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

گواهی نمایه سازی مقاله استفاده از شبکه های عصبی مصنوعی برای تعیین عوامل موثر بر تغییرات سرب در خاک سطحی زمین های حاشیه بزرگراه دزفول-اهواز

عنوان مقاله: استفاده از شبکه های عصبی مصنوعی برای تعیین عوامل موثر بر تغییرات سرب در خاک سطحی زمین های حاشیه بزرگراه دزفول-اهواز
شناسه (COI) مقاله: AFPICONF02_185
منتشر شده در دومین همایش ملی پژوهش های کاربردی در علوم کشاورزی در سال ۱۳۹۳
مشخصات نویسندگان مقاله:

ثمین نظریات - دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی واحد خوراسگان، اصفهان، ایران
مهران هودجی - دانشیار گروه علوم خاک، دانشگاه آزاد اسلامی واحد خوراسگان اصفهان ایران
علی اصغر بسالت پور - استادیار گروه علوم خاک، استاد دانشگاه ولیعصر(عج) رفسنجان،ایران

خلاصه مقاله:
بررسی توزیع غلظت فلزات سنگین جهت پایش آلودگی خاک و حفظ کیفیت محیط زیست ضروری است. براین اساس، پژوهشی در بهار سال 1393 با هدف استفاده از شبکه های عصبی مصنوعی برای تعیین عوامل موثر بر تغییرات سرب در خاک سطی زمین های حاشیه بزرگراه دزفول-اهواز انجام گردید. برای این منظور، نمونه برداری خاک از عمق 0 تا 10 سانتی متر بر روی خط مجاور با محور بزرگراه باسه نمونه یکسان به فواصل 40،15 و 100متری از حاشیه جاده انجام شد(مجموعا 135 نمونه) سپس در هر نمونه خاک، غلظت کل فلز سرب، ماده آلی، آهک،PH، هدایت الکتریکی (EC) و توزیع اندازه ای ذرات خاک(درصد رس، سیلت، شن ریز و خیلی ریز و درصد کل شن) اندازه گیری شد. مدل سازی با استفاده از شبکه های عصبی مصنوعی (ANNs) و رگرسیون خطی چند متغیره (MLR) انجام گردید. برای بررسی کارایی مدل ها نیز از برخی شاخص های آماری نظیر ضریب همبستگی (r) ریشه میانگین مربعات خطا (RMSE) و شاخص کارایی مدل (MEF) بین مقادیر اندازه گیری شده و براوردشده، استفاده شد. بررسی نتایج حاصل از انتخاب متغیر به روش ANN نمایانگر آن بود که آهک موثرترین فاکتور در جذب سرب در فاصله 0 تا15 متری از جاده دزفول-اهواز است. در فاصله 15 تا 45 متری، مقدار شن و در فاصله 45 تا 100 متری نیز، EC بیشترین ضریب اهمیت را دار بودند. بررسی شاخص های آماری سنجش کارایی مدل نشان داد که مدل ANN دارای ضریب دقت بالاتری در شبیه سازی غلظت عنصر مورد مطالعه است. ضریب همبستگی برآورد سرب با استفاده ازمدل شبکه عصبی برابر با 0/96 بود، در حالی که مقدار آن برای مدل MLR 0/62 بود. بنابراین براساس نتایج این پژوهش به نظر می رسد که بتوان از شبکه های عصبی مصنوعی برای شبیه سازی غلظت عناصر سنگین و عوامل موثر بر دریافت آن ها درمنطقه مورد مطالعه استفاده کرد.

کلمات کلیدی:
آلودگی خاک، انتخاب متغیر، سرب،شبکه عصبی مصنوعی، فلزات سمی

صفحه اختصاصی مقاله و دریافت فایل کامل: https://www.civilica.com/Paper-AFPICONF02-AFPICONF02_185.html