مولدهای هواشناسی (Weather Generators) با هدف تطویل سری اطلاعات انواع متغیرهای وضع هوا اعم از بارش، دما و رطوبت نسبی، برای ارتقاء فهم و درک از عملکرد هر سیستمی که اقلیم عامل تاثیرگذار بر آن باشد، توسعه یافته اند. الگوریتم های متفاوتی از این مولدها در دو نوع کلی پارامتری و ناپارامتری تا به امروز ارائه شده اند. در این مطالعه کارایی مولد ناپارامتری k نزدیکترین همسایه با قابلیت برونیابی داده ها در سری مصنوعی، برای چندین ایستگاه شامل ایستگاه های تهران، مشهد، قزوین، بوشهر، تبریز و رشت با آمار قابل قبول 45 سال (2005-1961) ارزیابی و برای بیان برتری نسبی این روش ها نسبت به روش های پارامتری، نتایج آن با خروجی مولد پارامتری LARS-WG مقایسه شده است. نتایج حاصله نشان داد که روش ناپارامتری به کارگرفته شده در این مطالعه در شبیه سازی اکثر پارامترهای سری مشاهده شده، نسبت به روش پارامتری مطمئن تر عمل می نماید. با این وجود در شبیه سازی طول دوره های درازمدت تر و خشک، مولد LARS-WG بهتر عمل می کند که البته اختلاف این دو مولد ناچیز می باشد.

استفاده از روش های نمونه برداری فاصله ای در مدیریت جنگل های زاگرس کاربرد گسترده ای دارد. در تحقیق حاضر، برآورد ویژگی های کمی روش های نمونه برداری نزدیکترین فرد، نزدیکترین همسایه، دومین نزدیکترین همسایه، روش ترکیبی و نقطه مشترک مورد بررسی و مقایسه قرار گرفت. روش نمونه برداری نزدیکترین فرد با برآورد کننده های Morisita، Byth & Ripley و Cottam et al. و روش نزدیکترین همسایه با برآورد کننده های Byth & Ripley و دو برآورد کننده Cottam & Curtis1 و Cottam & Curtis2 نیز مورد بررسی قرار گرفت. موقعیت کل درختان و درختچه های یک قطعه جنگل به مساحت 53 هکتار واقع در شهرستان اردل استان چهارمحال و بختیاری ثبت گردید. با داشتن مقدار واقعی تعداد درختان در هکتار و درصد تاج پوشش و همچنین میزان برآوردی آنها، اریبی در هر تکرار به دست آمد. اختلاف مقدار اریبی با مقدار واقعی (برای آزمون اریبی) با آزمون t تک نمونه ای و تجزیه واریانس با آزمون گیمز هاول بررسی گردید. نتایج بدست آمده از ارزیابی برآورد تعداد در هکتار نشان می دهد که، اختلاف میانگین ها فقط در روش نزدیکترین همسایه با برآورد کننده Cottam & Curtis1 معنی دار نمی باشد و در سایر روش ها اختلاف معنی دار است. در محاسبه درصد تاج پوشش نیز، اختلاف میانگین ها فقط در دو روش دومین نزدیکترین همسایه و روش ترکیبی معنی دار نیست و در سایر روش ها معنی دار می باشد. بر اساس نتایج این تحقیق پیشنهاد می شود که برای برآورد تعداد در هکتار از روش Cottam & Curtis1 و برای برآورد درصد تاج پوشش از روش های نمونه برداری ترکیبی و دومین نزدیکترین همسایه استفاده شود.

مدل آیزینگ یکی از ساده ترین مدل های توصیف کننده برهم کنش ذرات است. در این تحقیق بسط دمای بالای پذیرفتاری مغناطیسی میدان صفر مدل آیزینگ فرومغناطیس و پادفرومغناطیس و مدل آیزینگ با یک برهم کنش پادفرومغناطیس بر روی شبکه دوبعدی کاگومه با برهم کنش بین نزدیک ترین همسایه ها بررسی شد. با استفاده از تقریب پد، نمای بحرانی مدل آیزینگ فرومغناطیس g »1.75 تخمین زده شد که با فرضیه جهان شمولی در تطابق است. اما در مدل آیزینگ پادفرومغناطیس و یک برهم کنش پادفرومغناطیس به علت اثر ناکامی مغناطیسی هیچ گونه گذارفازی مشاهده نشد.

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

در این مقاله، طبقه­بندی مبتنی بر طبقه­بند K نزدیکترین همسایه­ها و خطای بازسازی، جهت دسته­بندی داده­ها معرفی شده است. در روش پیشنهادی، ابتدا K نزدیکترین داده (همسایه) به داده­ی آزمون، از هر دسته موجود در داده­های آموزش، محاسبه می­گردد. سپس به بازسازی داده­ی آزمون، بر حسب تعداد مختلفی از نزدیکترین همسایه­ها (از یک تا  K)، در هر دسته پرداخته شده و میزان خطای بازسازی به ازای هر تعداد همسایه به طور مجزا محاسبه می­گردد. در گام بعد، در هر دسته، میزان خطا به صورت جمع وزندار خطای حاصل از تمامی بازسازی­ها محاسبه می­گردد. وزن خطای بازسازی، متناسب با تعداد همسایه­های دخیل در آن در نظر گرفته شده است بدین ترتیب که خطای بازسازی در تعداد همسایه­های آن ضرب می­شود. در آخر، داده­ی آزمون به دسته­ای تعلق دارد که کمترین میزان خطای کل را دارا است. این عمل موجب می­گردد تا ترکیبی از طبقه­بندهای مبتنی بر K نزدیکترین همسایه به صورت هم­افزایی در طبقه­بندی داده­ها نقش ایفا نمایند. در این مقاله از 10 دسته­مجموعه متعلق به پایگاه داده­ی سری-زمانی UCR و پنج دسته-مجموعه متعلق به پایگاه داده­ی دسته­بندی UCI جهت ارزیابی روش پیشنهادی استفاده شده است. نتایج بدست آمده از این ارزیابی­ها نشان می­دهد که روش پیشنهادی، عملکرد طبقه ندهای KNN مبتنی بر کمترین خطای بازسازی را به میزان زیادی بهبود بخشیده و نرخ بازشناسی در برخی K ها را در حدود 5 درصد بهتر نموده و متوسط نرخ بازشناسی به ازای تمامی Kها (از 2 الی 15) در حدود 1.6 درصد بهبود یافته است.

هدایت هیدرولیکی خاک در بسیاری از مطالعات مربوط به حرکت آب و انتقال املاح مورد نیاز می باشد، لیکن در بیشتر موارد به علت محدودیت های عملی و یا هزینه ای، اندازه گیری آن با دشواری همراه است. رویکردهای غیر پارامتریک از جنبه های مختلفی برای تخمین متغیرهای پیوسته بکار رفته اند. در این پژوهش نوعی از الگوریتم های غیر پارامتریک از نوع یادگیرنده های تنبل موسوم به -k نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده از دیگر ویژگیهای کمکی خاک شامل توزیع اندازه ذرات، هدایت الکتریکی عصاره اشباع (ECe)، رطوبت اشباع(θs) ، درصد کربن آلی(OC) ، مقدار مواد خنثی شونده (TNV) و جرم ویژه حقیقی و ظاهری بکار گرفته شد. بر اساس تکنیک ارزیابی تقاطعی برای تخمین هدایت هیدرولیکی اشباع هر نمونه خاک هدف، تعداد 10 نمونه خاک که حداکثر تشابه با خاک هدف را داشتند، از بانک مرجع که حاوی 151 نمونه خاک بود، انتخاب و مقدار هدایت هیدرولیکی اشباع آنها برآورد گردید. استفاده از آماره های ضریب همبستگی پیرسون(r=0.801) ، خطای ماکزیمم (ME=120.4)، ریشه میانگین مربعات خطا (RMSE=71.5)، ضریب تبیین(CD=1.32) ، کارآیی مدل (EF=0.65) و ضریب جرم باقیمانده (CRM=-0.046) نشان داد که در بیشتر موارد، این تکنیک بصورتی قابل قبول توانایی تخمین کمیت مورد نظر را دارد. بر این اساس، می توان نتیجه گیری کرد که استفاده از این تکنیک به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه هنگامی که فراهمی داده های جدید؛ نیاز به اشتقاق مجدد این توابع را الزام آور می کند، می تواند بکار رود.