حسین محمدعسگری

با توجه به مشکلات اندازه گیری مستقیم برخی از ویژگیهای خاک، در سال های اخیر از روش های غیر مستقیم برای برآورد این خصوصیات استفاده میشود. بدین منظور، در این پژوهش140 نمونه جمع آوری شده از منطقه گرگان مورد آزمایش قرار گرفته و فراوانی نسبی ذرات، کربن آلی، درصد رطوبت اشباع و آهک به عنوان ویژگیهای زودیافت و نقطه پژمردگی، ظرفیت زراعی، ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری به عنوان ویژگیهای دیریافت اندازه گیری شدند. سپس کل داده ها به دو سری داده، شامل سری آموزش (80% داده ها) و سری ارزیابی (20% داده ها) تقسیم گردید. به منظور پیش بینی خصوصیات مذکور، از مدل های نروفازی، شبکه عصبی مصنوعی و رگرسیون چند متغیره استفاده گردید. نتایج ارزیابی مدل ها بر اساس شاخص های ریشه مربعات خطا، میانگین خطا، خطای استاندارد نسبی و ضریب تبیین نشان داد که مدل نروفازی دارای بالاترین دقت در پیش بینی ویژگیهای خاک را دارا میباشد بطوریکه این مدل به میزان 34، 10، 78 و 5 درصد دقت پیش بینی ویژگیهای FC، PWP، CEC و Bd را به ترتیب، نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه های عصبی مصنوعی نسبت به معادلات رگرسیونی کارائی بهتر داشته است.

امروزه پدیده های گردوغباری در ردیف مهم ترین مخاطرات محیطی قرارگرفته و سلامتی انسان و محیط زیست را با خطر جدی روبرو نموده اند. یکی از ویژگی های مهم نواحی بیابانی (خشک و نیمه خشک)، رخداد پدیده های گردوغباری است. تشخیص توفان های گردوغبار، اولین و مهم ترین روش جهت پیش گیری و کاهش آثار مخرب آن می باشد . از این رو هدف تحقیق حاضر تشخیص و بارزسازی گردوغبار با استفاده از شاخص های NDDI و BTD و شبکه های عصبی در نرم افزار MATLAB می باشد. در این تحقیق نتایج مربوط به پدیده های گردوغبار تاریخ 30 خردادماه 1391 شمسی (19/06/ 2012) مورد استفاده قرار گرفته است. نتایج نشان داد، شاخص NDDI به تنهایی قادر به تفکیک پیکسل های گردوغبار موجود در اتمسفر از پیکسل های غیرگردوغبار و ماسه زمینی نبوده و عملکر ضعیفی دارد. شاخص BTD ، گردوغبار اکوسیستم خشکی را به خوبی بارزسازی کرد ولی BTD (20-31) و BTD (23-31) بارزسازی بهتری در اکوسیستم آبی داشت. بنابراین، باید با دقت زیاد آستانه را تعیین کرد. همچنین، بارزسازی در زمین های شنی و ماسه ای به خوبی انجام نشد. شبکه عصبی مصنوعی پیشرو برای تصاویر روزانه با 60 %   و برای تصاویر شبانه با 59 % ،  دقت و عملکرد نسبتاً خوبی را نشان داد. بنابراین، شبکه عصبی نسبت به شاخص های   NDDI و BTD ، روش مناسب تری برای تشخیص و بارزسازی گردوغبار بود و نیازی به تعیین آستانه برای بررسی هر تصویر نداشت. هرچه نمونه های آموزشی شبکه عصبی، با دقت و تعداد بیشتر و ابعاد بزرگتر انتخاب شود، عملکرد و دقت شبکه افزایش خواهد یافت، نتایج این تحقیق می تواند در راستای تشخیص خودکار گردوغبار در طول روز و شب و در اکوسیستم های آبی و خشکی مورد استفاده قرار گیرد .