با افزایش روزافزون جمعیت و نیاز به مواد غذایی، گندم به عنوان محصولی با بیشترین سطح زیر کشت و تولید سالانه در مقیاس جهانی از اهمیت ویژه‌ای برخوردار بوده است لذا شناسایی و معرفی مناطق مساعد کشت آن در هر منطقه ضروری است. استان کرمانشاه به‌عنوان محدوده مورد مطالعه یکی از مناطق حاصلخیزی است که بیشترین کشت گندم را در بین محصولات زراعی دارد. بدین منظور در این مطالعه از شبکه عصبی پرسپترون چندلایه (MLP) با الگوریتم آموزش لونبرگ- مارکوات جهت شناسایی و معرفی مناطق مساعد کشت گندیم دیم استفاده شد. لایه‌های ورودی شبکه شامل 12 لایه؛ کاربری اراضی، میانگین بارندگی سالانه، میانگین بارندگی فصل پاییز، میانگین بارندگی فصل بهار، میانگین دمای سالانه، میانگین دمای فصل بهار، میانگین دمای فصل پاییز، شیب، جهت شیب، ارتفاع از سطح دریا، رطوبت نسبی، درجه- روز است. لایه‌های مربوط به بارندگی و دما به ترتیب با استفاده از داده‌های ایستگاه‌های باران‌سنجی و سینوپتیک و عمل درون‌یابی در محیط ArcGIS تهیه شدند. لایه های وابسته به ارتفاع نیز با استفاده از DEM با قدرت تفکیک 30×30 متر IRS استخراج شدند. ابتدا به منظور تعیین فضای جست وجو الگوریتم شبکه عصبی، مناطق غیر قابل کشت تعیین و از کل لایه های ورودی حذف گردید. 210 مکان مناسب کشت به عنوان نقاط آموزشی شبکه تهیه شد. در نهایت کلاس مناطق غیر قابل کشت که 15% و نتایج حاصل از مدل شامل پنج کلاس بسیار مساعد، مساعد، نسبتاً مساعد، نامساعد و بسیار نامساعد که به ترتیب 5/4، 14/8، 24، 22/5 و 18/3 درصد از کل مساحت استان را به خود اختصاص داده‌اند، تعیین شد. همچنین ضریب رگرسیون کلی 91 درصدی شبکه که حاصل شرکت کلیه داده در شبکه است، بیانگر کارای بالای شبکه عصبی پرسپترون چندلایه در این پهنه‌ بندی است. پرونده مقاله

پرونده مقاله

حمل و نقل همواره یکی از مهمترین عوامل اثرگذار بر ساختار شهرها بوده است. اما بویژه در یک سده اخیر با گسترش انواع وسایل نقلیه موتوری و تغییرات فزاینده جمعیتی به یکی از اصلی ترین مشکلات شهرنشینی بدل گردیده است. با توجه به حجم مسافرت های درون شهری در شهر کرمانشاه طراحی ایستگاههای اتوبوس به صورت استاندارد، از جمله مواردی است که باعث پهلوگیری مناسب اتوبوس در ایستگاه ها، کاهش زمان پیاده و سوار شدن کاربران و تاثیر منفی کمتر این سیستم بر تردد سایر وسایل نقلیه می شود. در این پژوهش از شبکه عصبی پرسپترون برای پیش بینی بهترین مکان ها برای ایستگاه اتوبوس استفاده است. از جمله ساختارهای مهم شبکه های عصبی، پرسپترون چند لایه Multilayer PerceptTron)) با الگوریتم پس انتشار خطا (error back-propagation ) است که برای انجام پژوهش استفاده شده است. داده های موثر در مکان یابی ایستگاه های اتوبوس شامل ۱۵ لایه: تراکم جمعیت، فاصله از بیمارستان، فاصله از پارکینگ، فاصله از درمانگاه و کلینیک، فاصله از مراکز تجاری-اداری، فاصله از ترمینال، فاصله از رود خانه، فاصله از مراکز آموزشی، فاصله از مراکز نظامی، فاصله از مراکز مذهبی، فاصله از مراکز ورزشی، فاصله از فضای سبز، فاصله از معابر شهری، فاصله از مراکز صنعتی، فاصله از مراکز گردشگری می باشند. در ادامه ۵۰۰ لایه به عنوان نقاط آموزشی شبکه تهیه و تعداد ۱۰ لایه میانی نیز تعیین شد. سپس با اجرای شبکه پهنه های مستعد جهت احداث ایستگاه بدست آمدند. در نهایت با مشخص معابر موجود در پهنه های مستعد، معابر مستعد جهت احداث ایستگاه مشخص گردیدند. هم چنین مشاهده شد که معابر مستعد در نزدیکی نقاط پرتراکم جمعیتی، مرکز شهر، مراکز فرهنگی و تجاری قرار دارند. پرونده مقاله