- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,727 |
| تعداد مقالات | 31,058 |
| تعداد مشاهده مقاله | 28,419,721 |
| تعداد دریافت فایل اصل مقاله | 16,277,682 |
پیش‌بینی تغییرات کربن آلی خاک دیمزارها و آنالیز حساسیت متغیرهای تخمین‌گر | ||
| پژوهش های آبخیزداری | ||
| مقاله 4، دوره 27، شماره 3 - شماره پیاپی 104، مهر 1393، صفحه 31-38 اصل مقاله (635.07 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmej.2014.106891 | ||
| نویسندگان | ||
| یحیی پرویزی* 1؛ محمدحسین مهدیان2 | ||
| 1استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات کشاورزی و منابع طبیعی، کرمانشاه | ||
| 2استاد، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران | ||
| چکیده | ||
| از آنجا که کربن آلی خاک نقش کلیدی در تولید و باروری خاک دارد، جایگاه منحصر به فردی در مدیریت پایدار خاک و مدیریت صحیح کشت بویژه در شرایط کشور ما دارد. از میان اجزاء تشکیل دهنده خاک، ماده آلی خاک تنهی جزئی است که تغییرات آن در میان مدت صرفا تابع شرایط مدیریتی است. تحقیق حاضر با هدف بررسی اثرات عوامل مدیریتی و فیزیکی بر تغییرات کمی کربن آلی خاک در کاربری زراعت دیم حوزه نیمه خشک مرگ در غرب کشور انجام شد. نمونه برداری به روش سیستماتیک تصادفی انجام و شبیه سازی و تحلیل اثرات عوامل فیزیکی و مدیریتی و آنالیز حساسیت متغیرهای تخمین‌گر به کمک شبکه های عصبی مصنوعی صورت پذیرفت. نتایج تحقیق نشان داد که در شبکه‌های عصبی مصنوعی اجرا شده ، شبکه با دو لایه مخفی و تعداد دو نورون در هر لایه با حداقل خطای MSE بین 04/0 تا 07/0 (با ترکیبات مختلف متغیرهای ورودی)، بهترین کارائی را نشان داد. تابع تبدیل به کار رفته برای فرآیند کردن ورودی‌ها در لایه مخفی تابع تانژانت هیپربولیک بود. همچنین شبکه اجرا شده با استفاده از 31 متغیر فیزیکی و مدیریتی توانسته است 78درصد تغییرات کربن را درسطح حوزه پیش بینی نماید. بیشتر این توانمندی مربوط به متغیرهای مدیریتی، بوده است.. همچنین نتایج آنالیز حساسیت متغیرهای ورودی شبکه عصبی نشان داد که در بین متغییرهای مدیریتی، متغییرهای مربوط به سناریوی خاکورزی، سناریوی مدیریت بقایای محصول و سناریوی نظام تناوب به ترتیب با کنترل 24و 24 و 18 درصد تغییرات کربن آلی خاک دارای بالاترین اولویت تاثیرگزاری بر تغییرپذیری کربن آلی خاک می‌باشند. | ||
| کلیدواژه‌ها | ||
| شبکه های عصبی مصنوعی؛ کربن آلی خاک؛ کاربری دیم؛ آنالیز حساسیت | ||
| عنوان مقاله [English] | ||
| Estimate Soil Organic Carbon Variability of Rainfed lands and Sensitivity Analysis of Predictor Variables | ||
| نویسندگان [English] | ||
| Yahya Parvizi1؛ Mohammad Hossein Mahdian2 | ||
| 1Assistant Professor, Soil and Watershed Protection Research Department, Agricultural and Natural Resources Research Center, Kermanshah | ||
| 2Professor, Agricultural Research, Education and Extension Organization, Tehran | ||
| چکیده [English] | ||
| Since Soil organic carbon (SOC) has a key role in production and soil productivity, it has also important role in sustainable soil and crop specially in our country. Among soil particles, SOC variability in medium time scale is a management based practice. This research was conducted to investigate the effects of physical and management variables on SOC variations and to quantify the relative importance of these variables on SOC distribution in a rainfed watershed by use of artificial neural networks (ANNs) technique. Sampling was done based on randomized systematic method and simulation, analysis of physical and management factors impacts and sensitivity analysis of predictor variables were don using artificial neural networks (ANNs). Results indicated that among ANNs that applied to simulate SOC, those with 2 hidden layers and two nodes in each layer with than transfer function have high efficiency with MSE=0.04 – 0.07 in SOC prediction. ANN models with management exploratory variable were able to distinguish SOC contents more efficient. Best ANN model with all 31 exploratory variables can estimate about 78 percent of SOC variability. Sensitivity analysis showed that tillage, crop residue and rotation related prediction variables by controlling about 24, 24 and 18 of SOC variability, respectively, have greatest effects. | ||
| کلیدواژه‌ها [English] | ||
| Soil organic carbon, Artificial Neural Networks, Rainfed, Sensitivity analysis | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 425 تعداد دریافت فایل اصل مقاله: 1,145 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب