حنانه سادات سادات موسوی؛ افشین دانه کار؛ علی جهانی؛ وحید اعتماد؛ فرنوش عطار صحراگرد
چکیده
شکلهای مختلف توسعه کاربری و فعالیتهای انسانی در مناطق تحت حفاظت، از پیشرانهای اصلی تغییر محسوب میشوند که با آثار متعددی بر زیستگاهها، رویشگاهها، تنوع و غنای گونهها همراه است. هدف از این پژوهش مدلسازی اثر فعالیتهای انسان بر تنوع پوشش گیاهی با استفاده از شبکه عصبی مصنوعی و تعیین میزان اثرگذاری متغیرهای اکولوژیک و انسانی ...
بیشتر
شکلهای مختلف توسعه کاربری و فعالیتهای انسانی در مناطق تحت حفاظت، از پیشرانهای اصلی تغییر محسوب میشوند که با آثار متعددی بر زیستگاهها، رویشگاهها، تنوع و غنای گونهها همراه است. هدف از این پژوهش مدلسازی اثر فعالیتهای انسان بر تنوع پوشش گیاهی با استفاده از شبکه عصبی مصنوعی و تعیین میزان اثرگذاری متغیرهای اکولوژیک و انسانی بر آن است. پژوهش حاضر در منطقه حفاظت شده البرز مرکزی تحت مدیریت استان البرز انجام شده است. جهت دستیابی به هدف مذکور، ابتدا تعداد 101 نمونه قطعه پلات گیاهی و 101 نمونه خاک برداشت و آنالیزهای مربوط به خاک و پوشش گیاهی بر نمونههای برداشت شده، انجام شد. در نهایت با استفاده از روش شبکه عصبی پرسپترون چند لایه و با استفاده از 18 متغیر ورودی شامل متغیرهای فیزیکی و شیمیایی خاک، متغیرهای فیزیوگرافی و متغیرهای انسانی، اثر فعالیتهای انسان بر تنوع پوشش گیاهی در محدوده مورد مطالعه مدلسازی شد. با توجه به نتایج، مدل با ساختار 1-5-18 با بیشترین مقدار ضریب تبیین در سه دسته داده آموزش، اعتبارسنجی و آزمون معادل 82/0، 81/0 و 68/0 بهترین عملکرد بهینهسازی ساختار را نشان میدهد. فاصله از جادهها، هدایت الکتریکی و درصد ماده آلی خاک به ترتیب بیشترین تأثیر را بر تنوع پوشش گیاهی در محدوده مورد مطالعه از خود نشان دادند. مدل ارائه شده در این پژوهش به عنوان سیستم پشتیبان تصمیمگیری در ارزیابی اثرات فعالیتهای انسان بر تنوع پوشش گیاهی در مناطق تحت حفاظت کاربرد دارد و امکان پیشبینی میزان اثرات مذکور را بر تنوع پوشش گیاهی در این مناطق فراهم میکند.
زهرا خسروانی؛ محمد اخوان قالیباف؛ مریم دهقانی؛ ولی درهمی؛ مصطفی بولکا
چکیده
هدف از پژوهش حاضر، مدلسازی فرونشست دشت ابرکوه با استفاده از تکنیک تداخلسنجی راداری و هوش مصنوعی بود. در ابتدا با استفاده از 46 تصویر راداری Sentinel-1 بین سالهای 2014 تا 2018 و تکنیک تداخلسنجی راداری نقشه فرونشست منطقه تهیه شد. در ادامه جهت مدلسازی فرونشست، از الگوریتم شبکه عصبی مصنوعی پیشرونده استفاده شد. در این الگوریتم از پنج پارامتر ...
بیشتر
هدف از پژوهش حاضر، مدلسازی فرونشست دشت ابرکوه با استفاده از تکنیک تداخلسنجی راداری و هوش مصنوعی بود. در ابتدا با استفاده از 46 تصویر راداری Sentinel-1 بین سالهای 2014 تا 2018 و تکنیک تداخلسنجی راداری نقشه فرونشست منطقه تهیه شد. در ادامه جهت مدلسازی فرونشست، از الگوریتم شبکه عصبی مصنوعی پیشرونده استفاده شد. در این الگوریتم از پنج پارامتر تغییرات سطح آب زیرزمینی (2018-2014)، سطح آب زیرزمینی، ضخامت آبخوان، ضخامت لایه رس در آبخوان و همچنین ضخامت لایه رس در محدوده تغییرات سطح آب زیرزمینی (2018-2014) به عنوان ورودی مدل و مقدار فرونشست حاصل از روش تداخلسنجی راداری به عنوان خروجی جهت آموزش مدل به شبکه معرفی شد. ورودیهای مدل از مجموعه دادههای اندازهگیری شده 34 چاه پیزومتری و 77 لاگ حفاری موجود در آرشیو آب منطقهای استان یزد بدست آمد که پس از بررسی صحت دادههای اخذ شده وآنالیزهای اولیه، پارامترهای پنجگانه با استفاده از میانیابی به روش کریجینگ، به کل منطقه تعمیم داده شد و لایه رستری آنها تهیه گردید. نتایج روش تداخلسنجی راداری نشان داد که فرونشست در مناطقی از شرق، شمال شرق و شمال به ترتیب با نرخ متوسط فرونشست 6، 7/2 و 6/1 سانتیمتر در سال بیشترین مقادیر را به خود اختصاص داده است. همچنین جهت تایید صحت مدل، از معیارهای ارزیابی نظیر ناش– ساتکلیف(NS)، جذر میانگین مربعات خطا(RMSE)، میانگین خطای مطلق(MAE) و میانگین قدر مطلق خطای نسبی(MARE) استفاده گردید که به ترتیب مقادیر9524/0، 0018/0، 0012/0 و 1545/0 بدست آمد.
حمیده افخمی؛ محمد تقی دستورانی؛ فرزانه فتوحی فیروزآبادی
چکیده
توجه به ماهیت دادههای رسوب و انتخاب روشهای مناسب پردازش بر روی دادهها قبل از ورود به مدلهای هوش مصنوعی از جمله مواردی است که میتواند نتایج حاصل از شبیهسازیها را به واقعیت نزدیک سازد. در این تحقیق تأثیر روشهای پردازش دادههای رسوب قبل از ورود به دو مدل شبکههای عصبی مصنوعی و سیستمهای استنتاج فازی-عصبی در ...
بیشتر
توجه به ماهیت دادههای رسوب و انتخاب روشهای مناسب پردازش بر روی دادهها قبل از ورود به مدلهای هوش مصنوعی از جمله مواردی است که میتواند نتایج حاصل از شبیهسازیها را به واقعیت نزدیک سازد. در این تحقیق تأثیر روشهای پردازش دادههای رسوب قبل از ورود به دو مدل شبکههای عصبی مصنوعی و سیستمهای استنتاج فازی-عصبی در هفت ایستگاه حوضه سد دز مورد بررسی قرار گرفته است. بر این اساس با توجه به توزیعهای احتمالاتی حاکم بر دادهها سه سناریو در نظر گرفته شد. سناریوی اول بدون هیچگونه پردازش و با استفاده از اصل دادهها، سناریوی دوم، پردازش دادهها از طریق استانداردسازی و در سناریوی سوم با توجه به حاکمیت توزیعهای لگاریتمی بر دادههای رسوب، از لگاریتم دادهها استفاده گردید. نتایج شبیهسازیها در دو مدل، کارایی بهتر و خطای کمتر را در شرایط استفاده از لگاریتم دادهها به خصوص در ایستگاههایی که بهترین توزیعهای احتمالاتی آنها یکی از توزیعهای لگاریتمی میباشد، نشان دادند. درنهایت، مدل فازی عصبی با ضریب همبستگی 95/0، 4/5RMSE=، 4/1 MSE=و 42/0 ME= در ایستگاه بیاتون و در شرایط استفاده از لگاریتم دادهها بهترین عملکرد را نشان داد.
حمیدرضا مرادی؛ علیرضا سپهوند؛ پرویز عبدالمالکی
چکیده
بیش از 30 درصد از مساحت کشور ایران را مناطق کوهستانی تشکیل میدهد، لذا هر ساله حرکات توده ایموجب خسارت به انواع سازههای مهندسی، مناطق مسکونی و جنگلها در پی آن ایجاد رسوب و سیلابهای گلآلودگی رودخانهها میشود. لذا برای جلوگیری از این خسارتها و تعیین حساسیت دامنهها، به پهنهبندی خطر زمینلغزش در مناطق مختلف میپردازند. ...
بیشتر
بیش از 30 درصد از مساحت کشور ایران را مناطق کوهستانی تشکیل میدهد، لذا هر ساله حرکات توده ایموجب خسارت به انواع سازههای مهندسی، مناطق مسکونی و جنگلها در پی آن ایجاد رسوب و سیلابهای گلآلودگی رودخانهها میشود. لذا برای جلوگیری از این خسارتها و تعیین حساسیت دامنهها، به پهنهبندی خطر زمینلغزش در مناطق مختلف میپردازند. هدف از انجام این پژوهش، تعیین ساختار بهینه شبکه عصبی مصنوعی با تعداد عوامل ورودی مختلف برای پهنهبندی خطر وقوع زمینلغزش در بخشی از حوزه آبخیز هراز میباشد. برای انجام این پژوهش ابتدا تعداد تکرار بهینه برای جلوگیری از آموزش بیش از حد شبکه با روش سعی و خطا تعیین شد. سپس تعداد نرون در لایه پنهان 14 نرون تعیین شد. در نهایت تعداد نرون در لایه ورودی از 1 تا 9 تغییر داده شد. با توجه به نتایج بهدست آمده مشخص شد که هر چه تعداد نرون در لایه ورودی افزایش یابد کارایی شبکه برای پهنهبندی حساسیت زمینلغزش بهتر میشود. در این پژوهش ساختار 9 نرون در لایه ورودی، 14 نرون در لایه پنهان و 1 نرون در لایه خروجی با نسبت یادگیری 2/0 بهعنوان ساختار بهینه انتخاب شد که ریشه میانگین مربعات خطا و ضریب تبیین بهترتیب برابر 051/0 و 9623/0 بود. نقشه پهنهبندی تهیه شده با این ساختار دارای دقت 307/92 درصد بود. نتایج دیگر پژوهش نشان داد که از کل مساحت منطقه مورد مطالعه، 14/35، 73/26، 59/14، 88/9 و 63/13 درصد، بهترتیب در طبقه پایدار، کم خطر، خطر متوسط، خطر زیاد و خطر خیلی زیاد قرار گرفته است
علی سلاجقه؛ علی فتح آبادی
دوره 62، شماره 2 ، مهر 1388، ، صفحه 271-282
چکیده
برآورد بار معلق رودخانه یک امر مهم در طراحی سازههای آبی, مسائل زیست محیطی و کیفیت آب رودخانهها میباشد. یکی از متداولترین روشها برای برآورد بار معلق رودخانه منحنی سنجه رسوب میباشد،ْ در منحنی سنجه رسوب یک رابطه رگرسیونی که بهطور معمول از نوع توانی میباشد بین دبی آب و رسوب بر قرار میشود. با توجه به عدم قطعیتها و غیر ...
بیشتر
برآورد بار معلق رودخانه یک امر مهم در طراحی سازههای آبی, مسائل زیست محیطی و کیفیت آب رودخانهها میباشد. یکی از متداولترین روشها برای برآورد بار معلق رودخانه منحنی سنجه رسوب میباشد،ْ در منحنی سنجه رسوب یک رابطه رگرسیونی که بهطور معمول از نوع توانی میباشد بین دبی آب و رسوب بر قرار میشود. با توجه به عدم قطعیتها و غیر خطی بودن ارتباط بین دبی آب و رسوب, منحنی سنجه رسوب فاقد کارایی لازم برای این امر میباشد. در این پژوهش با بهرهگیری از روشهای هوش مصنوعی (شبکه عصبی مصنوعی و منطق فازی) میزان بار معلق رودخانه کرج در ایستگاه سیرا برآورد شد. در آغاز مدلهای مختلف شبکه عصبی و منطق فازی ساخته شد, که در روش شبکه عصبی شبکه با چهار نرون در لایه مخفی و در منطق فازی سیستم استنتاج فازی ممدانی با چهار تابع عضویت گوسی به عنوان بهترین مدلها شناخته شدند, در نهایت نتایج این پژوهش نشان داد که منطق فازی عملکرد بهتری نسبت به دو روش شبکه عصبی مصنوعی و منحنی سنجه رسوب داشته و بهرهگیری از آن برای برآورد بار معلق رودخانه پیشنهاد میشود.