multiple regression
در نشریات گروه محیط زیست-
زمینه و هدف
کسب اطلاعات به هنگام از وضعیت کمی و کیفی جنگل ها در تشریح پایداری اکوسیستم، طراحی طرح های مدیریتی و حفاظتی مفید است. با توجه به نقش جنگل های زاگرس در حفاظت از آب و خاک و اهمیت تاج پوشش در جنگل های زاگرس و هزینه زیاد و زمان بر بودن اندازه گیری آن از طریق روش های میدانی، کارایی فنون سنجش از دور و زمین آمار در برآورد تاج پوشش جنگل های منطقه باغان شهرستان مریوان بررسی شد.
روش بررسیابتدا 89 قطعه نمونه 1/0 هکتاری در منطقه پیاده و تاج پوشش درختان و موقعیت قطعات نمونه برداشت شد. در روش سنجش از دور از تصاویر سنجنده TM ماهواره لندست و مدل رگرسیون خطی چندگانه استفاده شد. بدین ترتیب پس از پردازش تصاویر، ارزش های متناظر قطعات نمونه از باندهای اصلی و باندهای حاصل از شاخص های گیاهی و تجزیه مولفه های اصلی، استخراج شد. در روش زمین آمار از مدل نمایی برازش داده شده بر نیم تغییرنما به روش کریجینگ معمولی استفاده شد.
یافته هانتیجه واریوگرافی نشان از ساختار مکانی قوی دارد و نتایج ارزیابی برآورد، نشان از نااریب بودن برآورد متغیر تاج پوشش است، بنابراین نقشه تاج پوشش جنگل با استفاده از روش کریجینگ با دقت مناسبی تهیه شد. نتایج کلی نشان دهنده دقت بیشتر مدل کریجینگ در برآورد درصد تاج پوشش (69/0R2= ، 21/9 RMSE=) در مقایسه با روش سنجش از دور (52/0R2= ، 47/16 RMSE=) بود.
نتیجه گیرینتایج این تحقق نشان داد که زمین آمار می تواند ابزاری کارآمد برای تهیه نقشه میزان تاج پوشش جنگل در نواحی رویشی مشابه (رویشگاه زاگرس) باشند.
کلید واژگان: تاج پوشش، جنگل های زاگرس، رگرسیون چندگانه، کریجینگ، لندستBackground and ObjectiveUpdated information in quantitative and qualitative properties of forests are useful in describing ecosystem sustainability, and designing management and conservative plans. According to importance of canopy cover parameter in the Zagros region and cost and time consuming processes of field measurement methods, in this study performance of remote sensing and geostatistics techniques to estimate forest canopy cover of Baghan region, Marivan city, were investigated.
Material and MethodologyFirst, the number of 89 plots (each 0.1 Hectare) were selected based on random sampling method. In each plot, information of tree crown and center geographic coordinates of that plot were recorded. Remote sensing method was carried out using Landsat satellite images (TM) and multiple linear regression model. After image processing, spectral values of the corresponding field plots were extracted from the original images and synthetic bands composed of vegetation indices and principle component analysis. In geostatistic method, the estimation was performed using ordinary kriging from a fitted exponential model to the semivariogram.
FindingsThe calculated variograms of canopy cover showed relatively strong spatial autocorrelation fitted by exponential models and cross-validation results showed an unbiased estimation of canopy estimation. Compared with the remote sensing method (with R2= 0/52 and RMSE= 16/47), the results indicated that Kriging model (RMSE= 9.21, R2= 0.69) showed a more accurate estimation of forest canopy cover.
Discussion and ConclusionThe results showed that geostatistics techniques can be used as an efficient tool for mapping the forest canopy in the same regions (Zagros Forest).
Keywords: canopy cover, Kriging, Landsat, Multiple Regression, Zagros forest -
زمینه و هدفاندازه گیری و پایش کربن آلی در محیط های آبی یکی از شاخص های مهم کیفی در پروژه های مدیریت محیط زیست، پایش کیفی منابع آب و تامین آب شرب است. در این تحقیق، عملکرد مدل شبکه عصبی مصنوعی و مدل رگرسیون غیر خطی چندگانه با هدف سنجش پارامتر کربن آلی در منابع آب با حداکثر ضریب همبستگی محتمل و حداقل تعداد پارامترهای ورودی، مورد مطالعه و بهینه سازی قرار گرفت.روش بررسیبه این منظور مدل اولیه شبکه عصبی مصنوعی و رگرسیون غیر خطی چندگانه با کلیه پارامترهای ورودی برای دستیابی به حداقل پارامترهای مورد نیاز تحت بهینه سازی به روش حذف ترتیبی قرار گرفت.یافته هاآزمون صحت سنجی مدل بیانگر توافق خوبی میان سنجش کربن آلی محلول و مشاهدات واقعی بوده است. تحلیل نتایج نشان دهنده ی عملکرد قابل قبول مدل شبکه عصبی با درصد خطای متوسط 7 % و ضریب همبستگی 91/0 می باشد.بحث و نتیجه گیریرفتار سنجی نتایج مدل سازی آشکار نمود که هرچند مدل رگرسیون چندگانه با درصد خطای متوسط 8 % و ضریب هم بستگی 89/0 عملکرد نسبتا ضعیف تری داشته است، اما سرعت اجرای بالا و عملکرد بهتر در شرایط بحرانی نشان از قابلیت بالای این مدل در سنجش کربن آلی در منابع آب با دامنه تغییرات کیفی زیاد دارد.کلید واژگان: مدل سازی، کربن آلی محلول، کیفیت منابع آب، شبکه عصبی، رگرسیون چندگانهBackground and ObjectiveMonitoring of organic carbon in water resources is a critical quality index in environmental management, water quality monitoring and drinking water projects. In this study, the performance and applicability of artificial neural network and multiple nonlinear regression modeling were investigated and optimized for the prediction of dissolved organic carbon.MethodOptimization was performed using backward elimination method with the highest probable correlation coefficient and minimum number of input parameters.FindingsModel verification showed a good agreement between the predicted organic carbon and actual observations. Results showed the acceptable performance of neural network model with the mean absolute error percentage of 7.6% and correlation coefficient of 0.91.Discussion and ConclusionFurther investigations unveiled that although the multiple regression model, with mean absolute error percentage of 8.4% and correlation coefficient of 0.89, seems to be less appealing but its fast run-time and better performance in critical conditions makes it a better choice for the prediction of organic carbon in aqueous solotions with high range of qualitative changes.Keywords: Modeling, Dissolved Organic Carbon, Water Resource Quality, Neural Network, Multiple Regression
-
این پژوهش به منظور ارزیابی تاثیر ویژگی های فیزیکی- شیمیایی خاک بر گسترش خندق در شهرستان دره شهر استان ایلام انجام شد. در همین راستا تعداد 36 خندق در پهنه خندقی دره شهر در استان ایلام انتخاب شدند. سپس خصوصیات ژئومتری و خصوصیات فیزیکی-شیمیایی خاک خندق ها با استفاده از عکس های هوایی، نقشه های رقومی مربوطه و عملیات میدانی مشخص شدند. برای تعیین میزان اثرگذاری این عوامل بر روی هریک از مشخصات ژئومتری خندق و رابطه بین متغیرهای وابسته و مستقل با استفاده از رگرسیون چند متغیره به دست آمد. نتایج نشان داد که میزان شوری، نسبت سدیم قابل جذب و سدیم محلول دارای بیشترین ضریب تاثیر و بیشترین نقش را در گسترش خندق دارند. حال آنکه میزان مواد آلی و مجموع کلسیم و منیزیم چون نقش چسبندگی و فولکوله کردن خاک را داشته مانع از گسترش خندق می شوند. همچنین بر اساس مدل گسترش سطح مقطع میزان نسبت سدیم قابل جذب و سدیم تبادلی دارای بیشترین ضریب تاثیر در افزایش سطح مقطع است. میزان گچ و مجموع کلسیم و منیزم بیشترین نقش را در مهار و جلوگیری از گسترش ابعاد خندق ایفا کردند.کلید واژگان: خصوصیات ژئومتری، رگرسیون چندمتغیره، فرسایش خندقی، خصوصیات فیزیکی، شیمیایی خاک، عکس هواییThis study was performed to evaluate the effect of soil physicochemical characteristics on the gully expansion in the Darrehshahr Township of Ilam Province, Iran. In this regard, 36 gullies were selected. The soil physicochemical properties and geometry characteristics of gullies were tested using aerial photography, the digital maps, and field operations. The multiple regression was used to determine the impact of these factors on each gully geometry characteristics and to establish relationship between dependent and independent variables. The results showed that EC, SAR, and Na have the highest impact and play the most important role in the development of gully. Whereas amount of organic matter and total of Caﯣ prevent gully development because of their soil adherence and flocculating nature. Moreover, based on the cross-section development model, the amount of SAR and the Na had the highest impact in the increasing cross section of gully. However, the amount of gypsum and total of Ca and Mg play the most important role in control and prevent of the gully development.Keywords: Geometric Characteristics, Multiple Regression, Gully Erosion, Soil Physico-Chemical Characteristics, Aerial Photo
-
The climate and weather patterns of Buffalo (New York, U.S.A.) are strongly influenced by the city’s proximity to Lake Erie. Total monthly snowfall in Buffalo is forecasted using neural network techniques (Multi-Layer Perceptron = MLP) and a multiple linear regression (LR) model. The period of analysis comprises 28 years from January 1982 to December 2009. Input data include: zonal wind speed (u-wind), meridional wind speed (v-wind), air temperature, the geopotential height (GPH) over Lake Erie and the surrounding regions at the 1000 mb -, 925 mb -, 850 mb -, and 700 mb - levels as well as the surface pressure and air temperature, mean water temperature, lake surface water temperatures (LSWT) and the amount of ice coverage of Lake Erie; the 500 mb GPH over James Bay, Canada; and the surface pressure over the North-Central Great Plains. Different lead times of the input variables are tested for their suitability. The most accurate result is obtained by using the MLP with an optimum lead time approach (lead times vary for the different input variables between one and six months). The results of the MLP with six months lead time are in good agreement with observed precipitation records over the study period.Keywords: Seasonal forecast, Snow, Lakes, Neural network analysis, Multiple regression
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.