پیش بینی ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون چند متغیره در منطقه خضرآباد یزد

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 پیش بینی ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون چند متغیره در منطقه خضرآباد یزد دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون چند متغیره در منطقه خضرآباد یزد  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی پیش بینی ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون چند متغیره در منطقه خضرآباد یزد،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پیش بینی ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون چند متغیره در منطقه خضرآباد یزد :

تعداد صفحات : ۱۴

ارزیابی و طراحی سناریوهای مختلف مدیریتی احتیاج به داشتن اطلاعات دقیق بانک اطلاعات خاک دارد، ظرفیت تبادل کاتیونی از پارامترهای مهم موجود در بانک اطلاعاتی خاک به حساب می آید. با توجه به مشکلات اندازه گیری مستقیم ظرفیت تبادل کاتیونی بخصوص در خاک های اریدیسول ایران در سال های اخیر از روش های غیرمستقیم برای برآورد این پارامتر استفاده می شود. بدین منظور در این تحقیق برای برآورد ظرفیت تبادل کاتیونی انقدام به نمونه برداری از منطقه خضرآباد از ۱۲ پروفیل، به تعداد ۴۰ نمونه گردید. فراوانی نسبی ذرات به روش هیدرومتری، کربن آلی به روش والکی و پلاک و ظرفیت تبادل کاتیونی به وسیله روش باور اندازه گیری شد. سپس با استفاده از روش های شبکه عصبی مصنوعی، رگرسیون چندمتغیره و چند تابع تجربی و با استفاده از پارامترهای درصد رس، شن، سیلت و کربن آلی اقدام به تخمین پارامتر مورد نظر گردید. در ابتدا پارامترهای هر یک از مدل ها را تعیین کرده و در مرحله بعد اقدام به برآورد پارامتر مورد نظر گردید. در نهایت در این تحقیق با توجه به وجود روابط خطی مابین ورودی ها و خروجی ها شبکه عصبی عملکرد بهتری نسبت به مدل رگرسیون پایه داشته است. سایر مدل های رگرسیون پایه با توجه به نوع ورودی ها و ضرایب آنها عملکرد متفاوتی از خود نشان داده به طوری که در بین این مدل ها، مدلی که نسبت به سایر مدل ها با توجه به معیارهای ارزیابی مورد استفاده (AARE, RMSE) برتری قاطعی داشته باشد، وجود نداشته است. در کل نتایج این تحقیق نشان دهنده اهمیت فرآیند آموزش و تعیین پارامترهای مدل با استفاده از داده های یک منطقه می باشد.