سنجش از دور و سامانه اطلاعات جغرافیایی
نیکروز باقری؛ علیرضا سبزواری؛ علی رجبی پور
چکیده
طبقهبندی محصولات کشاورزی با استفاده از سنجش از دور، یک روش مهم و مؤثر برای تفکیک و تحلیل و طبقهبندی محصولات است. استفاده از سنجش از دور، به‌دلیل فراهم آوردن دادههای به هنگام و قابلیت تحلیل تصاویر و همچنین امکان مطالعه یک محدوده وسیع و با دقت قابل قبول، کمک شایانی به برنامه‌ریزان و مجریان بخش کشاورزی میکند. در این پژوهش، برای ...
بیشتر
طبقهبندی محصولات کشاورزی با استفاده از سنجش از دور، یک روش مهم و مؤثر برای تفکیک و تحلیل و طبقهبندی محصولات است. استفاده از سنجش از دور، به‌دلیل فراهم آوردن دادههای به هنگام و قابلیت تحلیل تصاویر و همچنین امکان مطالعه یک محدوده وسیع و با دقت قابل قبول، کمک شایانی به برنامه‌ریزان و مجریان بخش کشاورزی میکند. در این پژوهش، برای پایش محصولات زراعی عمده پهنه و تفکیک محدوده کشاورزی از سایر مناطق، از تصاویر سری زمانی ماهواره لندست 8 استفاده شد. براساس نتایج، مساحت اراضی گندم و جو منطقه، 10639 هکتار برآورد شد که در مقایسه با آمارنامه جهادکشاورزی یعنی 56/9956 هکتار، خطایی حدود 8/6 درصد را نشان میدهد. برای شناسایی و تهیه نقشه کشت محصولات کشاورزی مختلف از دو الگوریتم ماشین بردار پشتیبان و شبکه‌عصبی مصنوعی استفاده شد و محصولات در پنج طبقه، کشت تابستانه (صیفی جات: خیار، گوجه، هندوانه، خربزه)، مزارع کشت غلات زمستانه (گندم و جو دیم)، مزارع کشت آبی (یونجه، گندم، جو و کلزای آبی، سیب زمینی)، کشت برنج و اراضی غیر کشاورزی طبقهبندی شدند. کمترین مقدار خطای کمیسیون در هر دو روش طبقهبندی، 1/8 درصد، مربوط به کشت تابستانه است و خطای امیسیون در اراضی غیرکشاورزی در روش ماشین‌بردار پشتیبان 5/0 و در روش شبکه عصبی مصنوعی 5/2 درصد بود.
فیزیک، فرسایش و حفاظت خاک
حیدر غفاری؛ هادی عامری خواه
چکیده
باتوجه به فقدان تجهیزات مناسب در ایستگاه‌های رسوب‌سنجی کشور و اندازهگیری بسیار محدود دادههای رسوب، تخمین مقدار رسوب در روزهای فاقد داده در راستای مدیریت منابع آب و خاک بسیار حائز اهمیت است. در این پژوهش، از تکنیک‌های مختلف یادگیری ماشینی شامل، شبکه عصبی مصنوعی (ANN)، سیستم استنتاجی فازی-عصبی تطبیقی (ANFIS) و جنگل تصادفی (RF) به‌منظور ...
بیشتر
باتوجه به فقدان تجهیزات مناسب در ایستگاه‌های رسوب‌سنجی کشور و اندازهگیری بسیار محدود دادههای رسوب، تخمین مقدار رسوب در روزهای فاقد داده در راستای مدیریت منابع آب و خاک بسیار حائز اهمیت است. در این پژوهش، از تکنیک‌های مختلف یادگیری ماشینی شامل، شبکه عصبی مصنوعی (ANN)، سیستم استنتاجی فازی-عصبی تطبیقی (ANFIS) و جنگل تصادفی (RF) به‌منظور شبیهسازی رسوب و برآورد آن در روزهای فاقد داده استفاده شد. برای دستیابی به اهداف پژوهش، ابتدا دادههای بلند مدت هواشناسی و هیدرومتری (سال 2000 تا 2020) از سازمان‌های مرتبط جمعآوری و قبل از ورود به مدل پیش-پردازش شدند. متغیرهای ورودی به مدلها شامل بارندگی، دبی جریان، شاخص پوشش گیاهی نرمال‌شده، دمای حداکثر و دمای حداقل بود و مقادیر رسوب معلق به عنوان خروجی تمام مدلها در نظر گرفته شد. داده-ها قبل از مدلسازی با نسبت 70 -30 به دو گروه داده-های آموزشی و دادههای آزمون تقسیم شدند. کارایی مدلها با استفاده از پنج شاخص ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE)، درصد اریب (PBIS)، میانگین خطای مطلق (MAE) و ضریب ناش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در مورد ایستگاه ماشین از بین تکنیک‌های مختلف، مدل شبکه عصبی دارای بیشترین مقدار ضریب تبیین (78/0) و کمترین مقدار خطا بود. همچنین در مورد ایستگاه منجنیق، مدل شبکه عصبی و نروفازی عملکرد تقریبا مشابهی را نشان دادند. لذا، مدل شبکه عصبی به عنوان مدل برتر در این پژوهش انتخاب شد. میانگین تولید سالانه رسوب برای کل دوره آماری بر اساس مدل شبکه عصبی، برابر با 1 تن در هکتار در سال بدست آمد.
لیلا رسولی؛ کمال نبی الهی؛ روح الله تقی زاده مهرجردی
چکیده
ارزیابی تناسب اراضی برای افزایش تولید و برنامهریزی یک سیستم کشاورزی پایدار ضروری است. گندم یکی از مهمترین محصولات استراتژیک میباشد که نقشه تناسب اراضی میتواند مناسبترین واحد اراضی را برای کشت آن مشخص کند. هدف از این پژوهش نقشهبرداری رقومی شاخص تناسب اراضی برای گندم دیم میباشد. بدین منظور در منطقهای به وسعت 6500 هکتار ...
بیشتر
ارزیابی تناسب اراضی برای افزایش تولید و برنامهریزی یک سیستم کشاورزی پایدار ضروری است. گندم یکی از مهمترین محصولات استراتژیک میباشد که نقشه تناسب اراضی میتواند مناسبترین واحد اراضی را برای کشت آن مشخص کند. هدف از این پژوهش نقشهبرداری رقومی شاخص تناسب اراضی برای گندم دیم میباشد. بدین منظور در منطقهای به وسعت 6500 هکتار در استان کردستان ابتدا نقشه اجزاء واحد اراضی به روش فیزیوگرافی ماهلر تهیه و سپس بر اساس آن 17 پروفیل شاهد در هر اجزاء واحد اراضی حفر و تشریح شدند. همچنین 105 نمونه اوگر در سه عمق (0-20، 20-50 و 50-100 سانتیمتری) برداشت شد. در کلیه نمونهها ی خاک خصوصیات بافت، اسیدیته، کربن آلی، آهک، گچ، ESP، ٍهدایت الکتریکی و سنگریزه اندازهگیری شد. با استفاده از خصوصیات اقلیم، خاک و توپوگرافی شاخص تناسب اراضی گندم دیم محاسبه گردید. نهایتاٌ نقشه تناسب اراضی رقومی با استفاده از مدل شبکه عصبی مصنوعی و دادههای کمکی تهیه گردید. نتایج نشان داد که منطقه دارای حدود 61/36 درصد کلاس N2، 32/40 درصد کلاس N1 و 53/22 درصد کلاس S3 میباشد. محدودیتهای اصلی منطقه برای کشت گندم عمدتاً، توپوگرافی، خاک کم عمق، سنگریزه و pH میباشد. نتایج اعتبارسنجی مدل بر اساس شاخصهای آماری میانگین ریشه مربعات خطا، میانگین خطا و ضریب تبیین (به ترتیب 75/6، 31/4 و 68/0) نشان دهنده دقت مناسب مدل میباشد.
کامران عزیزی؛ کمال نبی الهی؛ مسعود داوری
چکیده
تهیه منحنی‌های انعکاس طیفی پدیده‌های مورد نظر در محدوده طول موج‌های مشخص طیف‌سنجی گفته میشود. طیف سنجی مرئی- مادون قرمز نزدیک روشی غیرمستقیم، ارزان، سریع، دارای حداقل آماده‌سازی نمونهها و تکرار پذیری مناسب است. هدف از این پژوهش ارزیابی طیف‌سنجی انعکاسی در برآورد برخی ویژگیهای خاک‌های مبتلا به نمک در استان کردستان میباشد. ...
بیشتر
تهیه منحنی‌های انعکاس طیفی پدیده‌های مورد نظر در محدوده طول موج‌های مشخص طیف‌سنجی گفته میشود. طیف سنجی مرئی- مادون قرمز نزدیک روشی غیرمستقیم، ارزان، سریع، دارای حداقل آماده‌سازی نمونهها و تکرار پذیری مناسب است. هدف از این پژوهش ارزیابی طیف‌سنجی انعکاسی در برآورد برخی ویژگیهای خاک‌های مبتلا به نمک در استان کردستان میباشد. بدین منظور تعداد 100 نمونه خاک در 20 کیلومتری شهرستان قروه در استان کردستان جمع آوری و ویژگیهای آنها از قبیل هدایت الکتریکی، اسیدیته، نسبت جذب سدیم، ماده آلی، کربنات کلسیم و پایداری خاکدانه اندازهگیری شد. آنالیز طیفی نمونه خاک‌ها با استفاده از دستگاه طیف‌سنجی زمینی با طول موج 350تا2500 نانومتر با استفاده از نرم‌افزار RS3 اندازه گیری و ثبت شد. پس از ثبت طیف‌ها روشهای مختلف پیش‌پردازش مورد ارزیابی قرار گرفت. سپس از رگرسیون خطی چندگانه و شبکه عصبی مصنوعی برای پیشبینی ویژگیهای خاک استفاده گردید. نتایج نشان داد که بهترین روش پیش پردازش دادههای طیفی، ﻣﺸـﺘﻖ ﺍﻭﻝ+ ﻓﻴﻠﺘﺮ ﺳﺎﻭﻳﺘﺰﮐﻲ ﻭ ﮔﻼﻱ + فیلتر میانه + متغیر نرمال استاندارد میباشد. بر اساس مقایسه آماره ضرییب تبیین میان دو مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه (به ترتیب برای هدایت الکتریکی 88/0 – 45/0، اسیدیته خاک 25/0 – 13/0، نسبت جذب سدیم 59/0 – 23/0، ماده آلی 68/0 – 66/0، کربنات کلسیم 52/0 – 48/0 و پایداری خاکدانه 48/0 – 28/0)، شبکه عصبی مصنوعی نتایج بهتری در مقایسه با مدل رگرسیون خطی از خود نشان داد.
بهروز پورمحمدعلی؛ محمدحسن صالحی؛ سیدجواد حسینی فرد؛ حسین شیرانی؛ عیسی اسفندیارپور بروجنی
چکیده
امروزه، مدیریت اصولی اراضی بهعنوان یک راهکار مهم برای رسیدن به عملکرد بیشتر در واحد سطح و استفاده بهینه از منابع خاک و آب، مورد توجه پژوهشگران، تولیدکنندگان و سیاستگذاران عرصه کشاورزی قرار گرفته است. پژوهش حاضر با هدف بررسی ارتباط بین عملکرد پسته و عوامل مؤثر بر آن، صورت پذیرفت. بدین منظور، 129 قطعه باغ در مناطق مختلف شهرستآن‌های ...
بیشتر
امروزه، مدیریت اصولی اراضی بهعنوان یک راهکار مهم برای رسیدن به عملکرد بیشتر در واحد سطح و استفاده بهینه از منابع خاک و آب، مورد توجه پژوهشگران، تولیدکنندگان و سیاستگذاران عرصه کشاورزی قرار گرفته است. پژوهش حاضر با هدف بررسی ارتباط بین عملکرد پسته و عوامل مؤثر بر آن، صورت پذیرفت. بدین منظور، 129 قطعه باغ در مناطق مختلف شهرستآن‌های رفسنجان و انار شناسایی و انتخاب گردید. نمونهبرداری از آب آبیاری، برگ درختان و خاک همه باغها انجام شد. همچنین برای هر باغ یک پرسشنامه به منظور جمعآوری اطلاعات مدیریتی و تعیین مقدار عملکرد تهیه شد. در نهایت یک متغیر وابسته یعنی عملکرد محصول و 50 متغیر مستقل شامل ویژگیهای خاک، آب و گیاه برای انجام مدلسازی به کمک مدلهای رگرسیون چند متغیره خطی و شبکههای عصبی مصنوعی مورد استفاده قرار گرفت. نتایج نشان میدهد که رگرسیون چند متغیرهی خطی تنها 26 درصد تغییرات عملکرد را توجیه مینماید اما وقتی با تقسیم منطقه به چهار بخش، دادهها همگنتر میشود، دقت این روش افزایش یافت. به طوری که ضریب تبیین اصلاح شدهی مدل برای باغهای منطقه نوق، انار، حومه شرقی و حومه غربی به ترتیب به حدود 4/92، 5/81، 95 و 6/53 درصد رسید. این مدلها، به ویژگیهای مربوط به آب آبیاری حساسیت زیادی نشان میدهند. بنابراین، توجه ویژه به روشهای نوین آبیاری و اتخاذ رویکردهای صحیح مدیریتی به منظور افزایش بهرهوری آب ضروری به نظر می‌رسد. شبکه عصبی مصنوعی با 9 نرون در یک لایه پنهان، تابع فعال‌سازی تانژانت-سیگموئید و تابع آموزشی لونبرگ مارکوات دارای دقت 3/98 درصدی در پیشبینی عملکرد محصول پسته در کل منطقه مورد مطالعه میباشد.
حسن مسعودی؛ عباس روحانی
چکیده
استفاده از شبکه های عصبی مصنوعی بهعنوان روشی جدید برای برآورد مشخصه های فیزیکی محصولات کشاورزی و درجه بندی آنها بر حسب پارامترهای مختلف مطرح شده است. در این پژوهش ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی اندازه گیری شد و از دو شبکه عصبی مصنوعی برای مدلسازی جرم و حجم پرتقال ...
بیشتر
استفاده از شبکه های عصبی مصنوعی بهعنوان روشی جدید برای برآورد مشخصه های فیزیکی محصولات کشاورزی و درجه بندی آنها بر حسب پارامترهای مختلف مطرح شده است. در این پژوهش ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی اندازه گیری شد و از دو شبکه عصبی مصنوعی برای مدلسازی جرم و حجم پرتقال برحسب ابعاد هندسی (ANN(h,w,t)) و سطح تصویر (ANN(A)) میوه استفاده گردید. شبکه عصبی پرسپترون چندلایه (MLP) با یک لایه مخفی، تابع سیگموئید به عنوان تابع فعال سازی نرون ها و الگوریتم پس انتشار با نرخ یادگیری کاهشی (BDLRF) برای آموزش شبکه انتخاب شد. نتایج مقایسههای آماری نشان داد که اختلاف بین مقادیر واقعی و پیشبینی شده توسط شبکه های عصبی معنی‌دار نیست؛ همچنین حداقل مقدار ضریب تبیین (R2) برای هر یک از متغیرهای جرم و حجم در هر سه مرحله پیاده سازی شبکه عصبی(آموزش، معتبرسازی و آزمون) برابر با 96/0 بود. در مقایسه عملکرد دو مدل شبکه عصبی، بر اساس کوچکی معیارهای RMSE و MAPE و بزرگی ME ، مشخص شد که شبکه عصبی ANN(h, w, t) به ANN(A) در هر سه مرحله آموزش، معتبرسازی و آزمون برتری دارد. همچنین مقایسه عملکرد مدلهای شبکه عصبی با مدلهای رگرسیونی ( F(h,w,t) و F(A) ) نشان داد که اختلاف بین آنها معنی‌دار نبوده، ولی عملکرد پیشبینی مدل رگرسیونی F(h,w,t) بهتر از F(A) و در نهایت عملکرد مدل ANN(h,w,t) بهتر از مدل رگرسیونی F(h,w,t) میباشد.
حدیث نعمت پور ملک آباد؛ محمد جواد شیخ داودی؛ اسماعیل خراسانی فردوانی؛ حسن ذکی دیزجی
چکیده
پیاز خوراکی بهعنوان منبع غذایی و همچنین مصارف دارویی، امروزه بسیار مورد توجه قرار گرفته است. با افزایش بیش از پیش تولید پیاز، نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از پودر پیاز بیشتر احساس میشود. بههمین جهت خشک کردن این محصول بهعنوان یکی از راهکارهای عملی همواره مطرح میباشد. امروزه با توجه به مزایای ...
بیشتر
پیاز خوراکی بهعنوان منبع غذایی و همچنین مصارف دارویی، امروزه بسیار مورد توجه قرار گرفته است. با افزایش بیش از پیش تولید پیاز، نیاز به انبارداری، افزایش ماندگاری، کاهش ضایعات و استفاده از پودر پیاز بیشتر احساس میشود. بههمین جهت خشک کردن این محصول بهعنوان یکی از راهکارهای عملی همواره مطرح میباشد. امروزه با توجه به مزایای فناوری هوش مصنوعی، استفاده از شبکههای عصبی مصنوعی در سطح وسیعی برای شبیهسازی و پیشبینی پارامترهای مورد نیاز در فرایندهای خشک کردن در حال رشد و توسعه است. هدف از انجام این تحقیق پیشبینی محتوای رطوبتی پیاز به کمک شبکه عصبی مصنوعی میباشد. در این تحقیق پیاز با استفاده از خشککن جریان عمودی هوای داغ در زمانهای مختلف در سه سطح دمای 60، 70 و 80 درجه سلسیوس، سه سطح ضخامت لایه 15، 30 و 45 میلیمتر، سه سطح ضخامت خلال 2، 4 و 6 میلیمتر و سه تکرار، در سرعت هوای ثابت 5/1 متر بر ثانیه خشک شده تا محتوای رطوبتی آن ثابت و به 6% (بر پایه تر) برسد. بهترین الگوریتم یادگیری لونبرگ-مارکوارت با کمترین مقدار خطا MSE انتخاب شد. توپولوژی بهینه 1-10-4 با تابع آستانه تانژانت سیگموئید و مقادیر خطای 0133/0 و توپولوژی بهینه 1-6-4 با تابع آستانه لگاریتم سیگموئید و مقادیر خطای 022/0 به دست آمدند. مقایسه ضریب تبیین R2 وMSE نشان داد که شبکه عصبی با ساختار 1-10-4 با تابع آستانه تانژانت سیگموئید برای پیشبینی محتوای رطوبتی در مقایسه با توپولوژیهای دیگر نتایج بهتری را ارائه میکند؛ بهترین مقدار ضریب تبیین 998/0 و MSE آن 0133/0 به دست آمد.
کشاورزی دقیق
روح الله تقی زاده؛ فریدون سرمدیان؛ محمود امید؛ نورایر تومانیان؛ محمدجواد روستا؛ محمد حسن رحیمیان
دوره 37، شماره 2 ، اسفند 1393، ، صفحه 101-115
چکیده
در طی سالهای گذشته پیشرفتهای گستردهای در زمینه علم نقشهبرداری رقومی خاک شده است؛ بهطوریکه منجر به تولید نقشههای رقومی خاک در سطح ملی و قارهای گردیده است؛ اما به رغم مطالعات بسیار زیادی که در سطح دنیا انجام گرفته است و یا در حال انجام شدن میباشد، تعداد اندکی از خاکشناسان ایرانی به علم نقشهبرداری رقومی ...
بیشتر
در طی سالهای گذشته پیشرفتهای گستردهای در زمینه علم نقشهبرداری رقومی خاک شده است؛ بهطوریکه منجر به تولید نقشههای رقومی خاک در سطح ملی و قارهای گردیده است؛ اما به رغم مطالعات بسیار زیادی که در سطح دنیا انجام گرفته است و یا در حال انجام شدن میباشد، تعداد اندکی از خاکشناسان ایرانی به علم نقشهبرداری رقومی خاک علاقه نشان دادهاند؛ لذا در تحقیق حاضر، سعی شده تا از انواع روشهای دادهکاوی برای پیشبینی مکانی گروههای بزرگ خاک در اراضی به وسعت 72000 هکتار در منطقهی اردکان بهره گرفته شود. در این منطقه بر اساس روش مربع لاتین مکان جغرافیایی 187 پروفیل خاک مشخص شده و سپس تشریح، نمونهبرداری و بر اساس سیستم آمریکایی به شش گروه بزرگ و هشت زیرگروه طبقهبندی شدند. متغیرهای محیطی یا نمایندگان فاکتورهای خاکسازی که در این پژوهش استفاده شدند، شامل ویژگی های توپوگرافی دادههای تصویر ETM+ ماهواره لندست 2002 و نقشههای پلیگونی از جمله سطوح ژئومورفولوژی، زمینشناسی و کاربری اراضی است. نتایج نشان داد که مدل درخت تصمیم نسبت به سایر مدلها دارای برتری نسبی میباشد؛ بهطوریکه توانسته است دقت پیشبینی گروههای بزرگ خاک را نسبت به روش آنالیز تشخیصی (ضعیفترین مدل) 44% افزایش دهد. در کل نتایج تحقیق، دقت مدلهای درخت تصمیم، شبکه عصبی مصنوعی، ترکیب شبکه عصبی مصنوعی - الگوریتم ژنتیک، رگرسیون لاجیستیک چندجملهای و آنالیز تشخیصی را جهت پیشبینی گروههای بزرگ خاک با دقت کلی 70%، 65%، 65%، 55% و 47%، به ترتیب، تایید کرد. همچنین درخت تصمیم، کلاسهای زیرگروه خاک را با دقت 2/84% پیشبینی نموده است.
