| مقایسه روشهای هوش مصنوعی و رگرسیون چندمتغیره در برآورد تأثیر متغیرهای هواشناسی بر جوامع فیتوپلانکتونی |
| کد مقاله : 1006-3ICP-FULL |
| نویسندگان: |
|
زهرا آقاشریعتمداری *1، حدیث گل محمدیان2، زینب شریعتمداری3، جواد بذرافشان4، فریدون محبی5 1گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشکدگان کشاورزی و منابع طبیعی ، دانشگاه تهران 2گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی؛ دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران 3گروه علوم و زیست فناوری گیاهی، دانشکده علوم و فناوری زیستی، دانشگاه شهید بهشتی، تهران، ایران 4گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی و فناوری کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران 5بخش اکولوژی وارزیابی ذخایر، مرکز تحقیقات آرتمیای کشور، ارومیه، ایران. |
| چکیده مقاله: |
| شکوفایی جلبک‌های تولیدکننده سم در اکوسیستم‌های آبی یکی از پدیده‌های آسیب‌رسان و پراهمیت در دهه‌های اخیر معرفی می‌شود که بخشی از روند رو به رشد آن می‌تواند متأثر از تغییرات الگوهای آب و هوایی باشد. تاکنون در ایران مطالعه‌ای در خصوص تأثیر متغیرهای آب و هوایی بر رشد جوامع فیتوپلانکتونی صورت نگرفته است. مهمترین هدف پژوهش حاضر مقایسه و ارزیابی کارایی روشهای هوش مصنوعی و رگرسیون چندمتغیره در برآورد تاثیر عوامل هواشناسی بر رشد جمعیت فیتوپلانکتون‌ها در اکوسیستم آبی دریاچه سد ارس می‌باشد. نمونهبرداری به صورت فصلی و از سه ایستگاه ورودی سد، وسط دریاچه و خروجی سد انجام شد. همچنین داده‌های کلروفیل از سنجنده MODIS دریافت شد. نتایج رگرسیون چندگانه نشان‌داد که فراوانی فیتوپلانکتون‌ها همبستگی بالایی با غلظت کلروفیل زیست‌بوم آبی داشته و دمای هوا بیشترین سهم را در تغییرات غلظت کلروفیل دارد (72/0R2=). همچنین الگوی جوامع فیتوپلانکتونی در منطقه بسوی غلبه نسبی سیانوباکتری‌ها در تمام فصول سال 1392 نسبت به سال 1387 تغییر می‌کند. به نظر می‌رسد تغییرات الگوی دما و بارش منطقه را می‌توان از عوامل اصلی تأثیرگذار در ارتباط با این تغییر به‌شمار آورد. در روش برآورد تاثیر با استفاده از روش شبکه عصبی مصنوعی، از الگوریتم پرسپترون چند لایه (MLP) پس انتشار استفاده شده است. نتایج حاصل از شبکه عصبی نشان داد که متغیر دمای سطح آب و میانگین دمای هوا بیشترین اثر را در برآورد میزان کلروفیل داشته‌اند. همچنین مشاهده شد که شبکه عصبی عملکرد بالاتری را در پیش‌بینی میزان کلروفیل داشته است و میزان پیش‌بینی‌های اشتباه در این مدل تنها 2 درصد است. |
| کلیدواژه ها: |
| تغییرات آب و هوایی، فیتوپلانکتون، بلوم جلبکی مضر، شبکه عصبی، سنجنده MODIS. |
| وضعیت : مقاله برای ارائه شفاهی پذیرفته شده است |
