به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

multivariate linear regression

در نشریات گروه آب و خاک
تکرار جستجوی کلیدواژه multivariate linear regression در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه multivariate linear regression در مقالات مجلات علمی
  • حامد فیض آبادی، عبدالرضا ظهیری*، خلیل قربانی

    سابقه و هدف:

    منابع آب همواره به عنوان یکی از مسائل حیاتی زندگی بشر مطرح بوده است. یکی از مهم ترین منابع تامین آب، مخازن سدها می باشند که اطلاع از مقدار آب ذخیره شده در آن ها حائز اهمیت می باشد و برآورد دقیق تر آن برای استفاده بهینه و برنامه ریزی شده از این ذخایر باارزش، امری ضروری است. روش معمول برای تعیین حجم آب ذخیره شده در مخازن، استفاده از تراز سطح آب (اشل) و منحنی حجم-ارتفاع مخزن است. تغییر منحنی حجم-ارتفاع مخزن بر اثر عواملی مثل سیلاب ها باعث می شود که استفاده مجدد از آن نیازمند تصحیح منحنی اولیه باشد که با صرف هزینه و زمان زیاد همراه است. در این پژوهش یک روش جدید برای تخمین حجم آب ذخیره شده در مخزن سد با استفاده از ارتباط بین تصاویر ماهواره ای و عمق آب ارائه شده است تا علاوه بر صرفه جویی در هزینه ها بتوان مدیریت منابع آبی را بهبود بخشید.

    مواد و روش ها:

    به منظور تخمین حجم آب ذخیره شده در مخزن سد با استفاده از عمق سنجی آب به روش سنجش از دور، ابتدا تصاویر ماهواره Landsat8 OLI مربوط به مخزن سد زوجار (با حداکثر ظرفیت ذخیره 2/3 میلیاردمترمکعب) واقع در کشور اسپانیا دانلود و پس از اعمال تصحیحات رادیومتریکی، باندها و شاخص های طیفی مربوط به پیکسل های مختلف تصویر استخراج شد. به دلیل حجم بسیار بالای ماتریس داده های ورودی، مدل سازی و استخراج معادله رگرسیون خطی چندمتغیره مسئله ای زمانبر و طولانی است. برای کاهش تعداد داده ها و افزایش سرعت انجام محاسبات، یک کد در محیط نرم افزار Matlab نوشته شد و سپس داده های جدید برای مدل-سازی به روش رگرسیون خطی به نرم افزار Minitab معرفی شدند. عمق های آب واقعی تهیه شده از پایگاه داده DAHITI به عنوان متغیر های ورودی وابسته و باندها و شاخص های طیفی به عنوان متغیرهای ورودی مستقل برای برازش معادله رگرسیون خطی چند متغیره استفاده شدند.

    یافته ها:

    نتایج حاصل از معادله عمق سنجی آب در سه زمان مختلف با فاصله زمانی مناسب (سال های 2013، 2019 و 2020) نشان داد که کمترین و بیشترین مقدار RMSE در محاسبه عمق آب به ترتیب 00/1 و 35/1 متر و میانگین آن 2/1 متر می باشد. همچنین کمترین و بیشترین خطای تخمین حجم آب به ترتیب 88/3 و 85/14 درصد و میانگین آن برای سه زمان مورد بررسی 25/9 درصد بدست آمد. با توجه به اینکه در طول این مدت (از سال 2013 تا سال 2020)، کمترین و بیشترین عمق آب مشاهداتی به ترتیب 5/16و 5/39 متر می باشند نتایج بدست آمده از دقت قابل قبولی برخوردار است. بررسی ها نشان داد که در عمق سنجی ماهواره ای از میان متغیر-های ورودی شاخص طیفی آب تفاضلی نرمال شده NDWI و باند مادون قرمز نزدیک NIR به ترتیب با ضرائب تبیین 94/0 و 85/0 بیشترین ارتباط معنادار را با تغییرات عمق آب دارند. 

    نتیجه گیری:

    نتایج بدست آمده نشان داد که می توان بین عمق آب واقعی و باندهای طیفی استخراج شده از تصاویر ماهواره ای تا اعماق حدود 40 متر رابطه ای به شکل رگرسیون خطی چند متغیره نوشت که علاوه بر دقت در عمق سنجی آب از دقت قابل قبولی در تخمین حجم آب ذخیره شده در مخزن نیز برخوردار باشد تا با بهبود و ارتقا آن بتوان حجم آب مخازن را در بازه های زمانی طولانی برآورد کرد.

    کلید واژگان: حجم ذخیره آب، تصاویر ماهواره ای، سد زوجار، رگرسیون خطی چند متغیره، پایگاه داده DAHITI
    Hamed Feizabady, Abdolreza Zahiri *, Khalil Ghorbani
    Background and Objective

    Water resources have always been a critical issue in human life. Reservoirs, as one of the key water sources, require accurate assessment of their stored water volume for optimal utilization and planned management. Traditional methods for determining water volume, relying on water surface elevation and the volume-depth curve, often necessitate costly and time-consuming corrections due to factors such as floods. This research proposes a new approach to estimate the volume of water stored in a dam reservoir using the relationship between satellite images and water depth, aiming to enhance water resource management efficiency and cost-effectiveness.

    Materials and Methods

    To estimate the stored water volume in the Zujar dam reservoir (with a maximum storage capacity of 3.2 billion cubic meters) using remote sensing based on the water depth estimation, Landsat8 OLI satellite images were downloaded. After applying radiometric corrections, bands and spectral indices related to different pixels of the image were extracted. Due to the huge input data matrix and the time-consuming nature of multivariate linear regression modeling, a code was developed in MATLAB. The new dataset was then introduced to the Minitab software for linear regression equation fitting. Measured water depths from the DAHITI database were considered as dependent variables, while bands and spectral indices selected as independent variables for the multivariate linear regression.

    Results

    The results obtained from the water depth equation at three different time intervals (2013, 2019, and 2020) showed that the minimum and maximum root mean square error (RMSE) values in depth calculation were 1.00 and 1.35 meters, respectively, with an average of 1.21 meters. Moreover, the minimum and maximum errors in estimating water stored volume were 3.88% and 14.85%, respectively, with an average of 9.25% for three dates that said. Considering that observed water depths during this period ranged from 16.5 to 39.5 meters, the results indicate acceptable accuracy. Analyses revealed that the normalized difference water index (NDWI) and near-infrared (NIR) band from the spectral indices of satellite imagery had the highest significant correlation with water depth, with coefficients of determination of 0.94 and 0.85, respectively.

    Conclusion

    The obtained results suggest that a linear regression relationship can be established between measured water depth and extracted spectral bands from satellite images for depths up to approximately 40 meters. This not only ensures accuracy in water depth estimation but also provides acceptable precision in estimating the volume of water stored in the reservoir. Improving and enhancing this approach could enable long-term volume estimation of reservoirs, contributing to better water resource management.

    Keywords: Volume Of Stored Water, Satellite Imagery, Zujar Dam, Multivariate Linear Regression, DAHITI Database
  • مسلم زرینی بهادر*، رحمان شریفی

    استفاده از تکنیک های سنجش از دور و یادگیری ماشین به طور فزاینده ای به عنوان روش های مقرون به صرفه برای نمایش نقشه شوری خاک شناخته می شود. در این مطالعه از داده های ماهواره ای لندست 8 و تکنیک های پیچیده یادگیری ماشینی برای ترسیم و ارزیابی سطوح شوری خاک در حوضه آبخیز بدر استفاده گردید. به این منظور، از چندین تکنیک یادگیری ماشین در نرم افزار R برای پیش بینی مقادیر شوری در حوضه آبخیز بدر استفاده شد. این الگوریتم ها نزدیک ترین همسایه K  (KNN)، تحلیل درخت تصمیم (DTA)، شبکه عصبی مصنوعی (ANN) ، جنگل تصادفی (R.F.) و رگرسیون چند متغیره خطی ترکیبی (MLR) را در بر می گرفت.. برای انجام این مطالعه، بر اساس تکنیک ابر مکعب لاتین، محل 125 خاک رخ در منطقه مطالعاتی انتخاب و حفر شد. نمونه های خاک، پس از هوا خشک شدن در محیط آزمایشگاه، کوبیده شد و از الک 2 میلی متری عبور داده شد. سپس شوری خاک اندازه گیری گردید. برای برآورد ویژگی های خاک، دو حالت مختلف مورد بررسی قرار گرفت. در حالت اول، مدل های شبکه عصبی مصنوعی، تحلیل درخت تصمیم و رگرسیون چند متغیره خطی برای پیش بینی استفاده شد. همچنین، برای ترکیب نتایج مدل ها، از مدل نزدیک ترین همسایه استفاده شد. نتایج این مطالعه نشان داد که متغیرهای کمکی مهم در پیش بینی شوری خاک به ترتیب اهمیت عبارت اند از: ژئومورفولوژی، عمق دره، شاخص همواری قله برآمدگی با درجه تفکیک بالا، شاخص خیسی، جهت شیب، مدل رقومی ارتفاع، شیب حوضه، موقعیت نسبی شیب، مقدار شیب و طول شیب. همچنین، نتایج ارزیابی مدل ها نشان داد که در میان مدل های استفاده شده برای پیش بینی شوری، مدل رگرسیون چند متغیره خطی ترکیبی (MLR) با ضریب تعیین 0/611 و ریشه دوم متوسط مربعات خطا 0/032 از بیشترین دقت برای پیش بینی برخوردار بوده است.

    کلید واژگان: لندست 8، الگوریتم نزدیک ترین همسایه، تحلیل درخت تصمیم، شبکه عصبی مصنوعی، جنگل تصادفی، رگرسیون چند متغیره خطی ترکیبی
    Moslem Zarinibahador *, Rahman Sharifi

    Use of remote sensing and machine learning techniques are increasingly recognized as cost-effective methods for displaying soil salinity maps. In this study, Landsat 8 satellite data and sophisticated machine learning techniques were used to map and evaluate soil salinity levels in the Badr Watershed. In this study, several Machine Learning techniques were used to predict salinity values in Badr Watershed. These algorithms included K-nearest neighbor (KNN), decision tree analysis (DTA), artificial neural network (ANN), random forest (RF) and mixed multivariate linear regression (MLR). In the first stage, auxiliary data such as Landsat 8 satellite images of the region and a digital elevation model with a spatial resolution of 10 meters were prepared from the country's Mapping Organization. The geological map of Qorveh was prepared from the geological site of the country, and the geological map of the Badr Watershed was extracted from it and digitized in the environment of the geographic information system. The geomorphological map was drawn and the location of the observation points was determined. Then, modeling was done, digital maps of soil classes and characteristics were prepared and the models were evaluated. Based on the Latin Supercube Technique, 125 outcrops were selected and excavated in the study area. After air-drying in the laboratory, the soil samples were pounded and passed through a 2 mm sieve. Then, soil salinity was measured. In order to estimate soil characteristics, two different conditions were investigated in this study. In the first case, ANN models, DTA and linear MLR were used for prediction. Also, to combine the results of the models, the nearest KNN was used. The results showed that the important auxiliary variables in predicting soil salinity, in order of importance, were geomorphology, depth of the valley, smoothness index of the ridge with a high degree of resolution, wetness index, slope direction, digital height model, basin slope, relative position of the slope, slope amount and slope length. Also, the results of the evaluation showed that among the models used to predict salinity, the combined MLR model with a coefficient of determination of 0.611 and a square root mean square error of 0.032 had the highest accuracy for prediction.

    Keywords: Digital Mapping, Decision Tree Analysis, Machine Learning, Landsat 8, Multivariate Linear Regression
  • معصومه یگانه*، نعیم آدوس، افشین اشرف زاده
    کیوی یکی از محصولات کشاورزی ایران است که به صورت عمده در بازار جهانی صادر می شود. روش های داده کاوی به خوبی قادراند تا در زمینه مدلسازی عملکرد محصول اطلاعات لازم را در اختیار تولیدکنندگان قرار دهد. این تحقیق به بررسی کارآیی روش های داده کاوی شبکه عصبی مصنوعی پیشرو،K -نزدیک ترین همسایگی، برنامه ریزی ژنتیک و رگرسیون خطی چند متغیره در برآورد عملکرد کیوی در استان گیلان با استفاده از خصوصیات آب و خاک پرداخته است. 74 سری داده از اندازه گیری میدانی اطلاعات آب و خاک و عملکرد محصول کیوی باغ های مجهز به سیستم آبیاری تحت فشار در سال 1400- 1401 به دست آمد. داده های آب و خاک شامل حداکثر تبخیر و تعرق روزانه، هدایت الکتریکی خاک و شاخص واکنش خاک، درصد رس، درصد سیلت، درصد ماده آلی خاک، هدایت الکتریکی آب و شاخص واکنش آب و حجم آبیاری به عنوان ورودی های مدل و میزان عملکرد محصول، خروجی مدل انتخاب گردید. نتایج نشان داد که مدل شبکه عصبی مصنوعی پیشرو به دلیل آماره های ضریب تبیین بیشتر (96/0) و جذر میانگین مربعات خطا کمتر (019/0) عملکرد بهتری نسبت به سه مدل دیگر دارد. همچنین برنامه ریزی ژنتیک دارای ضریب همبستگی (89/0)، جذر میانگین مربعات خطا (033/0) و روشK -نزدیک ترین همسایگی دارای ضریب همبستگی (88/0)، جذر میانگین مربعات خطا (059/0) و روش رگرسیون خطی چند متغیره دارای ضریب همبستگی (58/0) و جذر میانگین مربعات خطا (093/0) بوده که حاکی از دقت بالاتر روش برنامه ریزی ژنتیک است. بنابراین، مدل شبکه عصبی مصنوعی پیشرو می تواند به عنوان یک ابزار قدرتمند در تخمین عملکرد کیوی عمل نماید.
    کلید واژگان: برنامه ریزی ژنتیک، رگرسیون خطی چند متغیره، شبکه عصبی پیشرو، -K نزدیک ترین همسایگی
    Masoomeh Yeganeh *, Naeim Adoos, Afshin Ashrafzadeh
    Kiwi is one of the Iran's agricultural products, which is mainly exported to the world market. Data mining methods are well able to provide manufacturers with the necessary information in the field of product performance modeling. This research has investigated the efficiency of data mining methods of advanced Feedforward backdrop Neural Network, K-Nearest Neighbor, Genetic Programming and Multivariate Linear Regression in estimating kiwi yield in Gilan province using water and soil characteristics. 74 data series were obtained from the field measurement of water and soil information and yield of kiwi fruit in orchards equipped with pressure irrigation system in 2021-2022. Water and soil data including maximum daily evaporation and transpiration, soil electrical conductivity and soil reaction index, clay percentage, silt percentage, soil organic matter percentage, water electrical conductivity and water reaction index, and irrigation volume as model inputs and crop yield, model output selected. The results showed that the leading artificial neural network model has a better performance than the other three models due to the higher explanation coefficient statistics (0.96) and lower root mean square error (0.019). Also, Genetic Programming has correlation coefficient (0.89), root mean square error (0.033) and K-Nearest Neighbor method has correlation coefficient (0.88) root mean square error (0.059) and Multivariate Linear Regression method has coefficient The correlation was (0.58) and the root mean square error (0.093) which indicates the higher accuracy of the Genetic Programming method. Therefore, the advanced artificial neural network model can act as a powerful tool in the estimation of Kiwi performance.
    Keywords: Genetic Programming, Multivariate Linear Regression, Feed Forward Backdrop Neural Network, K-Nearest Neighbor
  • سیمین آتش پرور، سید امیر شمس نیا*
    دمای خاک یکی از پارامترهای مهم در مطالعات هواشناسی کشاورزی می باشد و بسیاری از فرآیندهای بیولوژیکی خاک را تحت تاثیرقرار می دهد. متاسفانه به علت فقدان داده های دمای خاک در بسیاری از اقلیم ها و مناطق کشور، همواره این موضوع در انجام پروژه ها و تحقیقات کشاورزی مورد بحث بوده است. در تحقیق حاضر با استفاده از روابط همبستگی بین پارامترهای مختلف هواشناسی و دمای خاک در پنج ایستگاه کشاورزی در شهرستان های مختلف استان فارس (شیراز، آباده، داراب، زرقان و جهرم) در عمق های 5، 10، 20، 30، 50 و 100 سانتی متری، معادلاتی کاربردی جهت تخمین دمای خاک ماهانه تعیین گردید. در این راستا از معادلات رگرسیون خطی چند متغیره استفاده شده است. با توجه به نتایج بدست آمده در شهرستان آباده، متغیرهای هواشناسی سرعت باد، بارندگی و حداکثر دما، در شهرستان داراب متغیرهای رطوبت نسبی، سرعت باد، فشار هوا، بارندگی، حداکثر دما و حداقل دما، در شهرستان جهرم متغیرهای سرعت باد، فشار هوا، حداکثر دما و حداقل دما، در شهرستان شیراز متغیرهای ساعات آفتابی، سرعت باد، فشار هوا، بارندگی، حداکثر دما و حداقل دما و در شهرستان زرقان نیز متغیرهای ساعات آفتابی، سرعت باد، فشار هوا، بارندگی، حداکثر دما و حداقل دما بر دمای خاک تاثیرگذار بوده است. به طور کلی در تمام ایستگاه ها جهت برآورد دمای خاک در اعماق 5 و 10 سانتی متری به پارامترهای کمتری نیاز است و با افزایش عمق، اهمیت پارامترهای هواشناسی و نقش تاثیرگذار آن ها در تخمین دمای خاک بیشتر می گردد. همچنین تاثیر متغیرهای هواشناسی بر دمای خاک در اقلیم های مختلف یکسان نمی باشد. بر طبق ضرایب مربوط به معادلات ارایه شده، بیشترین تاثیرگذاری مربوط به دمای حداکثر و کمترین تاثیرگذاری بر دمای خاک در اعماق مختلف، مربوط به ساعت آفتابی می باشد. با افزایش عمق نیز ضرایب تبیین روندی کاهشی دارد. در تمام ایستگاه ها ضریب تببین در اعماق 5 و10 سانتی متری بین 98/0 تا 99/0 و در عمق 100 سانتی متری بین 87/0تا 92/0 بدست آمده است که نشان می دهد با افزایش عمق، این ضریب تا حدود 10 درصد کاهش می یابد. با توجه به نتایج و معادلات به دست آمده جهت هر ایستگاه و اقلیم های متفاوت در استان فارس، می توان از معادلات به دست آمده جهت تخمین دمای خاک در مناطق فاقد آمار استفاده نمود.
    کلید واژگان: پارامترهای هواشناسی، دمای خاک، رگرسیون خطی چند متغیره، همبستگی
    Simin Atashparvar, Seyed Amir Shamsnia *
    Soil temperature is one of the important parameters in meteorological agriculture and affects many soil biological processes. Unfortunately, due to the lack of soil temperature data in many regions of the country, this issue has always been discussed in agricultural projects. In the present study, practical equations were created to estimate the monthly soil temperature using the correlations between different meteorological parameters and soil temperature in five agricultural stations in different cities of Fars province (Shiraz, Abadeh, Darab, Zarghan, and Jahrom) at depths of 5, 10, 20, 30, 50, and 100 cm. In this regard, multivariate linear regression equations have been used. According to the results, the following parameters affected soil temperature: in Abadeh, meteorological variables of wind speed, rainfall, and maximum temperature; in Darab, relative humidity, wind speed, air pressure, rainfall, maximum temperature, and minimum temperature; in Jahrom, variables of wind speed, air pressure, maximum temperature, and minimum temperature; in Shiraz, the variables of sunshine hours, wind speed, air pressure, rainfall, maximum temperature, and minimum temperature and in Zarghan city, the variables of sunshine hours, wind speed, air pressure, rainfall, maximum temperature, and minimum temperature. In general, fewer parameters are needed in all stations to estimate soil temperature at depths of 5 and 10 cm, and the importance of meteorological parameters and their effective role in estimating soil temperature increases with increasing depth. Also, the effect of meteorological variables on soil temperature is not the same in different climates. According to the coefficients related to the equations, the highest and the lowest effect on soil temperature at different depths, are the maximum temperature and sunshine hours. With increasing depth, regression coefficients decrease as well. In all stations, regression coefficient at depths of 5 and 10 cm has been calculated between 0.98-0.99, and at depth of 100 cm has been calculated between 0.87-0.92, shows decreased about 10% of this coefficient with increasing the depth. According to the results and equations obtained for each station and different climates in Fars Province, this equation can be used to estimate soil temperature in areas without data.
    Keywords: Meteorological Parameters, Soil Temperature, Multivariate Linear Regression, Correlation
  • یوسف حسن زاده، امین عبدی کردانی، مریم شفیعی نجد، سعید خوش طینت
    پیش بینی دقیق جریان روزانه، نقش به سزایی در مدیریت کارآمد منابع آب ایفا می کند. به این منظور در این تحقیق سعی شده است که جهت مدل سازی هرچه دقیق تر فرآیند پیش بینی جریان روزانه رودخانه نوران چای واقع در حوضه آتشگاه، از شبکه های عصبی مصنوعی (ANN) استفاده گردد. همچنین به منظور افزایش کارآیی ANN از تجزیه مولفه های اصلی (PCA) جهت پیش پردازش داده های ورودی استفاده گردیده و درنهایت داده های خروجی حاصل، با نتایج مدل رگرسیون خطی چند متغیره (MLR) مقایسه شده است. نتایج نشان داد که مدل ترکیبی ANN-PCA در قیاس با مدل ANN منفرد و MLR از دقت بسیار بالایی برخوردار است. به طوری که نتایج معیارهای ارزیابی شامل ضریب همبستگی (CC)، ضریب راندمان (EC) و جذر میانگین مربعات خطاها (RMSE) برای مدل ترکیبی ANN-PCA (در مرحله صحت سنجی) برابر CC=0.9959، EC=0.9905 and RMSE=0.0071، مدل ANN منفرد (در مرحله صحت سنجی) برابر CC=0.9093، EC=0.8269 and RMSE=0.0405 و مدل MLR برابر CC=0.8866، EC=0.7860 and RMSE=0.0926 به دست آمدند. همچنین استفاده از PCA به عنوان یک روش موثر جهت پیش پردازش داده ها، با ایجاد مولفه های مستقل از هم موجب از بین رفتن هم خطی چندگانه می شود. بنابراین PCA موجب افزایش کارآیی مدل ANN می گردد.
    کلید واژگان: پیش بینی جریان روزانه، تجزیه به مولفه های اصلی، حوضه آتشگاه، رگرسیون خطی چند متغیره، شبکه های عصبی مصنوعی
    Y. Hassanzadeh, A. Abdi Kordani, M. Shafiei Najd, S. Khoshtinat
    Accurate forecasting of the daily discharge plays a significant role in the efficient management of water resources. For this purpose in order to model more accurately the process of forecasting the daily discharge of Nooranchay river in Atashgah basin, the artificial neural networks model (ANN) was used. In addition, in order to increase the accuracy of ANN, the principal component analysis (PCA) was used for preprocessing of input data. Finally, the results of multivariate linear regression (MLR) model were compared with the obtained results in the mentioned hydrological simulation. The results indicated that the hybrid model of ANN-PCA in comparison with ANN and MLR, had the highest precision. So that the results of goodness-of-fit tests criteria, such as the correlation coefficient (CC), the efficiency coefficient (EC) and the root mean square error (RMSE) for the hybrid model of ANN-PCA (at the verification stage) were CC=0.9959, EC=0.9905 and RMSE=0.0071, and for the ANN (at the verification stage) were CC=0.9093, EC=0.8269 and RMSE=0.0405 and the results for the MLR were obtained as CC=0.8866, EC=0.7860 and RMSE=0.0926. Also the use of PCA as an effective method for pre-processing of data, created independent components which eliminated the multicollinearity. Therefore, the PCA increased the efficiency of the ANN.
    Keywords: Artificial neural networks, Atashgah basin, Daily discharge forecasting, Multivariate linear regression, Principal component analysis
نکته
  • 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.
درخواست پشتیبانی - گزارش اشکال