دانلود مقاله ISI انگلیسی شماره 52507
ترجمه فارسی عنوان مقاله

نقشه برداری خاک دیجیتال با استفاده از شبکه های عصبی مصنوعی و ویژگی زمین های مرتبط

عنوان انگلیسی
Digital Soil Mapping Using Artificial Neural Networks and Terrain-Related Attributes
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
52507 2015 12 صفحه PDF سفارش دهید
دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله تقریباً شامل 7462 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 11 روز بعد از پرداخت 89,544 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 179,088 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Pedosphere, Volume 25, Issue 4, August 2015, Pages 580–591

ترجمه کلمات کلیدی
ویژگی های مدل ارتفاعی رقومی - پرسپترون چند لایه - طبقه بندی خاک - خاک - تشکیل عوامل - بررسی خاک
کلمات کلیدی انگلیسی
digital elevation model attributes; multilayer perceptron; soil classification; soil-forming factors; soil survey
پیش نمایش مقاله
پیش نمایش مقاله نقشه برداری خاک دیجیتال با استفاده از شبکه های عصبی مصنوعی و ویژگی زمین های مرتبط

چکیده انگلیسی

Detailed soil surveys involve costly and time-consuming work and require expert knowledge. Since soil surveys provide information to meet a wide range of needs, new methods are necessary to map soils quickly and accurately. In this study, multilayer perceptron artificial neural networks (ANNs) were developed to map soil units using digital elevation model (DEM) attributes. Several optimal ANNs were produced based on a number of input data and hidden units. The approach used test and validation areas to calculate the accuracy of interpolated and extrapolated data. The results showed that the system and level of soil classification employed had a direct effect on the accuracy of the results. At the lowest level, smaller errors were observed with the World Reference Base (WRB) classification criteria than the Soil Taxonomy (ST) system, but more soil classes could be predicted when using ST (7 soils in the case of ST vs. 5 with WRB). Training errors were below 11% for all the ANN models applied, while the test error (interpolation error) and validation error (extrapolation error) were as high as 50% and 70%, respectively. As expected, soil prediction using a higher level of classification presented a better overall level of accuracy. To obtain better predictions, in addition to DEM attributes, data related to landforms and/or lithology as soil-forming factors, should be used as ANN input data.

دانلود فوری مقاله + سفارش ترجمه

نسخه انگلیسی مقاله همین الان قابل دانلود است.

هزینه ترجمه مقاله بر اساس تعداد کلمات مقاله انگلیسی محاسبه می شود.

این مقاله شامل 7462 کلمه می باشد.

هزینه ترجمه مقاله توسط مترجمان با تجربه، طبق جدول زیر محاسبه می شود:

شرح تعرفه ترجمه زمان تحویل جمع هزینه
ترجمه تخصصی - سرعت عادی هر کلمه 12 تومان 11 روز بعد از پرداخت 89,544 تومان
ترجمه تخصصی - سرعت فوری هر کلمه 24 تومان 6 روز بعد از پرداخت 179,088 تومان
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.