روح الله تقی زاده مهرجردی

از جمله اثرات مستقیم و مشهود تغییرات آب و هوایی، دگرش در میزان بارش برف در مناطق مختلف جغرافیایی است. این در حالی است که بارش برف در حوضه های کوهستانی همواره به عنوان مهم ترین منبع تأمین منابع آب در فصول خشک تلقی می شود. یکی از آشکارترین ویژگی های پوشش برف کوهستان، ناهمگنی مکانی آن می باشد. به دلیل محدودیت های عملی، جمع آوری داده ها به ویژه در مقیاس های وسیع، دشوار و گاهی غیرممکن بوده و استفاده از روش های غیرمستقیم توصیه می شود. در این پژوهش کارایی حداقل مربعات ماشین بردار پشتیبان در مدل سازی عمق برف و همچنین اثر کاهش ویژگی با مدل الگوریتم ژنتیک در منطقه کوهستانی چلگرد ایران مورد بررسی قرار گرفت. ابتدا با استفاده از روش هایپرکیوب محل ۱۰۰ نقطه مشخص و داده های عمق برف در نقاط موردنظر و همچنین در ۱۹۵ نقطه دیگر به صورت تصادفی برداشت گردید. سپس با استفاده از مدل رقومی ارتفاع ۲۵ پارامتر ژئومورفومتری استخراج گردید و همراه با شش باند تصاویر ماهواره لندست هشت و شاخص تفاوت نرمال شده برف به عنوان ورودی های مدل ها انتخاب گردید. در این پژوهش از الگوریتم ژنتیک برای افزایش سرعت و آماده سازی شبکه ماشین بردار پشتیبان که به عنوان یک دسته بندی کننده عمل می کند و همچنین انتخاب متغیرهایی که بیشترین همبستگی را با عمق برف دارند استفاده گردید. ازآنجایی که کاهش ویژگی های غیر مؤثر می تواند سبب افزایش دقت یادگیری شود، در این پژوهش از الگوریتم ژنتیک برای فرایند بهینه سازی استفاده گردید. نتایج نشان داد روش حداقل مربعات ماشین بردار پشتیبان با میزان ضریب تعیین 36/0 و جذر میانگین مربعات خطای 8/17 مدل سازی عمق برف را انجام داده است؛ اما الگوریتم ژنتیک با انتخاب ویژگی های مؤثر توانست با ضریب تعیین ۹۵/۰ و جذر میانگین مربعات خطا برابر با ۹۷/۳ سانتی متر و بادقت بهتری نسبت به استفاده از تمامی ویژگی ها تغییرات عمق برف را مدل کند.

آلودگی خاک با فلزات سنگین، مسئله مهمی است. این پژوهش با هدف بررسی غلظت فلزات سنگین (کادمیم، مس، آهن، منگنز، سرب و روی) در 102 نمونه خاک معدن سرب و روی کوشک شهرستان بافق در استان یزد انجام و غلظت به روش مربع لاتین تعیین شد؛ همچنین ارزیابی آلودگی خاک با استفاده از عامل آلودگی (CF)، غنی شدگی (EF) و شاخص زمین انباشتگی (Igeo) انجام شد. نتایج نشان داد میانگین مقادیر کادمیم، مس، آهن، منگنز، سرب و روی در خاک های منطقه به ترتیب 26/0، 39/0، 1/4، 3/5، 9/40 و 9/51 میلی گرم بر کیلوگرم است و در این بین، کادمیم، سرب و روی از حد آستانه ایران و جهان فراتر رفته اند. در تمامی شاخص های محاسبه شده، بیشترین مقدار به عنصر سرب مربوط بوده که دلیل آن، نوع سنگ مادری و زمین شناختی و فعالیت های انسانی است. تجزیه و تحلیل آماری چندمتغیره، مؤلفه اصلی و تجزیه و تحلیل خوشه ای نشان داد فلزات سنگین بررسی شده در دو گروه طبقه بندی می شوند؛ گروه اول شامل عناصر مس، کادمیم، سرب و روی است که سرب و روی عمدتاً از آلودگی های سنگ شناختی و فعالیت های انسانی ناشی از معدن کاری و ترافیک تأثیر می پذیرند؛ گروه دوم شامل منگنز و آهن است که این عناصر نیز از منابع سنگ شناسی و انسان شناختی ناشی از فعالیت های کشاورزی و کودهای شیمیایی تأثیر می پذیرند. با توجه به اینکه خاک منطقه پژوهش علاوه بر عناصر سرب و روی به سایر فلزات سنگین نیز آلوده است، انجام پژوهش های بیشتر در منطقه برای ارزیابی برنامه های راهبردی مدیریت منابع خاک ضروری است.

داده های طیفی محدوده مرئی – مادون قرمز که باحداقل هزینه و صرف وقت تهیه می شوند ، کاربرد وسیعی در برآورد خصوصیات فیزیکی و شیمیایی خاک دارند. مطالعه حاضر با هدف بررسی توانایی این روش در برآورد مقدار ماده آلی، کربنات ها و درصد گچ سطح خاک صورت پذیرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس نمونه برداری از افق های خاک انجام گرفت و مقدار ماده آلی، درصد گچ و آهک خاک با روش های استاندارد اندازه گیری شد. آنالیز طیفی خاک های مورد نظر با استفاده از دستگاه طیف سنج زمینی با دامنه طول موج 400-2500 نانومتر انجام شد. پس از ثبت طیف ها انواع روش های پیش پردازش مورد ارزیابی قرار گرفت و سپس از رگرسیون حداقل مربعات جزئی (PLSR) و رگرسیون مولفه اصلی((PCR برای برای پیش بینی پارامترهای مورد نظر استفاده شد. جهت ارزیابی مدل 80 درصد داده ها برای کالیبراسیون مدل و 20 درصد برای صحت سنجی مدل به صورت تصادفی انتخاب شدند. پیش پردازش های مختلف از جمله: مشتق اول و دوم به همراه فیلتر ساواتزکی و گلای، متغیر نرمال استاندارد و تصحیح پخشیده چندگانه با هم مقایسه شدند. نتایج این بررسی نشان داد بهترین نتایج مدل سازی مربوط به روش PLSR با پیش پردازش مشتق اول+فیلتر ساویتزکی و گلای برای برآورد گچ،کربنات و ماده آلی خاک بدست آمد. با توجه به مقادیر درصد انحراف نسبی(RPD)، پیش بینی مدل برای درصد گچ و ماده آلی در کلاس خوب و برای کربنات ها در کلاس ضعیف می باشد.

در این پژوهش کارایی شاخص های ماهواره ای و پارامترهای ژئومورفومتری در برآورد بار رسوبی با استفاده از مدل های مبتنی بر هوش مصنوعی و داده کاوی به چالش کشیده شده است. بدین منظور، نخست مدل ها به کمک پارامترهای ژئومورفومتری مستخرج از مدل رقومی ارتفاعی و شاخص های ماهواره ای بهینه سازی شد و نزدیک ترین داده های دبی و رسوب به زمان تصاویر ماهواره ای خروجی مدل درنظر گرفته شد. پس از اجرای الگوریتم ها، به وزن دهی پارامترها و تعیین میزان تأثیرشان در پیش بینی بار رسوبی معلق پرداخته شد. نتایج نشان داد عملکرد مدل ها با ورودی های مختلف گوناگون است. مقادیر RMSE مدل ها بیانگر آن است که در صورت استفاده از پارامترهای ژئومورفومتری به عنوان ورودی مدل مقدار RMSE بیشتر است و در مقابل با استفاده از برخی شاخص ها به عنوان ورودی مدل ها میزان RMSE کاهش می یابد؛ به طوری که در مدل فرایند گوسی با ورودی پارامترهای ژئومورفومتری مقدار۱۰ /۳۵ RMSE= و در صورت ورودی شاخص های تصاویر ماهواره ای مقدار 7 /513RMSE= است. با تلفیق پارامترهای ژئومورفومتری و شاخص ها میزان دقت همة مدل ها افزایش یافته و مدل فرایند گوسی با 026 /5RMSE= بیشترین دقت را داشته است. نتایج حاصل از وزن دهی نیز نشان داد که شاخص های Clay index (average) و b5 (average) و NDVI (max) دارای بیشترین وزن بوده و بیشترین تأثیر را در پیش بینی بار رسوبی معلق داشته اند.

تعیین بار رسوبی معلق رودخانه ها یکی از پروژه های مهم مهندسی رودخانه می باشد. پیش بینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب ترین مدل، مدل های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه ی شعاعی، رگرسیون خطی، k نزدیک ترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشین بردار پشتیبان و ماشین بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این ت حقیق نشان داد که ب رای داده های روزانه، م دل k نزدیک ترین همسای ه با 28/5RMSE=؛ برای داده های ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای داده های سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسب ترین مدل جهت پیش بینی بار رسوبی معلق بوده اند. همچنین مقایسه مقادیر ارزیابی مدل ها حاکی از آن است که پیش بینی داده های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.  

فرسایش بادی وسعتی بالغ بر 20 میلیون هکتار از کشور پهناور ایران را در متأثر ساخته است. هفت میلیون هکتار از مناطق تحت تأثیر فرسایش بادی کانون های بحرانی نامیده می شود که کانون های جمعیتی، اراضی کشاورزی و مناطق صنعتی را در برمی گیرد. فرسایش پذیری خاک از مهم ترین شاخص های نشان دهنده پتانسیل فرسایش بادی در یک منطقه است. این شاخص بستگی به ویژگی های فیزیکی و شیمیایی ذاتی خاک دارد. منطقه موردمطالعه حوضه دشت یزد – اردکان که در بخش شمالی استان یزد قرار دارد و در فلات مرکزی ایران گسترده شده است. به منظور بررسی پتانسیل فرسایش پذیری بادی خشکه رودها و مجاور آن ها 83 نمونه خاک در کف و بستر خشکه رودها و مجاور آن ها در سه نوع دشت سر لخت، اپانداژ و پوشیده برداشته شد و برروی نمونه ها به منظور محاسبه مقدار فرسایش پذیری آزمایشات فیزیکی و شیمیایی خاک صورت گرفت. مقدار فرسایش پذیری به دو روش دلگیلویچ و همکاران (1973)، مدل (1) و عظیم زاده و همکاران (1380)، مدل (2) بر حسب ton/ha-hr محاسبه شد. نتایج نشان داد که هر دو مدل در اراضی دشت سر پوشیده با بافت ریزدانه خاک از نوع Loam و Clay Loam مقدار فرسایش پذیری را متوسط تا زیاد پیش بینی کرد و در اراضی دشت سرهای لخت و اپانداژ که درصد پوشش سنگفرش متوسط تا زیاد می باشد، در مدل (1) مقدار فرسایش پذیری را در بعضی نقاط کم و در بعضی نقاط دیگر متوسط تا زیاد به دست آمد ولی در مدل (2) با در نظر گرفتن پوشش سنگفرش در تمامی نقاط دشت سرهای لخت و اپانداژ کم بدست آمد. مدل (1) بدون در نظر گرفتن رخساره های مختلف ژئومورفولوژی، بیشتر در مورد بررسی میزان فرسایش پذیری بادی خاک در اراضی کشاورزی و دشت رسی با بافت ریزدانه خاک مناسب است و برآورد مقدار فرسایش پذیری را در قسمت میانی منطقه در مقایسه با مدل (2) به درستی پیش بینی کرد. به منظور سهولت و کاهش دادن زمان و هزینه به منظور محاسبه فرسایش پذیری، مدل (1) در اراضی بافت ریزدانه و کشاورزی و بدون سنگفرش شامل دشت سر پوشیده توصیه می شود. مدل (2) در دشت سرهای لخت و اپانداژ که دارای پوشش سنگفرش متوسط تا زیادی هستند، مدل مناسبی است و به منظور دقیق تر محاسبه فرسایش پذیری در دشت سر پوشیده علاوه بر پارامتر فیزیکی خاک، پارامترهای شیمیایی خاک هم که در عامل فرسایش پذیری دخالت دارند، مدل (2) مناسب می باشد. به منظور کاهش فرسایش پذیری در دشت سرهای لخت و اپانداژ باوجود درصد سنگفرش متوسط تا زیاد توصیه می شود هیچ گونه دستکاری بر روی پوشش سنگفرش انجام نشود و در دشت سر پوشیده اقداماتی نظیر احداث بادشکن در اراضی کشاورزی و مالچ پاشی بر روی تپه های ماسه ای انجام شود.

ارتقاء اطلاعات کمی به بهبود پیش بینی پارامتر های برف کمک می کند. تاکنون تعاملات بین اندازه ی پیکسل به صورت محدود بررسی شده است. هدف از این تحقیق، بررسی اثر قدرت تفکیک مکانی بر روی پیش بینی عمق برف از طریق آزمون تجربی روابط بین مدل های رقومی ارتفاع و پارامترهای مؤثر در مدل سازی عمق معادل برف با قدرت تفکیک مختلف و با استفاده از مدل رگرسیون چندمتغیره می باشد. به همین منظور ابتدا با استفاده از روش هایپرکیوب محل 100 نقطه مشخص و طی یک عملیات صحرایی داده های عمق برف در نقاط مورد نظر و همچنین در 195 نقطه دیگر به صورت سیستماتیک و با نمونه بردار مدل فدرال برداشت گردید.. سپس یک مدل رقومی ارتفاع 10 متری به عنوان مبنا انتخاب گردید و از مدل رقومی ارتفاع مبنا تعداد 25 پارامتر مرفومتری استخراج و به عنوان ورودی شبکه ی عصبی ان تخاب و با استفاده از آنالیز حساسیت مهم ترین پارامترهای تأث یرگذار در مدل سازی ع مق برف مشخص شد. در مرحله ی بعد با استفاده از مدل رقومی ارتفاع مبنا 9 مدل رقومی ارتفاعی با اندازه ی پیکسل متفاوت استخراج گردید. سپس در ادامه پارامترهای مؤثر در عمق برف با استفاده از 10 مدل رقومی ارتفاع استخراج و بین آن ها و عمق برف نمونه برداری شده یک رابطه ی رگرسیونی ایجاد و عمق برف محاسبه گردید. جهت ارزیابی دقت مدل ها از پارامترهای RMSE، NMSE، MSE و MAE استفاده و در نهایت مدل رقومی ارتفاع 150 متر با مقادیر به ترتیب 75/24، 350/0، 975/612 و 97/18 بهترین مدل رقومی ارتفاع جهت مدل سازی عمق برف انتخاب گردید. این مسأله می تواند در کاهش هزینه ها و افزایش دقت برآورد عمق برف کمک بسیاری نماید.

هدف از این مقاله ارزیابی الگوی ترکیبی شبکه های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می باشد. برای این منظور، از داده های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل های پیش بینی و از داده های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل های پیش بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش بینی مدل ترکیبی مذکور با مدل های شبکه ی عصبی مصنوعی و برنامه ریزی ژنتیک، از شاخص های ارزیابی خطای استاندارد نسبی، میانگین خطا، میانگین قدر مطلق درصد خطا و مجذور میانگین مربعات خطا استفاده شد. نتایج ارزیابی نشان داد که الگوی ترکیبی شبکه های عصبی و الگوریتم ژنتیک، نسبت به مدل شبکه عصبی مصنوعی و برنامه ریزی ژنتیک دارای بالاترین دقت در پیش بینی تقاضای انرژی بخش کشاورزی کشور می باشد. پیشنهاد می شود در تحقیقات آتی با استفاده از مدل ترکیبی مذکور به پیش بینی مصرف انرژی در سایر بخش های اقتصادی پرداخته شود و کارایی آن سنجیده شود.

دشت ها، از مهم ترین واحدهای ژئومورفولوژی بوده و طبقه بندی آن ها از اهمیت ویژه ای برخوردار است. تاکنون روش ها و شاخص های مختلفی جهت تفکیک تیپ های مختلف دشتی ارائه شده که اغلب برپایه ویژگی های توصیفی استوار است. طبقات دشتی مورد استفاده در این تحقیق شامل دشت سر فرسایشی، دشت سر اپانداژ و دشت سر پوشیده می باشد. در این تحقیق اقدام به معرفی و استفاده از شاخص های جدید ژئومورفومتری تعیین دامنه کمی برای آن ها در جهت تفکیک تیپ های مختلف دشت سر شده است. شاخص های ژئومورفومتری مورد استفاده شامل درصد شیب، انحنای سطح، انحنای مقطع، انحنای حداقل، انحنای حداکثر، انحنای متقاطع، انحنای طولی و انحنای گوسیمی باشند. نتایج این تحقیق نشان می دهد، در بین پارامترهای ژئومورفومتری مذکور، پارامترهای شیب، انحنای حداقل، انحنای مقطع، انحنای طول و انحنای-متقاطع دارای کارایی بیشتری از سایر پارامترهای ژئومورفومتری در طبقه بندی تیپ های مختلف دشت سر می باشد. تغییرات شیب و همچنین مقدار آن در تیپ دشت سر لخت، بیشتر از سایر تیپ های دشتی بوده و دامنه آن به طور تقریبی از 3 تا 8 در صد متغیر بوده و در بخش-هایی، شیب تا 20 درصد نیز دیده می شود. در تیپ دشت سر اپانداژ، تغییرات و مقدار شیب پایین تر بوده و حدود 1 تا 3 درصد متغیر می باشد. در دشت سر پوشیده نیز شیب اغلب نقاط، کمتر از 1 درصد می باشد. پارامتر درصد شیب، قابلیت بسیار خوبی در تفکیک تیپ های مختلف دشت سر از خود نشان می دهد. تغییرات انحنای حداقل نیز در تیپ دشت سر لخت، حداکثر بوده و به سمت تیپ دشت سر اپانداژ، و پوشیده، کاهش می یابد. تغییرات انحنای مقطع و انحنای-سطح نشان می دهد که انحنای مقطع در تفکیک تیپ های مختلف دشت سر، قابلیت بیشتری از انحنای سطح از خود نشان می دهد. تغییرات انحنای طول و انحنای متقاطع در تیپ دشت سر لخت، حداکثر بوده و در تیپ دشت سر اپانداژ، مقدار نسبی و همچنین تغییرات آن، کاهش می-یابد. مقادیر این پارامتر در تیپ دشت سر پوشیده به حداقل می رسد. این پارامترها نیز به طور نسبی تفکیک پذیری تیپ های مختلف دشت سر را از یکدیگر نشان می دهد.

دستیابی به رشد مستمر و مداوم اقتصادی و به موجب آن توسعه اقتصادی را می توان از زمره اهدافی قلمداد نمود که تمام کشورها در پی دستیابی به آن می باشند. در این راستا بانک ها نقش بسیار مهمی در پیشرفت و توسعه اقتصادی هر کشور ایفا می نمایند. در حال حاضر با توجه به تعداد قابل توجه بانک های دولتی و خصوصی در کشور پیش بینی کارایی آن ها اهمیت ویژه ای پیدا کرده است. هدف از این پژوهش، مدلسازی و پیش بینی کارایی بانک های دولتی و خصوصی کشور با استفاده از مدل های شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک می باشد. در این پژوهش ابتدا با استفاده از مدل تحلیل پوششی داده ها و با در نظر گرفتن جمع کل دارایی ها و تعداد کل شعب به عنوان ورودی های مدل و سود و زیان خالص و مانده تسهیلات اعطایی و مطالبات به عنوان متغیرهای خروجی مدل به بررسی کارایی بانک ها در بین سال های 1386 تا 1390 پرداخته شد. در مرحله بعد، از رویکرد رگرسیون چند متغیره، شبکه عصبی مصنوعی، شبکه عصبی فازی و الگوریتم ژنتیک جهت پیش بینی کارایی بانک ها استفاده شده است. نتایج ارزیابی نشان داد که مدل شبکه عصبی فازی نسبت به سایر مدل ها دارای بالاترین دقت در پیش بینی کارایی بانک ها می باشد. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی سود و زیان خالص به عنوان ورودی که بیشترین تاثیر در کارایی بانک ها دارد، معرفی شده است

وابستگی روزافزون زندگی بشر به انرژی موجب شده است تا این عامل به طور بالقوه و بالفعل در کارکرد بخش های مختلف اقتصادی کشورها نیز نقش بسیار مهمی ایفا کند. از این رو، مسئولان هر کشور باید تلاش کنند تا با پیش بینی هر چه دقیق تر مصرف انرژی و برنامه ریزی صحیح در هدایت مصرف، پارامترهای عرضه و تقاضای انرژی را به نحو مطلوب کنترل کنند. هدف پژوهش حاضر، الگو سازی و پیش بینی مصرف انرژی بخش حمل و نقل ایران با استفاده از الگوهای شبکه عصبی فازی، شبکه عصبی ژنتیک و شبکه عصبی است. از این رو، از داده های سالانه مصرف انرژی بخش حمل و نقل کشور به عنوان متغیر خروجی الگو های پیش بینی و از داده های سالانه جمعیت کل کشور، تولید ناخالص داخلی و تعداد خودرو، به عنوان متغیرهای ورودی الگو های پیش بینی استفاده شد. در پایان دقت نتایج پیش بینی الگو های مختلف، با استفاده از شاخص های ارزیابی مقایسه گردید. نتایج ارزیابی نشان داد که الگوی شبکه عصبی فازی، نسبت به سایر الگو ها از بیشترین دقت در پیش-بینی مصرف انرژی در بخش حمل و نقل کشور برخوردار است. همچنین بر اساس نتایج تحلیل حساسیت ورودی ها به وسیله شبکه عصبی، ورودی جمعیت کشور به عنوان ورودی شناخته شد که بیشترین تأثیر را در مصرف انرژی دارد.

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.