این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
آب و خاک، جلد ۲۰۱۵، شماره ۰۶، صفحات ۱۲۵۰-۰
عنوان فارسی مقایسه روش های رگرسیون خطی، زمین آماری و شبکه عصبی مصنوعی در مدل سازی کربن آلی در اراضی خشک دشت سیستان
چکیده فارسی مقاله آگاهی از تغییرات مکانی کربن آلی در کاربری های مختلف اراضی کمک مؤثری به تفسیر و شبیه سازی رفتار اکوسیستم های خاکی در مواجهه با تغییرات اقلیمی و زیست محیطی خواهد نمود. هدف از این تحقیق مقایسه روش‌های رگرسیونی، زمین آمار و شبکه عصبی مصنوعی در تخمین مقادیر کربن آلی در 192 نمونه خاک، از خاک‌های سطحی (0 تا 30 سانتی متر) بخشی از دشت سیستان (منطقه میانکنگی) بود. در این تحقیق، تنها 5 درصد تغییرات کربن آلی در منطقه مورد مطالعه توسط متغیرهای موجود در مدل رگرسیون خطی ‌توجیه گردید (05/0R2=). همچنین بهترین روش زمین آماری، یعنی روش کوکریجینگ ساده با استفاده از متغیر کمکی رس، با 23/0R2= و 127/0RMSE=، فقط تا اندازه ای توانایی تخمین میزان کربن آلی را داشت. این در صورتی است که شبکه عصبی مصنوعی با استفاده از پارامترهای طول و عرض جغرافیایی کارایی بسیار بهتری با 79/0R2= و 044/0RMSE= در تخمین مقدار کربن آلی نسبت به روش های رگرسیون خطی و زمین آماری نشان داد. در نتیجه روش ترکیبی شبکه عصبی- کریجینگ بهترین روش برای پهنه بندی کربن آلی در منطقه مورد مطالعه شناخته شد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Comparison of Linear Regression Methods, Geostatistical and Artificial Neural Network Modeling of Organic Carbon in Dry Land of Sistan Plain
چکیده انگلیسی مقاله Knowledge of organic carbon spatial variations in different land uses will help to interpret and simulate the behavior of terrestrial ecosystems facing environmental and climate changes. The purpose of this study is comparing regression, geostatistics and artificial neural network (ANN) methods for predicting organic carbon content in 192 samples of surface soil (0 to 30 cm) of Sistan plain (Miankangi region). In this study, Only 25% of organic carbon variations were explained by variables used in linear regression model in the study area (R2= 0.25). Moreover, simple co-kriging (with clay as co-variable) which was the best geostatistical method in the current study, predicted organic carbon content weakly (R2= 0.23 and RMSE= 0.127). However, using latitude and longitude parameters, ANN performed much better than linear regression and geostatistical methods for predicting organic carbon content (R2= 0.79 and RMSE= 0.044).
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله احمد غلامعلی زاده آهنگر | gholamalizadeh ahangar


فریدون سارانی |


مسعود هاشمی |


اسمای شعبانی |


نشانی اینترنتی http://jsw.um.ac.ir/index.php/jsw/article/view/32714
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده علمی - پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات