ارزیابی خوارزمیک (الگوریتم) شبکه های عصبی مصنوعی در بررسی وضعیت بیابان زایی (بررسی موردی: جنوب شهرستان نیشابور)

پیام:
چکیده:
بیابان زایی پس از دو چالش تغییر اقلیم و کمبود آب شیرین به عنوان سومین چالش مهم جهانی در قرن 21 محسوب می شود. شناخت و ارزیابی عوامل موثر در روند بیابان زایی، می تواند در مدیریت بهتر سرزمین بسیار مفید باشد. منطقه مورد بررسی که درجنوب شهرستان نیشابور واقع شده است، طی سال های گذشته به دلیل خشکسالی،تخریب پوشش گیاهی،تبدیل اراضی مرتعی به کشاورزی دیم، فرسایش آبی و بادی و همچنین نداشتن مدیریت مناسب زمین با مشکل بیابان زایی روبرو است. در این تحقیق، پس از عملیات میدانی، بررسی عکس های هوایی و تصاویر ماهواره ای اقدام به جمع آوری اطلاعات و تجزیه و تحلیل آنها در سیستم اطلاعات جغرافیایی شد. سپس طبق روش فائو- یونپ (1984 میلادی) معیارهای تاثیرگذار مانند وضعیت زوال پوشش گیاهی، وضعیت فرسایش آبی، فرسایش بادی وگسترش شوری امتیازبندی شدند.در پایان نقشه وضعیت بیابان زایی براساس چهار عامل اصلی بدست آمد. با توجه به نتایج بدست آمده مشخص شد که وضعیت بیابان زایی در شمال منطقه شدید بوده که مهم ترین دلیل آن، کاهش درصد تاج پوشش، زوال پوشش گیاهی و فرسایش آبی شدید می باشد. این در حالی است که 57 درصد منطقه دارای وضعیت بیابان زایی متوسط و 30 درصد دارای وضعیت ناچیز است. برای بررسی نتایج به دست آمده در ارزیابی روند بیابان زایی به روش فائو، از خوارزمیک شبکه های عصبی مصنوعی استفاده شد. پس از استخراج، تکمیل و تعریف حدود هر یک از طبقات ضعیف، متوسط، شدید و بسیار شدید برای متغیرهای ورودی، نقشه وضعیت بیابان زایی به عنوان معیار سنجش عملکرد شبکه های عصبی مصنوعی در بحث آموزش و پیش بینی وضعیت منطقه بکار گرفته شد. با بررسی نتایج و بر اساس معیارهای خطا، پس از بهینه سازی مدل، مقدار 07975/0 برای متغیر متوسط مربعات خطا به دست آمد. در نهایت مدل نهایی با ساختار پرسپترون با یک لایه ورودی و چهار نرون ورودی، برای متغیرهای اصلی، یعنی زوال پوشش گیاهی، فرسایش بادی، فرسایش آبی و وضعیت شوری و همچنین یک لایه پنهان با 39 نرون در لایه پنهان و همین طور یک لایه خروجی، با استفاده از خوارزمیک آموزش گشتاور در هر دو لایه پنهان و خروجی به عنوان مدل نهایی انتخاب شد. نتایج نشان داد که معیار میانگین مربعات خطا، عملکرد مناسب مدل را در وضعیت بیابان زایی منطقه با روش فائو- یونپ تائید می کند و می تواند در موارد مشابه نیز استفاده شود. همچنین مشاهده شد که انتخاب ساختار مدل، خوارزمیک آموزش، تعداد سیکل آموزش و همچنین تعداد نرون های لایه ورودی می تواند در عملکرد ساختارهای مختلف شبکه های عصبی تاثیرگذار باشد.
زبان:
فارسی
در صفحه:
243
لینک کوتاه:
magiran.com/p1035576 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 990,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 50 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!