genetic algorithm
در نشریات گروه جنگلداری-
سابقه و هدف
خاک بزرگ ترین منبع ذخیره کربن موجود در بوم سازگان های زمینی هستند که بیشترین سهم از کل ذخایر جهانی کربن زمینی را در خود جای دادند. نقشه برداری دقیق اطلاعات توزیع مکانی ذخیره کربن آلی خاک (SOC) یک پیشنیاز کلیدی جهت مدیریت منابع خاک و حفاظت از محیط زیست است. توسعه سریع علم سنجش از دور و استفاده از تصاویر ماهواره ای امکان نظارت بر ذخیره SOC در مقیاس بزرگ را فراهم می کند. امکان برآورد SOC یکی از موضوعات پیش روی پژوهشگران بوده است که در برخی موارد از شبکه عصبی مصنوعی برای این موضوع استفاده شده است هرچند تعیین مقادیر بهینه مولفه های موثر در آن دشوار است. در برخی مطالعات از الگوریتم ژنتیک برای بهینه سازی وزن های اولیه شبکه عصبی و بهبود پیش بینی متغیرهای خروجی استفاده شده است. اگرچه کارایی این روش در برآورد SOC با داده های سنجش از دور کمتر مورد بررسی قرار گرفته است. در این پژوهش اثر الگوریتم ژنتیک بر بهبود عملکرد شبکه عصبی مصنوعی در پیش بینی SOCبا استفاده از تصاویر ماهواره Sentinel-2 در ناحیه رویشی ارسباران مورد بررسی قرار گرفته است.
مواد و روش هابرای این منظور نمونه برداری از خاک با استفاده از روش نمونه برداری تصادفی طبقه بندی شده بر اساس انواع کاربری اراضی در 46 نقطه و در عمق صفرتا 15 سانتی متر انجام شد. SOC با استفاده از روش والکلی بلاک اندازه گیری شد. برای برازش مدل بین کربن آلی اندازه گیری شده در آزمایشگاه با 9 شاخص طیفی و 3 باند تصویر ماهواره ای که به طور مستقیم وارد مدلسازی شدند، از دو روش شبکه عصبی مصنوعی و شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک استفاده گردید. برای ارزیابی کارایی مدل ها از روش اعتبارسنجی متقابل (Cross Validation) استفاده شد. درنهایت مدل های به دست آمده با شاخص های آماری جذر میانگین مربعات خطا (RMSE)، نسبت عملکرد به انحراف (RPD)، ضریب همبستگی اسپیرمن (r) ، ضریب تبیین (R2) و همچنین آزمون تی جفتی مورد ارزیابی قرار گرفتند.
یافته هانتایج نشان داد SOC برآوردی با شبکه عصبی مصنوعی بهینه شده با الگوریتم ژنتیک (%07/1=RMSE، % 89/1=RPD، 76/0=R2) دقت بیشتری نسبت به نتایج شبکه عصبی مصنوعی (% 51/1=RMSE، % 34/1=RPD، 58/0=R2) داشت. همچنین بهبود ضریب همبستگی اسپیرمن برای SOC واقعی و برآورد شده با شبکه عصبی مصنوعی بهینه شده (87/0=r) و SOC برآورد شده با شبکه عصبی مصنوعی (76/0=r) مشاهده گردید. SOC واقعی با SOC برآوردی با شبکه عصبی مصنوعی بهینه اختلاف معنی داری نداشت (21/0=p-value) ولی با SOC برآوردی با شبکه عصبی مصنوعی متفاوت بود (02/0=p-value). علاوه بر این، نتایج نشان داد که شاخص TSAVI بیشترین ضریب همبستگی اسپیرمن (565/0) و شاخصBI2 کمترین ضریب همبستگی اسپیرمن (196/0) را با کربن آلی خاک دارند.
نتیجه گیریبه طورکلی، نتیجه گیری شد که استفاده از الگوریتم ژنتیک در انتخاب مولفه های بهینه شبکه عصبی مصنوعی منجر به بهبود عملکرد این روش مدل سازی در برآورد نقطه ای SOC با استفاده از تصاویر ماهواره Sentinel-2 در منطقه موردمطالعه شده است. همچنین با توجه به نتایج بدست آمده، کارایی تصاویر ماهواره Sentinel-2 در برآورد SOC در منطقه مورد مطالعه تایید شد.
کلید واژگان: الگوریتم ژنتیک، شبکه های عصبی مصنوعی، کربن آلی خاک، تصاویر ماهواره ی Sentinel-2Background and ObjectivesSoils are the largest carbon pool in terrestrial ecosystems, which account for the greatest amount of the global total terrestrial carbon stocks. Accurate mapping of Soil Organic Carbon (SOC) spatial distribution is a key assumption for soil resource management and environmental protection. The rapid development of remote sensing and application of satellite images provide an excellent opportunity to monitor large-scale SOC storage. Estimating SOC is one of the research topics that artificial neural networks are applied for this purpose in some studies, although parameter optimization is difficult. In previous studies, genetic algorithms have been used to optimize the artificial neural network initial weights and improve the prediction of the output variables. However, the effectiveness of this method in estimating the SOC by remote sensing has been less studied. In this study, the effect of genetic algorithm on artificial neural network training to predict SOC on Sentinel-2 satellite images in Arasbaran vegetation zone was investigated.
Materials and methodsFor this purpose, soil sampling was performed using stratified sampling method at 46 points at a depth of 0 to 15 cm. SOC was measured by Walky-Black titration method. In order to fit the model between the measured organic carbon in the laboratory, 9 spectral indices and three bands of satellite image, and two methods were used namely, artificial neural network and artificial neural network optimized by genetic algorithm. Cross validation was used to evaluate the models efficiently. Finally, the precision of the obtained models was evaluated with statistical indices of Root Mean Square Error (RMSE), Ratio of Performance to Deviation (RPD), Spearman's correlation coefficient (r), coefficient of determination (R2), and paired sample t-test.
ResultsThe results showed that the precision of SOC estimated by artificial neural network optimized by genetic algorithm (RMSE = 1.07%, RPD = 1.89%, R2 = 0.76) was higher than artificial neural network results (RMSE =1.51%, RPD = 1.34%, R2 = 0.58). Also Spearman correlation coefficient for SOC estimated with optimized artificial neural network (r = 0.87) was higher compared to estimated SOC with artificial neural network (r = 0.76). Observed SOC was not significantly different from SOC estimated by optimized artificial neural network (p-value=0.21) while it was different from estimated SOC by artificial neural network (p-value=0.02). In addition, the results showed that TSAVI index had the highest Spearman correlation coefficient (0.565), and BI2 index had the lowest Spearman correlation coefficient (0.196) with soil organic carbon.
ConclusionGenerally, it was concluded that the use of genetic algorithm in the selection of artificial neural network parameters improved the performance of this modeling method in estimating soil organic carbon on Sentinel-2 satellite images in the study area. Also the performance of Sentinel-2 satellite images in estimating soil organic carbon in the study area was validated.
Keywords: Genetic Algorithm, Artificial neural networks, Soil organic carbon, Sentinel-2 satellite images -
در این پژوهش عامل های موثر بر آتش سوزی جنگل های پارک ملی گلستان مشخص شد و سپس با استفاده از این عامل ها، مدل سازی توسعه آتش سوزی جنگل بر مبنای اتوماتای سلولی انجام شد. برای تعیین عامل های موثر بر آتش سوزی جنگل های پارک ملی گلستان، از رگرسیون چندگانه خطی به همراه الگوریتم ژنتیک استفاده شد. برای بررسی مقدار تاثیر توان تفکیک مکانی نقشه های مورد استفاده بر روی نتایج حاصل از مدل سازی، عامل های موثر در توان های تفکیک مکانی مختلف تولید می شوند و از این داده ها به عنوان ورودی الگوریتم پیشنهادی، استفاده شد. همچنین از فیلترهای همسایگی 3×3، 5×5 و 7×7 برای بررسی تاثیر فیلتر همسایگی در فرآیند توسعه آتش سوزی جنگل به کار گرفته شد. برای مدل سازی توسعه آتش سوزی جنگل های پارک ملی گلستان از اتوماتای سلولی استفاده می شود که برای کالیبره کردن آن از الگوریتم بهینه سازی زنبورعسل، بهره گرفته شده است. نتایج این پژوهش نشان می دهد که استفاده از الگوریتم پیشنهادی با فیلتر همسایگی 3×3 دارای دقت بالاتری نسبت به دیگر فیلترهای همسایگی است. در بهترین حالت شاخص کاپا، دقت کلی و شاخص عامل نسبی به ترتیب برابر با 92/0، 96/0 و 94/0 به دست آمده است که این نتایج برای آتش سوزی تاریخ 26 آبان 1389 با توان تفکیک مکانی 30 متر است.کلید واژگان: الگوریتم ژنتیک، بهینه سازی زنبورعسل، آتش سوزی جنگل، رگرسیون چندگانه خطیIn the present study, firstly, the effective factors of Golestan national park forests fire have been identified. Then, by using these factors, forest fire development modeling is performed based on cellular automata. Multiple linear regression and genetic algorithm are used to determine the effective factors on Golestan national park forests fire. In order to investigate the effect of spatial resolution of the maps are used on the results of modeling, effective factors have been generated in different spatial resolution and these data are used as the input of the proposed algorithm. Also, the neighboring filters 3×3, 5×5, and 7×7 are used to investigate the effect of the neighboring filter in the forest fire development process. Cellular automata is used for modeling Golestan national park forests fire development, and the artificial bee colony is proposed to calibrate it. The results of this study show that using the proposed algorithm with 3×3 neighboring filter is more accurate than the other neighboring filters. In the best case, the Kappa index, the overall accuracy, and the relative operating characteristic are 0.924, 0.960, and 0.494, respectively that these results are for spatial resolution of 30 meters on November 17, 2010.Keywords: Artificial bee colony, Forest fire, Genetic algorithm, Multiple linear regression
-
مقدار مدول الاستیسیته و گسیختگی تخته خرده چوب بر اساس عوامل تولیدی کنترل می شود. حال سوال اساسی این است که عوامل تعیین کننده خواص خمشی تخته خرده چوب کدام اند؟ داده های پایه این تحقیق شامل 13 متغیر مشترک اندازه گیری شده با 100 تکرار در منابع علمی معتبر داخلی است. روش های مدل سازی خطی و مدل سازی غیر خطی آزمون گاما، ام، و الگوریتم ژنتیک و شبکه عصبی برای آزمون سوال استفاده شد. عوامل تعیین کننده خواص خمشی تخته خرده چوب شامل 1. نوع مواد مصرفی، 2. جرم مخصوص خشک مواد اولیه با میانگین گیری ساده، 3. جرم مخصوص خشک مواد اولیه با میانگین گیری وزنی، 4. مقدار درصد چسب اوره فرمالدئید، 5. جرم مخصوص تخته تولیدی، 6. زمان پرس، 7. دمای پرس، و 8. فشار پرس هستند و به غیر از این عوامل، ضخامت تخته تولیدی برای مدول گسیختگی و نیز درصد اختلاط مواد چوبی و منابع لیگنوسلولزی غیر چوبی و مقدار درصد کلرید آمونیوم برای مدول الاستیسیته مهم اند. مدل های الگوریتم ژنتیک و شبکه عصبی نشان می دهد که عوامل تعیین کننده مذکور مخصوصا جرم مخصوص خشک مواد اولیه با میانگین گیری وزنی برای مدول گسیختگی و درصد چسب برای مدول الاستیسیته قابلیت کنترل کیفی تخته خرده چوب را دارند و برخی عوامل دیگر را می توان ثابت در نظر گرفت. درصد مطلق خطای مدل پیش بینی شبکه عصبی برای مدول گسیختگی برابر 644/5 و برای مدول الاستیسیته برابر 91/4 است.
کلید واژگان: آزمون گاما، الگوریتم ژنتیک، تخته خرده چوب، شبکه عصبی مصنوعی، مدول الاستیسیته، مدول گسیختگیThe MOE and MOR are controlled by production variables of particleboard process. Now، the basic question is which of the particleboard variables is effective on bending strength property? 13 variables of internal scientific resources were measured with 100 repeats. The study steps include the following; liner regression or stepwise، Genetic algorithm، and Artificial Neural Network. The number of effective variables was selected from the output of the stepwise procedure and then modeling of these variables using WinGamma and Mathlab. The number of effective variables in the modulus of elasticity and modulus of rupture are equal to 10 and 9، respectively. As the results of Gamma test shows، effective variables of bending strength are as following: 1. Type of wooden raw material، 2. specific gravity of raw material by simple averaging، 3. specific gravity of raw material by weighted averaging، 4. UF percent، 5. particleboard density، 6،7، and 8. Time، tempreture، and pressure of press. In the other hand، particleboard thickness of MOR and also، percent mixture of wood and non-wood lignocellulosic materials and NH4CL percent for MOE are important. Results of Genetic algorithm and Neural Network were showed that some variables can be kept constant and particleboard properties are controlled by these effective variables، but specific gravity of raw material by weighted averaging for MOR and UF percent of MOE have the strongest effect. Result of BFGS Neural Network has shown that mean absolute percent error of MOR and MOE are equal 5. 644% and 4. 91%، respectively.Keywords: artificial neural network, gamma test, genetic algorithm, MOE, MOR, particleboard
- 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.