مقاله پیشبینی و پتانسیل سنجی عملکرد گیاه کلزا با استفاده از مدل ماشین بردار پشتیبان ( SVM ) وجنگل تصادفی ( RF ) در منطقه قزوین

توضیحات

  مقاله پیشبینی و پتانسیل سنجی عملکرد گیاه کلزا با استفاده از مدل ماشین بردار پشتیبان ( SVM ) وجنگل تصادفی ( RF ) در منطقه قزوین دارای 9 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیشبینی و پتانسیل سنجی عملکرد گیاه کلزا با استفاده از مدل ماشین بردار پشتیبان ( SVM ) وجنگل تصادفی ( RF ) در منطقه قزوین  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله پیشبینی و پتانسیل سنجی عملکرد گیاه کلزا با استفاده از مدل ماشین بردار پشتیبان ( SVM ) وجنگل تصادفی ( RF ) در منطقه قزوین،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیشبینی و پتانسیل سنجی عملکرد گیاه کلزا با استفاده از مدل ماشین بردار پشتیبان ( SVM ) وجنگل تصادفی ( RF ) در منطقه قزوین :

تعداد صفحات:9
چکیده:
کلزا ( Brasica napus L.) یکی از مهمترین گیاهان روغنی جهان می باشد که کشت و تولید آن به دلیل سازگاری با شرایط اقلیمی اغلب نقاط کشور گسترش یافته است. بهمنظور بررسی پیشبینی و پتانسیل سنجی عملکرد این گیاه در منطقه قزوین، تحقیقی در سال 1391بر اساس دادههای سال زراعی 89-90 با استفاده از روش های ماشینبردار پشتیبان ( SVM ) و جنگل تصادفی ( RF ) انجام شد. در این تحقیق با بهرهگیری از دادههای متغیرهای عوامل اقلیمی، بافت خاک، کیفیت آب آبیاری و خصوصیات گیاهی، مناطق برتر کشت این محصول برای دستیابی به حداکثر عملکرد در هکتار مشخص شد. همچنین اهمیت هر یک از عوامل اثرگذار و کارایی و ارتباط دادهها با عملکرد دانه مورد بررسی قرار گرفت. سپس روش های یاد شده مورد مقایسه قرار گرفت و بهترین روش برای پیشبینی عملکرد دانه مشخص گردید. در محاسبه تغییرات میزان عملکرد دانه در هکتار با استفاده از مدل جنگل تصادفی( RF )، بالاترین ضریب تبیین و کمترین انحراف معیار مربوط به محاسبه مدل با ورود 75% دادهها در حالت آموزش، به ترتیب 0/93 و 0/04 به دست آمد. همچنین تجزیه واریانس نتایج نشان داد مقادیر بهدست آمده با ورود 50 % داده ها از نظر آماری اختلاف معنی داری با ورود 75% داده ها نشان نمی دهد لذا برتری روش استفاده از مدل جنگل تصادفی( RF ) نسبت به مدل ماشین بردار پشتیبان ( SVM) در محاسبه پیش بینی عملکرد دانه کلزا در هکتار کاملا مشهود است.

برای دریافت اینجا کلیک کنید