گیاه، در بعضی از موارد بهتر است تکنیک هائی را برای پیش بینی آن بکار برد (6) مواردی که پیش بینی آب قابل جذب بر اندازه گیری آن ارجحیت دارد، عبارتند از (2) :
1 - در پیش بینی، خطای جزئی ( کمتر از 10 درصد ) ، قابل قبول باشد،
2 -مشکل کمبود منابع مالی و وقت وجود داشته باشد،
3 -پروژه مطالعاتی، مقدماتی و اجمالی باشد،
4- منطقه مورد مطالعه بسیار وسیع و تغییرات آب قابل جذب در خاک آنقدر زیاد باشد که اندازهگیری مستقیم آن عملاً غیر ممکن باشد .
یکی از تکنیک هائی که از آن می توان در پیش بینی آب قابل جذب گیاه استفاده نمود، مدل های هوش مصنوعی Artificial Intelligence models (AI) ، از قبیل مدل رگرسیون چند متغیره تطبیقی Multi-variate Adaptive Regression Splines MARSو مدل شبکه های عصبی مصنوعی Artificial Neural Network (ANN) است (7).
هدف از این مطالعه، مقایسه مدل های رگرسیون چند متغیره تطبیقی و شبکه های عصبی مصنوعی در پیش بینی آب قابل جذب گیاه می باشد .

کلیدواژه‌ها:

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-SSCI09-SSCI09_620.html
کد COI مقاله: SSCI09_620

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:
گیوی, جواد و شیو پراشر، ۱۳۸۴، مقایسه مدل های ” رگراسیون چند متغیره تطبیقی ” و ” شبکه های عصبی مصنوعی ” در پیش بینی آب قابل جذب گیاه، نهمین کنگره علوم خاک ایران، تهران، مرکز تحقیقات حفاظت خاک و آبخیزداری کشور، https://www.civilica.com/Paper-SSCI09-SSCI09_620.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: (گیوی, جواد و شیو پراشر، ۱۳۸۴)
برای بار دوم به بعد: (گیوی و پراشر، ۱۳۸۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • NeuralWare, 1993. Using Neural Works : A Tutorial for Ne ...
  • Rawls, W.J., Y.A. Pachepsky and M.H. Shen. 2001. Testing soil ...
  • Salehi, F., S.O. Prasher, S. Amin, A. Madani, S.J. Jebelli, ...
  • Salford Systems. 2001. MARSTM User Guide. Salford Systems, San Diego, ...
  • Sys, C., E. Van Ranst and J. Debaveye. 1991. Land ...
  • Wosten, J.H.M., Y.A. Pachepsky and W.J. Rawls. 2001. Pedotransfer functions ...
  • Yang, C.C., S.O. Prasher, R. Lacroix and S.H. Kim. 2003. ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۷۵۰۴
    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.