Article

ارزیابی کاربرد مدل های شبکه عصبی و رگرسیونی به منظور پیش بینی تنوع گونه ای با استفاده از برخی عوامل خاکی و فیزیوگرافی (مطالعه موردی: حوزه آبخیز خرابه سنجی ارومیه)

بهنام بهرامی، دانشجوی دکتری اردوان قربانی، استادیار مرتعداری

Abstract(in Persian; no English abstract is available)

اندازه گیری مستقیم تنوع گونه­ای امری وقت­گیر و ­هزینه­بر بوده و تا حدی به دلیل خطاهای حاصل از نمونه­گیری غیرقابل اعتماد است. این مطالعه با هدف تعیین فاکتور­های کم­هزینه در پیش­بینی تنوع گونه­ای بوسیله شبکه مدل­های عصبی مصنوعی، شبکه عصبی تطبیقی-فازی و رگرسیونی انجام شد. نمونه­برداری با استفاده از روش سیستماتیک-تصادفی از 60 قطعه نمونه در طول 6 ترانسکت 100 متری و از عمق 30-0 سانتی­متری خاک صورت گرفت.اطلاعات پوشش گیاهی به منظور اندازه­گیری تنوع گونه­ای بوسیله شاخص تنوع شانون-وینر ثبت گردید. همچنین به­منظور تعیین عوامل تاثیرگذار بر تنوع گونه­ای، فاکتور­های هدایت الکتریکی، اسیدیته، وزن مخصوص ظاهری، درصدهای ماده آلی، رس، سیلت، رطوبت اشباع، خاکدانه­های درشت و ریز و شیب و ارتفاع تعیین و اندازه­گیری شد.سپس با استفاده از مدل­های شبکه عصبی نوع پرسپترون چند لایه، شبکه عصبی تطبیقی-فازی و رگرسیونی تخمین تنوع گونه­ای تعیین شد.نتایج نشان داد که معیارهای مجذور میانگین مربعات خطا و ضریب کارایی در مدل رگرسیونی به ترتیب 14/0 و 39/0 و در مدل شبکه عصبی مصنوعی 07/0 و 86/0 و در مدل شبکه عصبی تطبیقی-فازی 09/0 و 70/0 می­باشند. همچنین میانگین تنوع شانون وینر برای منطقه برابر 1.98 بود.در واقع مدل شبکه عصبی مصنوعی به عنوان ابزار قدرتمندتری در پیش­بینی تنوع گونه­ای نسبت به آنالیز رگرسیون خطی چند­متغیّره و شبکه عصبی تطبیقی-فازی عمل می­کند.

Similar items

  • ارزیابی قابلیت مدل شبکه عصبی مصنوعی در پیش بینی پراکنش مکانی گونه های گیاهی (مطالعه موردی: مراتع طالقان میانی)

    Article2014مرتعمحمدعلی زارع چاهوکی، محبوبه عباسی، حسین آذرنیوند

    در این تحقیق قابلیت مدل شبکه عصبی در پیشبینی پراکنش مکانی گونههای گیاهی ارزیابی شده است. با توجه به هدف، اطلاعات پوشش گیاهی و عوامل رویشگاهی شامل اقلیم، خاک، پستی و بلندی و زمینشناسی جمعآوری شد. برای نمونهبرداری از پوشش گیاهی در هر تیپ رویشی، 3 ترانسکت150 متری مستقر و در هر ترانس

  • کاربرد مدل شبکه عصبی مصنوعی در پیش بینی پاسخ های آمیخته بیماری قلبی

    Articleمجله علوم پزشکی رازیمهین عادلی، mahin adeli university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران اکبر بیگلریان، akbar biglarian university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران عنایت اله بخشی، enayatollah bakhshi university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران امیدعلی عادلی

    زمینه و هدف: در مطالعات اپیدمیولوژی و پزشکی، گاهی پژوهشگر با مواردی مواجه می­شود که لازم است دو متغیر پاسخ را به صورت توام (همزمان) از روی تعدادی متغیر کمکی پیش­بینی نماید. زمانی که متغیر پاسخ آمیخته باشد، با توجه به محدودیت­ها و برقرار نبودن برخی پیش فرض­ها، روش­های کلاسیک آماری

  • کاربرد مدل شبکه عصبی- موجک برای پیش بینی ویژگی های غیرایستا و غیرخطی سری زمانی تراز آب زیرزمینی

    Article2015پژوهش های حفاظت آب و خاکطاهر رجایی، هادی ابراهیمی

    سفره های آب زیرزمینی غالباً به عنوان سیستم هایی با ویژگی های غیرایستا و غیرخطی شناخته می شوند. مدل سازی این سیستم ها و پیش بینی حالت های آینده آن ها نیازمند تشخیص این ویژگی های بنیادی است. اخیراً، آنالیز موجک به دلیل توانایی آن در رمزگشایی ویژگی های اشاره شده، به طور گسترده ای در

  • کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست)

    Article2013علوم و مهندسی آبیاریحسین ملکی نژاد، ربابه پورشرعیانی

    پیش­بینی نوسانات سطح آب زیرزمینی، برای برنامه­ریزی مناسب­تر به­ویژه در مناطق خشک و نیمه خشک امری ضروری است. در این تحقیق برای پیش­بینی نوسانات سطح آب زیرزمینی در دشت مروست از مدل­های سری زمانی و شبکه عصبی استفاده شد. برای مدل­سازی، اطلاعات سطح آب زیرزمینی در طی سال­های 88-1366 اس

  • ارزیابی کارایی مدل درخت تصمیم رگرسیونی در پیش بینی خشکسالی نمونه موردی: ایستگاه سینوپتیک سنندج

    Articleمخاطرات محیط طبیعیغلامعلی مظفری، عضو هیات علمی شهاب شفیعی، دانشجوی دکتری زهرا تقی زاده، دانشجوی کارشناسی ارشد

    برای مطالعه خشکسالی روش های مختلفی وجود دارد. روش تحلیل داده های بارندگی، جزو عمومی روش های تحلیل خشکسالی به شمار می رود؛ لذا پیش بینی دقیق و پیش از وقوع بارش می تواند شرایط را برای ارزیابی وضعیت خشکسالی فراهم نماید. هدف این پژوهش، بررسی تأثیر پیش پردازش داده های بارش ماهانه ایست

  • ارائه یک مدل شبکه عصبی مصنوعی در پیش­بینی کیفیت خدمات کتابخانه­های دانشگاهی

    Articleمدیریت سلامتزینب محبی، z mohebbi تهران، خیابان ولی عصر (عج)، بالاتر از ونک، خیابان شهید یاسمی، روبروی بیمارستان خاتم النبیاء، پلاک 6، دانشکده مدیریت و اطلاع رسانی پزشکی- گروه کتابداری و اطلاع رسانی شهرام صدقی، sh sedghi تهران، خیابان ولی عصر (عج)، بالاتر از ونک، خیابان شهید یاسمی، روبروی بیمارستان خاتم النبیاء، پلاک 6، دانشکده مدیریت و اطلاع رسانی پزشکی- گروه کتابداری و اطلاع رسانی مسعود رودباری، m roudbari یزد، دانشگاه یزد، دانشکده فنی مهندسی، گروه استخراج معدن جواد غلام نژاد

    مقدمه : کتابخانه­ها و مراکز اطلاع­رسانی معمولاً با استفاده از ابزار لیب­کوآل به بررسی کیفیت خدمات می‏پردازند. در تجزیه و تحلیل لیب­کوآل می­توان از شبکه عصبی مصنوعی استفاده نمودکه با درجه خطای پایین به بررسی سطح خدمات می­پردازد. پژوهش حاضر در پی آن است که به معرفی شبکه عصبی مصنوعی