۱۳ نتیجه برای شبکه عصبی
خانم عاطفه بساک، دکتر زهرا حجازی زاده، دکتر اکبر حیدری تاشه کبود،
دوره ۰، شماره ۰ - ( ۱-۱۳۰۰ )
چکیده
هدف این مطالعه ارزیابی و پیشبینی PM۱۰ شهر اهواز با روشهای آماری و شبکه عصبی مصنوعی بود. دادههای روزانه‌ی هواشناسی و دادههای PM۱۰ (۱۳۹۰ تا ۱۴۰۲) از سازمان هواشناسی و اداره کل محیط‌زیست خوزستان دریافت شد. ابتدا دادهها پردازش و نرمال بودن آنها با روش کلموگروف اسمیرنوف بررسی شد. با توجه به غیرنرمال بودن دادهها، از روشهای اسپیرمن و تاوی بی کندال برای بررسی همبستگی‌شان با نرم‌افزار spss استفاده شد. سایر بخش‌ها با زبان برنامه‌نویسی پایتون و در فضای اسپایدر انجام شد؛ سری زمانی و اطلاعات آماری دادهها به دست آمد. جهت پیشبینی میزان PM۱۰ برای گام‌های زمانی آینده از روش شبکه عصبی (MLP) استفاده شد. بیانگر وجود ارتباط معنادار بین متغیرهای هواشناسی و PM۱۰ بود. به ترتیب، نتایج همبستگی‌های اسپیرمن و تاوی بی کندال نشان داد بین PM۱۰ با سرعت باد (به میزان ۰,۰۹۴ و ۰.۰۶۱) و دما (۰.۲۸۴ و ۰.۱۸۷) دارای همبستگی مثبت و معنادار در سطح اطمینان ۹۹% میباشد. همچنین، این پارامتر با دیدافقی (۰.۴۰۸- و ۰.۳۰۰ -)، جهت باد (۰.۰۴۸ – و ۰,۰۳۴ -)، بارش (۰.۱۵۹ – و ۰,۱۲۵-) و رطوبت نسبی (۰.۲۵۹ – و ۰,۱۷۳-) دارای همبستگی معکوس و معناداری در سطح اطمینان ۰.۹۹% بوده است. برای پیشبینی میزان PM۱۰ آینده، از شبکه عصبی (MLP) استفاده شد. مدل از نوع Sequential با یک لایه‌ی ورودی با ۶ نورون، سه لایه‌ی مخفی از نوع Dense با ۱۶، ۳۲ و ۶۴ نورون و یک لایه خروجی بود. میانگین مربعات خطای MSE برای بخش آموزش برابر با ۰,۰۰۳۴ و برای دادههای اعتبارسنجی val_loss: ۰,۰۰۱۲ بود. برای بخش آزمایش، اعتبار سنجی برابر mse_mlp=۰,۰۰۴۸ و val_loss: ۰,۰۰۱۲ بود. نتایج میدهد که بین دادههای هواشناسی و PM۱۰ همبستگی معناداری از نوع مستقیم یا معکوسی وجود دارد. نتایج (MLP) نشان داد که شبکه توانسته عملکرد و خروجی مطلوبی را ارائه دهد و پیشبینی قابل‌قبولی برای دادههای PM۱۰ شهر اهواز داشته باشد.
عباس علیمحمدی، علی اکبر متکان، پرویز ضیائیان، هومن طباطبایی،
دوره ۹، شماره ۸ - ( ۴-۱۳۸۸ )
چکیده
نقشه های قابل اعتماد از تیپ جنگل ها نقش مهمی در اتخاذتصمیمات بهینه برای مدیریت اکوسیستمهای جنگلی در نواحی وسیع ایفا می کنند. در سال های اخیر تهیه این نقشه ها از طریق طبقه بندی رقومی دادههای سنجش از دور به عنوان جایگزینی مناسب موردتوجه قرار گرفته است. نتایج حاصله در این زمینه برحسب روشهای طبقه‌بندی مورداستفاده، وضعیت پوشش جنگلی، شرایط منطقه موردمطالعه و دادههای بکار گرفته شده متفاوت بوده است. هدف از این تحقیق، مقایسه روشهای طبقه‌بندی پیکسلپایه و شئپایه و درخت تصمیم برای تهیه نقشه تیپهای جنگل با استفاده از تصویر ماهوارهای SPOT۵ در محدودهای از جنگل آستارا واقع در شمال ایران است. اطلاعات زمینی با استفاده از ۱۵۳ پلات به صورت تصادفی درمساحت های یک هکتاری تهیه گردید. نوع تیپ در هر پلات بر اساس درصد فراوانی کل نوع گونهها تعیین شد و شامل تیپهای انجیلی آمیخته، پهن برگ مخلوط، ممرز آمیخته، راش آمیخته و حفاظتی بود. برای تهیه نقشه این تیپها، در روش پیکسلپایه با استفاده از داده های طیفی و طبقهبندیکننده شبکه عصبی، صحت کلی ۰۴/۵۲ درصد و ضریب کاپای ۳۹/۰ حاصل شد و در روش طبقه‌بندی شئپایه با روش نزدیکترین همسایه و توابع فازی، صحت کلی ۳/۶۳ درصد و ضریب کاپای ۵۴/۰ بدست آمد. به دلیل تشابه طیفی تیپهای آمیخته جنگل و تفکیک پذیری پائین آنها از یکدیگر در محدوده باندهای طیفی از اطلاعات بافت و دادههای توپوگرافی موثر در پراکنش مکانی تیپها شامل ارتفاع، جهت، شیب و فاصله از شبکه آبراهه برای کلاسهبندی تیپهای آمیخته جنگل استفاده گردید. بکارگیری دادههای کمکی در روشهای طبقه‌بندی پیکسلپایه و شئپایه حاکی از مفید بودن مدل رقومی ارتفاع در مقایسه با سایر دادههای کمکی در تفکیک تیپها داشت. استفاده از دادههای مربوط به فاکتورهای محیطی بعنوان متغیرهای کمکی در کنار دادههای طیفی در روش درخت تصمیم به صحت کلی ۵/۷۶ درصد و ضریب کاپای ۷/۰ در تفکیک تیپهای آمیخته جنگل منجرشد که نشان دهنده افزایش قابل ملاحظه صحت میباشد. مقایسه نتایج حاصل از روشهای طبقه‌بندی بکار گرفته شده در این تحقیق بیانگر پتانسیل بالای روش شئپایه در بکارگیری دادههای طیفی برای کلاسهبندی تیپهای آمیخته جنگل در مقایسه با روش طبقه‌بندی پیکسلپایه بود. همچنین تیپهای آمیخته جنگل با استفاده از دادههای کمکی در کنار دادههای طیفی با روش درخت تصمیم بهتر از روشهای پیکسلپایه و شئپایه در محدوده مطالعه تفکیک شد.
زهرا حجازی زاده، ابراهیم فتاحی، محمد سلیقه، فاطمه ارسلانی،
دوره ۱۳، شماره ۲۹ - ( ۶-۱۳۹۲ )
چکیده
سیگنال های اقلیمی، الگوهای بزرگ مقیاسی از ناهنجاری های گردش و فشار هوا میباشد که در محدوده جغرافیایی وسیع گسترش یافته است. این سیگنال ها در توجیه رفتار اقلیم از اهمیت زیادی برخوردارند. در این پژوهش ارتباط بارش با سیگنال های اقلیمی(AO, NAO,SOI, ENSO) در ناحیه مرکزی ایران مورد بررسی قرار گرفته است. داده های سیگنال ها از پایگاه داده های NCEP استخراج گردید و مجموعه داده های بارش ماهانه نیز از مرکز خدمات ماشینی سازمان هواشناسی کشور دریافت شد. داده ها ماهانه طی دوره ی آماری ۳۰ ساله، بین سال های ۱۹۷۸ تا ۲۰۰۸ بوده است. در نهایت با بکارگیری روش شبکه عصبی مصنوعی، مدل های شبیه سازی شده برای بازه های ۰، ۳ و ۶ ماهه محاسبه شد و نتایج نشان داد از بین سیگنال های مورد مطالعه سیگنال ENSO در مناطقNINO۱,۲ و NINO۳ بر بارش منطقه مورد مطالعه تاثیر معنی داری دارد و تاخیر ۳ و ۶ ماهه موجب قوی شدن ضریب همبستگی شاخص انسو در مناطق NINO۱.۲ و NINO۳ با بارش ایستگاه های مورد مطالعه شده است. همچنین تاخیر ۶ ماهه باعث منفی شدن ضریب همبستگی بین شاخص انسو در مناطق NINO۱.۲ و NINO۳ است. مطابق با مدل های ارئه شده، سیگنال انسو در مناطق NINO۱.۲ و NINO۳ می تواند به عنوان پیش بینی کننده بارش در کنار سایر پارامترهای تاثیر گذار مورد استفاده قرار گیرد و سایر سیگنال های اقلیمی مورد مطالعه تاثیر معنی داری بر بارش ایستگاه های مورد مطالعه ندارد.
مرتضی مهرعلی تبار فیروزجایی، حسن افراخته، اصغر عزیزی،
دوره ۱۴، شماره ۳۴ - ( ۹-۱۳۹۳ )
چکیده
بررسی نقش سرمایه اجتماعی بر توسعه نواحی روستایی هدف اصلی این تحقیق بوده است. منطقه مورد مطالعه تحقیق دهستان چهاردانگه جزء استان البرز و از توابع شهرستان ساوجبلاغ بوده است. جامعه نمونه از طریق مدل کوکران و برابر ۳۸ خانوار معین شده است. دادههای مورد نیاز تحقیق بر اساس مطالعه میدانی و برخی اسناد جمع آوری شده است. برای تعیین پایایی پرسشنامه از روش آلفای کرونباخ (۷۵/۰) و برای تعیین روایی از نظرات کارشناسان استفاده گردیده است. داده های جمع آوری شده از طریق آزمون های آماری نظیر آزمون تی، رگرسیون و مدل شبکه عصبی مورد تجزیه و تحلیل قرار گرفته است. نتایج تحقیق نشان میدهد که رابطه معناداری بین سطح سرمایه اجتماعی و توسعه روستایی وجود دارد که در آن مولفههای مشارکت، آگاهی و اعتماد عوامل تعیین کننده هستند. نتایج مدل شبکه عصبی نشان دهنده این است که متغیرهای مشارکت، اعتماد و آگاهی بیشترین تاثیر را در روند توسعه دارند، در حالی که نقش انسجام اجتماعی و شبکه اجتماعی محدودتر میباشد
آرش ملکیان، مه رو ده بزرگی، امیر هوشنگ احسانی،
دوره ۱۵، شماره ۳۶ - ( ۳-۱۳۹۴ )
چکیده
خشکسالی یکی از مخرب ترین بلایای طبیعی در جوامع بشری محسوب می شود که می تواند تاثیرات جبران ناپذیر کشاورزی، زیست محیطی، اجتماعی و اقتصادی به همراه داشته باشد. بنابراین آگاهی از وقوع خشکسالی می تواند در کاهش خسارات موثر باشد. در این پژوهش، به منظور مدلسازی و شبیه سازی شدت خشکسالی در طول یک دوره آماری ۳۷ ساله (۱۳۵۰- ۱۳۸۶) در ۲۱ ایستگاه بارانسنجی واقع در ناحیه نیمه خشک سرد شمال غربی ایران از شبکه عصبی مصنوعی بهره گرفته شد. داده های ورودی به شبکه شامل میانگین بارش سالیانه و نیز شاخص دهک بارش سالیانه برای تمامی ایستگاه ها بوده که ۸۰% داده ها برای آموزش شبکه (۱۳۵۰-۱۳۷۹) و۲۰% باقیمانده برای تست و اعتبار سنجی شبکه (۱۳۸۰-۱۳۸۶) انتخاب گردید. سپس عمل پیش بینی خشکسالی توسط الگوریتم آموزش دیده شده توسط شبکه عصبی مصنوعی و بدون استفاده از داده های واقعی و مشاهداتی، برای سال های ۱۳۸۷ تا ۱۳۹۱صورت گرفت. معماری مطلوب شبکه به صورت مدل پرسپترون با سه لایه پنهان، الگوی پس انتشار خطا و تابع محرک سیگموئید به همراه ۱۰ نرون در لایه میانی انتخاب گردید. نتایج حاصله نشان داد که شبکه عصبی مصنوعی به خوبی قادر به پیش بینی روابط غیر خطی بارش و خشکسالی بوده بطوریکه با همبستگی بیشتر از ۹۷% و خطای کمتر از ۵% مقادیر شاخص دهک بارش را پیش بینی نموده و نتایج حاصل از این پیش بینی بطور زیادی منطبق با مقادیر واقعی می باشد. از این رو با استفاده از این روش می توان وضعیت خشکسالی را در سال های آتی پیش بینی کرده و در مدیریت و بهره وری منابع آب و نیز مدیریت خشکسالی و تغییرات اقلیمی از این روش بهره جست.
طاهر رجایی، اکرم زینی وند، حمیده جعفری،
دوره ۱۶، شماره ۴۲ - ( ۷-۱۳۹۵ )
چکیده
در این تحقیق پیشبینی تراز آب زیرزمینی حوضه آبریز شریفآباد استان قم با بهرهگیری از برخی مدلهای هوشمند میباشد. به این منظور از دادههای ماهیانه تراز آب زیرزمینی در سه حلقه چاه مشاهدهای واقع در حوضه آبریز شریفآباد در مدل سازیها استفاده شده است. جهت مقایسه نتایج حاصل از مدلهای هیبرید آنالیز موجک-شبکه عصبی (WNN)، برنامهریزی ژنتیک (GP)، رگرسیون خطی چند متغیره (MLR) و شبکه عصبی مصنوعی (ANN) از دو معیار ریشه خطای مربع متوسط (RMSE) و ضریب کارایی نش- ساتکلیف (E) استفاده شده است. نتایج تحقیق نشان داده است که مدل ترکیبی موجک-عصبی پیشبینی دقیقتری برای تراز آب زیرزمینی ماهانه نسبت به مدلهای ANN، GP و MLR ارائه داده، به طوریکه ضریب نش در مدل ترکیبی برای پیزومترهای ۱، ۲ و ۳ به‌ترتیب ۹۸/۰، ۹۸/۰ و ۹۵/۰ حاصل شده است.
جواد سدیدی، هانی رضائیان، محمدرضا برشان،
دوره ۱۷، شماره ۴۷ - ( ۱۰-۱۳۹۶ )
چکیده
بواسطه پیچیدگی عملکردی پدیده آلودگی هوا، از روشهای هوش مصنوعی بالاخص شبکه عصبی برای مدل سازی آلودگی هوا استفاده میشود. هدف از این پژوهش دو مدل شبکه عصبی بازگشتی Elman و Jordan در زمینه پراکنش خطا و اعتبارسنجی آنها، به منظور تخمین غلظت ذرات معلق موجود در اتمسفر در شهر اهواز میباشد. پارامترهای مورد استفاده شامل رطوبت، فشار هوا، دما و عمق نوری آئروسل میبوده که مقادیر آن از تصاویر ماهوارهای MODIS و دادههای ایستگاههای هواشناسی تهیه شده است. نتایج نشان میداد که مدل Jordan با مقدار RMSE معادل ۹/۲۱۹ میلی گرم بر متر مکعب نسبت به مدل Elman با مقدار RMSE معادل ۵/۲۲۸ دقت برازش بهتری داشته است. مدل Jordan به دلیل استفاده از حلقههای درونی سبب بهروز رسانی مقادیر زمینه شده و این امر موجب افزایش صحت مدل میشود. مقدار شاخص R۲ ، که نماینده میزان رابطه خطی بین مقادیر پیشبینی شده با مقادیر واقعی است، برای مدل Jordan معادل ۵/۰ بدستآمده است که درصد تخمین صحیح ۵۰ درصد دادهها را نشان میداد. در نهایت با استفاده ازدادههای مربوط به غلظت PM۱۰ برای روز ۱۶۲ که بالاترین میزان غلظت را داشت با روش درونیابی IDW نقشه توزیع مکانی آن تولید شد. با توجه به گران بودن ایستگاههای آلودگی سنجی پیشنهاد شد از منابع کمکی دیگر مانند اطلاعات داوطلبانه با استفاده از سنسورهای ارزان قیمت موبایل به عنوان ایستگاه کمکی متحرک و کم هزینه جهت افزایش تراکم و پراکنش مناسب ایستگاهها جهت مدلسازی دقیقتر آلودگی هوا استفاده شود.
فاطمه محمدیاری، حمیدرضا پورخباز، حسین اقدر، مرتضی توکلی،
دوره ۱۸، شماره ۵۰ - ( ۱-۱۳۹۷ )
چکیده
تغییر کاربری زمین، یکی از مهمترین چالشهای برنامهریزی کاربری زمین است که در برابر برنامهریزان، تصمیمگیران و سیاست گذاران قرار دارد و تأثیر مستقیمی بر بسیاری از مسائل از قبیل رشد اقتصادی و کیفیت محیط دارد. مطالعه حاضر، روند تغییرات کاربری اراضی شهر بهبهان برای سالهای ۱۳۹۲ و ۱۴۰۶ با استفاده از LCM در محیط سامانه اطلاعات جغرافیایی را بررسی میکند. تجزیه و تحلیل و بارزسازی تغییرات کاربریها، به کمک دو دوره از تصاویر ماهواره لندست سالهای ۱۳۷۸ و ۱۳۹۲ انجام شد و نقشههای پوشش اراضی برای هر سال تهیه شد. مدلسازی پتانسیل انتقال، به کمک الگوریتم پرسپترون چندلایه شبکه عصبی مصنوعی با استفاده از شش متغیر مستقل صورت پذیرفت و میزان تخصیص تغییرات کاربریها به همدیگر، به روش زنجیره مارکف مورد محاسبه قرار گرفت. نتایج پیشبینی نشان داد بیشترین کاهش تغییرات شامل تخریب مراتع و بیشترین افزایش مساحت در کاربری کشاورزی میباشد. با توجه به نتایج جدولبندی افقی نقشه سال ۱۴۰۶ میتوان بیان کرد که از مجموع کل مساحت منطقه، ۲۲/۲۸۳۳۶ هکتار از اراضی بدون تغییر و ۷۸/۳۳۲۲۳ هکتار از اراضی تغییر کاربری دادهاند. همچنین روند تخریب مراتع و جنگل در طی این بازه زمانی میتواند زنگ خطری برای مدیران و برنامهریزان شهری و منابع طبیعی باشد.
علیرضا انتظاری، فاطمه میوانه، خسرو رضایی، فاطمه رحیمی،
دوره ۱۸، شماره ۵۱ - ( ۴-۱۳۹۷ )
چکیده
آسایش و عدم آسایش حرارتی انسان از طریق شاخصهای تئوری و تجربی زیادی محاسبه میشوند که دادههای ورودی این شاخص‌ها بسیاری از عناصر آب و هوایی از جمله سرعت باد، درجه حرارت، رطوبت، تابش خورشید و غیره میباشد. در مطالعه حاضر از دادههای روزانه درجه حرارت، سرعت باد،رطوبت نسبی و ابرناکی شهر مشهد بین سالهای۱۳۹۲-۱۳۸۳ استفاده شده است. ابتدا پارامتر Tmrt در محیط نرم افزار Ray Man محاسبه و با استفاده از نرم افزار Bioklima مقادیر شاخصهای UTCI وPMV استخراج گردید. نتایج مطالعه نشان میدهد که شدیدترین تنش‌های سرمایی بر اساس شاخص PMV در فصل زمستان و اواخر فصل پاییز مشاهده میشود. و شاخص UTCI نیز در ماه‌های دی و بهمن بیشترین تنش سرمایی را دارند. با وجود توانایی شبکه‌های عصبی، پیش بینی عملکرد آینده شبکه (تعمیم یافتگی) به سادگی امکان‌پذیر نیست و لذا مدل جدیدی در این مقاله ارائه گردیده که از شبکه‌های عصبی مبتنی بر ماشین بولتزمان محدود شده یا شبکه‌های عصبی باور عمیق بهره گرفته است. با بکارگیری این ساختار، معیارهای میانگین مربعات خطای استاندارد (MSE) و میانگین مطلق درصد خطا (MAPE) محک خوردند و برای ۷ شاخصه حاصل از دادههای گردآوری شده که سه شاخصه مربوط به زمان وقوع شرایط آب و هوایی و سایرین، شاخصهای حرارتی آسایش انسان است، در سیستم ارزیابی گردید. ارزیابی با تقسیم دادهها به بخش‌های آموزشی و آزمایشی و به ترتیب به نسبت‌های دوسوم، پنجاه درصد و یک سوم صورت پذیرفته است و دو محک MSE و MAPE محاسبه شدند. عملکرد سیستم پیشنهادی در پیش بینی وضعیت آسایش حرارتی انسان مطلوب بود.
nk href="moz-extension://۸b۹۲۲۵۲۳-۷۹۲۲-۴۳۵a-ac۷۴-۸ddb۵۹e۹beaf/skin/s۳gt_tooltip_mini.css" rel="stylesheet" type="text/css" >
ایران صالحوند، امیر گندم کار، ابراهیم فتاحی،
دوره ۲۰، شماره ۵۹ - ( ۱۰-۱۳۹۹ )
چکیده
پیش بینی بارش در مدیریت و هشدار سیل نقش مهمی بر عهده دارد و با اطلاع از میزان بارندگی می توان امکان وقوع سیل را در یک منطقه پیش بینی و اقدامات لازم را به عمل آورد. به دلیل اینکه بارشهای سه ماه ژانویه، فوریه و مارس در اکثر مواقع سیل آسا می باشند و همچنین بیشتر بارشها در این سه ماه رخ می دهند، لذا در این پژوهش به بررسی عوامل موثر بر بارش و مدل سازی این سه ماه پرداخته شد. برای مدل سازی بارش از داده های بارش ماهانه ی ایستگاه همدید و بارانسنجی در بازه ی آماری (۲۰۱۴-۱۹۸۴) به مدت ۳۰ سال بعنوان متغیر وابسته و شاخصهای اقلیمی، سیگنالهای بزرگ مقیاس اقلیمی شامل؛ دمای سطح دریا و دمای ۱۰۰۰ میلی باری، هم ارتفاع تراز ۵۰۰ میلی باری ، امگای ۲۰۰ میلی باری و عناصر اقلیمی بعنوان متغیر مستقل استفاده شده است. به دلیل رفتار غیرخطی بارش از شبکه های عصبی مصنوعی جهت مدل سازی بهره گرفته شد. جهت مشخص شدن بهترین معماری برای ورود به شبکه ی عصبی از تحلیل عاملی استفاده شد. برای پیش بینی بارش از داده هایی که بیشترین ارتباط را با بارش نشان دادند بصورت چهار الگو استفاده گردید که در ماه ژانویه الگوی چهارم با خطای آنتروپی ۰۴۵/۰، تعداد لایه های ورودی ۹۱ واحد ، بهترین آرایش ۱۵-۱ و ضریب همبستگی ۹۴ درصد بود. در ماه فوریه، الگوی سوم با ضریب همبستگی ۹۷ درصد، خطای آنتروپی ۰۳۶/. درصد ، تعداد واحدهای ورودی ۸ واحد و بهترین نوع آرایش لایه ی پنهان ۱۰-۱ بود. بارش ماه مارس با تمام الگوها ضریب پیش آگاهی بالا بود که الگوی اول با خطای آنتروپی ۰۳۸/.، تعداد واحدهای ورودی ۶۷، نوع آرایش لایه ی پنهان، ۱۷-۱، ضریب همبستگی ۹۸ درصد بود.
مظفر محمدخانی، زینب کرکه آبادی، عباس ارغان،
دوره ۲۰، شماره ۵۹ - ( ۱۰-۱۳۹۹ )
چکیده
شاکلهی تابآوری شهری را چهار بعد اجتماعی، اقتصادی، نهادی و کالبدی تشکیل میدهند در وضعیت مطلوب یک شهر تابآور دارای اجتماعی محلی توانمند با اقتصادی پویا و پایدار که از لحاظ نهادی و مدیریتی به شکل مشارکتی اداره شده و از برآیند این عوامل فوق کالبدی شهری شکل گرفته بصورت یک دست و منسجم جلوه کرده و در هیج نقطهای از آن پژمردگی مشاهده نمیشود. هدف از پژوهش حاضر سنجش تابآوری و پایداری شهر سمنان در مواجهه با مخاطرات طبیعی (زلزله) میباشد. روش تحقیق در این بررسی توصیفی- تحلیلی بوده که آمار و اطلاعات آن با استفاده از پرسشنامه به‌دست‌آمده است. جامعه آماری این پژوهش شهروندان ساکن در شهر سمنان بوده است که با استفاده از فرمول کوکران، نمونهای به حجم ۳۸۴ نفر از بین آنها با روش نمونه‌گیری تصادفی انتخاب گردید. برای سنجش روایی (اعتبار)، با استفاده از روایی صوری، نظرات افراد مرتبط بررسی و پایایی آن با استفاده از آزمون کرونباخ در محیط نرم‌افزاری Spss معادل ۸۶۳/. تعیین شد که گویای هماهنگی و پایایی بالای دادهها است. در تجزیه و تحلیل دادهها، از آزمون‌های آماری توصیفی و استنباطی در نرم افزار Spss استفاده شده است. در سطح آمار توصیفی، از میانگین گیری و درصد گیری؛ و در سطح آمار استنباطی، برای بررسی ارتباط میان متغیرها از ضریب همبستگی پیرسون و آزمون تیتک نمونهای و همچنین مدل شبکه عصبی بهرهگیری شده است. یافتههای تحقیق نشان داد که بعد اجتماعی - فرهنگی با میانگین رتبه ۲,۵۹ و کالبدی با میانگین رتبه ۳.۰۵ و بعد اقتصادی با میانگین رتبه ۲.۱۷ و در آخر بعد نهادی - سازمانی با میانگین رتبه ۲.۵۶وضعیت موجود ابعاد تاب آوری در شهر سمنان را نشان میدهند.
داریوش ابوالفتحی، عقیل مددی، صیاد اصغری،
دوره ۲۲، شماره ۶۶ - ( ۷-۱۴۰۱ )
چکیده
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. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه ونایی است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی است. 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) به تخمین بار رسوب پرداخته شد. پس از محاسبه شاخص های RMSE و MAE 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 مصنوعی MLP دقت بهتری را نسبت به مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص R۲ که برای دومدل محاسبه شده است دقت تخمین مدل به مقدار۹۰,۴۷ برای مدل MLP محاسبه شده است، مقدار R۲ برای این مدل برابر ۰,۸۹ است. پس از مدل شبکه عصبی مصنوعی MLP. مدل رگرسیون خطی چند متغیره با مقدار R۲ برابر با ۰,۳۵۳ قرار دارد. و این نشان دهنده ی دقت سه برابری مدل MLPنسبت به مدل رگرسیون می باشد مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر میگیرد بیشترین میزان خطا را دارد.
علی هاشمی، حجت الله یزدان پناه، مهدی مومنی شهرکی،
دوره ۲۴، شماره ۷۵ - ( ۱۰-۱۴۰۳ )
چکیده
متغیرهای اقلیمی مهم ترین عوامل تأثیرگذار بر تغییرات پوشش گیاهی محسوب می شوند. امروزه از تصاویر ماهواره ای به طور گسترده ای برای بررسی اثر نوسانات متغیرهای اقلیمی بر تغییرات پوشش گیاهی استفاده می گردد. هدف از پژوهش حاضر بررسی رابطه متغیر اقلیمی بارش، دما و رطوبت بر تغییرات شاخص¬های پوشش گیاهی باغات پرتقال حسن آباد داراب با استفاده از داده های ماهواره ای میباشد. بدین منظور دادههای مشاهداتی، شامل دادههای فنولوژی درخت پرتقال و دادههای هواشناسی در بازه زمانی ده‌ساله (۱۳۸۵ تا ۱۳۹۵) مربوط به ایستگاه هواشناسی کشاورزی حسن‌آباد داراب جمع‌آوری‌شده است. تصاویر سنجنده مودیس برای سال ۱۳۸۵ تا ۱۳۹۵ با توجه به دادههای زمینی و نقشههای ۱:۲۵۰۰۰ سازمان نقشه‌برداری زمین مرجع شدند. این تصاویر برای محاسبه شاخصهای پوشش گیاهی سنجش‌ازدوری شامل شاخص تفاضلی نرمال شده پوشش گیاهی (NDVI)، شاخص وضعیت پوشش گیاهی (EVI) استفاده گردید. نتایج نشان داد که متغیرهای حداکثر رطوبت، حداقل دما و بارش دارای تأثیر مثبت معنی‌دار بر متغیر NDVI هستند. به‌علاوه متغیرهای حداکثر دما، حداقل رطوبت دارای تأثیر منفی معنی‌دار بر متغیر وابسته NDVI و EVI هستند. به‌منظور تعیین اهمیت هریک از متغیرهای مستقل در پیشبینی متغیرهای وابسته از روش شبکه عصبی مصنوعی استفاده شد. یافتهها نشان داد که عناصر اقلیمی بارش، حداقل دما، حداکثر دما، حداقل رطوبت و حداکثر با مقادیر به ترتیب (۳۹/۰، ۳/۰، ۱۳/۰، ۱/۰ و ۰۶/۰ ) بیشترین تأثیر را بر EVI دارند. به‌علاوه تاثیر این متغیرها بر شاخص NDVI به ترتیب ضرایب آنها (۲/۰، ۲۸/۰، ۲۲/۰، ۱۱/۰ و ۱۷/۰) میباشد.درنهایت به‌منظور افزایش قدرت توضیح دهندگی مدل از روش رگرسیون ARMAX استفاده شد. نتایج نشان داد استفاده از این روش منجر به افزایش قدرت توضیح دهندگی مدل، کاهش خطای پیشبینی می‌گردد.
