RBF

آگاهی از توزیع مکانی غلظت فلزات سنگین جهت پایش آلودگی خاک و حفظ کیفیت محیط زیست ضروری است. این تحقیق با هدف تهیه نقشه توزیع مکانی آلودگی غلظت فلزات سنگین منگنز، مس، روی و آهن در زمین های کشاورزی شهرستان هریس واقع در استان آذربایجان شرقی انجام شده است. بدین منظور با استفاده از روش نمونه برداری سیستماتیک تصادفی 370 نمونه خاک سطحی در عمق صفر تا 30 سانتیمتری جمع آوری گردید و غلظت کل این فلزات، در آن ها اندازه گیری شد. به منظور مدل سازی تغییرات مکانی غلظت فلزات سنگین در خاک های منطقه، از روش های کریجینگ معمولی و توابع پایه شعاعی در محیط ArcGIS بهره گرفته شد. در بین مدل های مختلف کریجینگ معمولی و توابع پایه شعاعی، پایین ترین مقادیر RMSE و MAE و نزدیکی بسیار زیاد آماره ی MBE به صفر و بالاترین ضریب همبستگی R به منزله ملاک ارزیابی بهترین روش برای مدل سازی الگوی توزیع و پراکنش فلزات سنگین در نظر گرفته شد. هر دو روش از دقت خوبی برخوردار بودند ولی بر اساس ملاک ارزیابی، برای فلزات منیزیم و مس، روش کریجینگ با مدل نمایی، برای فلز روی، روش کریجینگ با مدل کروی و برای فلز آهن، روش RBF با تابع مالتی کوادریک انتخاب شد. نقشه ی پهنه بندی بعد از انتخاب مدل برتر برای هر یک از عناصر، ترسیم و با درنظر گرفتن استاندارد مؤسسه حفاظت خاک و آب ، کلاسه بندی شد و عناصر در چهار کلاس کمبود، کفایت، زیاد و آلودگی قرار گرفتند. تجزیه و تحلیل نقشه توزیع مکانی آلودگی فلزات سنگین مورد مطالعه نشان داد که برای عنصر منگنز بیشتر اراضی در محدوده ی کفایت قرار داشتند و برای عنصر مس مشخص شد که حدود 92 درصد در کلاس زیاد قرار داشته و حدود 8 درصد از محدوده ی مورد مطالعه دچار آلودگی بود. برای عناصر روی و آهن نه تنها آلودگی مشاهده نشد بلکه به ترتیب حدود 96 و 80 درصد دچار کمبود بود .

رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند، یا اینکه به یکی از صور لغزش، غلتیدن، پرش حرکت مینمایند که به آنها بار بستر می گویند. شبکه عصبی مصنوعی روشی است که بر پایه شبیه سازی عملکرد مغز انسان ب رای ح ل م سایل متنوع ارایه و از لایه های نرون ورودی، خروجی و میانی و وزنهای مربوط به مقادیر ورودی و بایاس و تابع تحریک تشکیل شده است. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه گِلِرود است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی ست. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) و شبکه عصبی برپایه تابع شعاعی (RBF) به مدل سازی تخمین رسوب پرداخته شده است.پس از محاسبه شاخص هایRMSE وMAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعیMLP دقت بهتری را نسبت به دو مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخصR2 که برای سه مدل محاسبه شده است دقت تخمین مدل به مقدار 0.409 برای مدلMLP محاسبه شده است، مقدارR2 برای این مدل برابر 0.88 است. پس از مدل شبکه عصبی مصنوعیMLP، مدل شبکه مصنوعیRBF نتایج بهتری ارائه می دهد. در این مدل مقدارR2 برابر است با 0.4 که نشان دهنده دقت تخمین حدود نصف مدلMLP است. و در رتبه سوم نیز مدل رگرسیون خطی چند متغیره با مقدارR2 برابر با 0.3 قرار دارد.مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد دارد بیشترین میزان خطا است.