سعید فرهادی

دریاچه پریشان یکی از دریاچه های آب شیرین ایران در استان فارس است که در بخش جنوبی رشته کوه های زاگرس و فاصله 12 کیلومتری شرق کازرون واقع شده است. در این مقاله باهدف شناخت هرچه بهتر و تفسیر نمونه های رسوبی، به بررسی و تحلیل توزیع رسوبات در بخش های ساحلی و مرکزی دریاچه پریشان پرداخته شده است. بدین منظور جهت نمونه-برداری از رسوبات، 40 ایستگاه نمونه برداری با فواصل تقریبی 500 متر تا 1 کیلومتر از یکدیگر در طول ساحل و مرکز دریاچه انتخاب شدند. بعد از گرانولومتری و محاسبات آماری، منحنی های تجمعی رسوبات ترسیم شد و با مقایسه داده های منحنی های گرانولومتری با استفاده از تحلیل های آماری شکل عمومی منحنی ها تفسیر گردید. نتایج به دست آمده نشان می دهد که دو فرایند رودخانه ای و دریاچه ای در دریاچه پریشان حاکمیت داشته اند و نوسان اقلیمی نقش مهمی در شکل گیری و پراکندگی رسوبات محدوده مطالعاتی داشته است. همچنین توزیع دانه های تشکیل دهنده رسوبات در ایستگاه های نمونه برداری مختلف یکنواخت نبوده و اختلافاتی در میانگین توزیع آن ها در ایستگاه های مختلف مشاهده شد. توزیع متفاوت رسوبات ناشی از بافت متفاوت خاک در حوضه آبریز و چشمه های ورودی در محل یا نزدیکی ایستگاه-های نمونه برداری به دریاچه است.

در این مقاله از تحلیل کانسی که به وسیله الگوریتم یادگیری نگاشت خود سازمانده بهبود داده شده، برای تصمیم گیری در زمینه-ی انتخاب سهام استفاده شده است. در این روش با استفاده از ادغام تصمیمات چند کارشناس، بازده سرمایه گذاری حداکثر و ضرر ناشی از پیچیدگی و تغییرات بازار سهام کاهش داده می شود. در این مطالعه با استفاده از آمار ماهانه سهام شرکت های فعال در بورس تهران از فروردین ماه 1392 تا خرداد ماه 1392، و نظرات شش کارگزاری خبره در انتخاب سهام، به انتخاب سهام برتر در این دوره پرداخته شد. طبق نتایج بدست آمده شرکت های پالایش-نفت بندرعباس، سیمان فارس و خوزستان و سرگروه توسعه ملی به عنوان سهام برتر انتخاب شدند، تحلیل نمودار قیمت این شرکت-ها در بازه ی زمانی مذکور، نشان دهنده، بازدهی قابل قبول این شرکت ها در این دوره است.

هدف پژوهش حاضر، بررسی رابطه ی پایگاه های هویت تحصیلی و ابعاد بهزیستی هیجانی (هیجانات مثبت و منفی) با میانجی گری انگیزش تحصیلی بود. این مطالعه یک پژوهش توصیفی از نوع همبستگی است. بدین منظور، 377 نفر از دانش آموزان مقطع دبیرستان (180دختر و 197پسر) برای شرکت در این پژوهش به روش نمونه گیری تصادفی چندمرحله ای انتخاب شدند و مقیاس های هویت تحصیلی (رحیمی نژاد و همکاران)، مقیاس انگیزش تحصیلی (ولرند و همکاران) و مقیاس بهزیستی هیجانی (کی یز و ماگیارمو) را پاسخ دادند.نتایج تحلیل مسیر درخصوص اثرات مستقیم نشان دادند اثر هویت موفق و هویت دنباله رو بر هیجان مثبت و هم چنین تأثیر هویت سردرگم بر هیجان منفی، مثبت و معنا دار بود. به علاوه، رابطه ی انگیزش درونی با هیجان مثبت و انگیزش بیرونی و بی انگیزگی با هیجان منفی، مثبت و معنا دار بود. افزون بر آن اثر هویت تحصیلی موفق به واسطه ی انگیزش درونی بر هیجان مثبت و به واسطه ی انگیزش بیرونی بر هیجان منفی معنا دار بود. هم چنین تأثیر هویت تحصیلی سردرگم به واسطه ی انگیزش درونی بر هیجان مثبت، منفی و معنادار و اثر هویت تحصیلی موفق، دنباله رو، سردرگم و دیررس با واسطه گری بی انگیزگی بر هیجان منفی، معنا دار بود. در مجموع یافته ها نشان می دهد که منزلت های هویت تحصیلی ضمن اثرات مستقیم، با میانجی گری انگیزش تحصیلی بر ابعاد بهزیستی هیجانی اثرات غیرمستقیم دارند.

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 .