مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان 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 مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقایسه سه روش زمین آمار برای پیش بینی گروه های بافتی در اراضی زراعی و باغی استان گیلان :
تعداد صفحات : ۱۷
بافت[H1] خاک یک خصوصیت ایستای خاک است و بر بیشتر ویژگیهای فیزیکی و شیمیایی خاک تاثیر میگذارد.از این رو، تقاضا برای اطلاعات مکانی آن رو به افزایش است. کمبود اینگونه اطلاعات میتواند منجر به اتخاذ سیاستهای غلط در مدیریت و تخریب منابع زمین و آب شود. در ایران دادههای پراکنده بسیاری در مورد خاک وجود دارد که هزینههای بسیاری صرف تولید آنها شده است. در صورت پهنهبندی صحیح، این دادهها به صورت نقشه در دامنه وسیعی از کاربردها قابل استفاده هستند. در این پژوهش، روشهای کریجینگ معمولی، وزندهی عکس فاصله و طبقهبندی پیکسل مبنا برای پهنهبندی ذرات معدنی و گروههای بافت خاک (سبک، سنگین و متوسط) در ۴۶۶۵ نمونه خاک سطحی با مختصات جغرافیایی معین در اراضی زراعی و باغی استان گیلان که عمدتا در دشتهای ساحلی و پست قرار داشتند، مقایسه گردید و با استفاده از آمارههای صحت سنجی ضریب تبیین (R2)، میانگین اریب خطا (MBE)، ریشه میانگین نرمالشده مربعات خطا (NRMSE)، ضریب کاپا (KIA) و درصد صحت طبقهبندی پیکسلها (Pa) ارزیابی شد. نتایج نشان داد که روش وزندهی عکس فاصله در برآورد درصد رس (۶۴/۰ R2 = و ۲۲/۰ NRMSE =) و شن (۶۷/۰ R2 = و ۲۵/۰ NRMSE =) از صحت بالاتری برخوردار بود. اما در برآورد گروههای بافتی سبک، سنگین و متوسط روش طبقهبندی پیکسل مبنا بر پایه آمارههای ضریب کاپا و صحت طبقهبندی (به ترتیب برابر ۴۶/۰ و ۷۳%) از صحت بیشتری نسبت به دیگر روشها برخوردار بود؛ اما این برتری نسبت به روش کریجینگ معمولی (۴۳/۰ KIA = و ۷۱% Pa =) جزئی بود. در طبقهبندی پیکسل مبنا از مولفههای دادههای رقومی خاک به عنوان متغیر ورودی در شبکه عصبی مصنوعی برای برآورد اجزای معدنی در پیکسلهای مجهول استفاده شد. برای تصمیمگیری با قطعیت بیشتر در رابطه با کارایی طبقهبندی پیکسل مبنا در برآورد گروههای بافتی خاک لازم است این روش در شرایطی با تنوع بیشتر در فیزیوگرافی نیز ارزیابی شود. [H1]
- لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
- همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
- ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.