..:: محــــــــــیـــط ســـــبـــــــز (بیابان زدایی) ::..
..:: محــــــــــیـــط ســـــبـــــــز (بیابان زدایی) ::..

..:: محــــــــــیـــط ســـــبـــــــز (بیابان زدایی) ::..

منابع طبیعی-بیابان زدایی-محیط زیست

مقایسه 3 الگوریتم رایانه ای در انتخاب مناطق مناسب حفاظت مازندران

دانلود مقالات زیست محیطی (فایل pdf)


مقاله ارزیابی و آمایش سرزمین


مقایسۀ کارایی سه الگوریتم هوشمند رایانه‌ای در انتخاب مناطق مناسب حفاظت

(مطالعۀ موردی: استان مازندران)



آزاده مهری 

 عبدالرسول سلمان ماهینی

سید حامد میرکریمی

حمیدرضا رضایی



چکیده


یکی از روش‌‌‌های انتخاب نواحی حفاظتی جدید، استفاده از روش‌‌‌های هوشمند رایانه‌‌‌ای یا هوش مصنوعی است. این روش‌‌‌ها الگوریتم‌‌‌های رایانه‌‌‌ای مختلفی را شامل می‌شوند که قوانین صریحی را برای شناسایی مجموعه‌‌‌ای از مناطق مناسب حفاظت به ‌‌‌کار می‌‌‌برند. این الگوریتم‌‌‌ها تعداد زیادی از گزینه‌‌‌های موردنظر را بررسی و نتایج را بر حسب تعداد لکه‌‌‌ها یا مساحت مورد نیاز حفاظتی مقایسه می‌‌‌کنند. همچنین، سطحی از اهداف را که با توجه به محدودیت‌‌‌ها و هزینه‌‌‌های پیش‌‌‌بینی‌‌شده قابل دستیابی است مشخص می‌‌‌کنند.


در این پژوهش کاربرد الگوریتم‌‌‌های حریص، نادر و مذاب‌‌‌سازی شبیه‌‌‌سازی‌شده در انتخاب مناطق حفاظتی استان مازندران مقایسه شده است. به این منظور از نرم‌‌‌افزار Marxan استفاده شد. علاوه بر این، تأثیر‌‌‌‌‌‌ مقیاس مکانی و اهداف حفاظتی مختلف در نتایج نیز بررسی شده است.


بررسی این پارامترها در پژوهش حاضر نشان می‌‌‌دهد که الگوریتم مذاب‌‌‌سازی شبیه‌‌‌سازی‌شده، نتایج قابل قبول‌‌‌تری را در تمام موارد به‌دست می‌دهد و کاربرد آن به شناسایی مناسب‌‌‌ترین لکه‌‌‌های حفاظتی بسیار کمک می‌کند. الگوریتم حریص سبب پراکندگی و تکه‌‌‌تکه‌شدگی لکه‌‌‌های حفاظتی منتخب و الگوریتم نادر سبب افزایش بیش از حد مساحت لکه‌‌‌ها می‌‌‌شود. الگوریتم مذاب‌‌‌سازی شبیه‌‌‌سازی‌‌‌شده، از نظر محیط و مساحت جواب‌‌‌های قابل قبولی را نسبت به سایر الگوریتم‌‌‌ها ارائه می‌‌‌کند.


نتایج نشان می‌‌‌دهند، پارامترهای مختلفی از جمله اهداف حفاظتی تعیین‌شده، مقیاس مطالعه، الگوریتم‌‌‌های مختلف و میزان فشردگی لکه‌‌‌های حفاظتی منتخب در فرایند انتخاب مناطق تحت حفاظت دخیل‌اند. در نتیجه، تعیین مقادیر مناسب این پارامترها از اساسی‌‌‌ترین مرحله‌‌‌ها در انتخاب مناطق تحت حفاظت جدید معرفی می‌‌‌‌شود.



کلیدواژه: الگوریتم حریص؛ الگوریتم مذاب‌‌‌سازی شبیه‌‌‌سازی‌شده؛ الگوریتم نادر؛ مناطق تحت حفاظت؛ Marxan


منبع: مجله محیط شناسی، دوره 40، شماره 1، بهار 1393، صفحه 1-16


دانلود فایل pdf  متن کامل مقاله در ادامه مطلب


برای مشاهده سایر مقالات زیست محیطی این وب اینجا کلیک نمایید .


مشاهده لیست همه مقالات زیست محیطی این وبلاګ از اینجا

توضیح: برای آشنا شدن بیشتر شما با متن مقاله قسمت مهمی از این مقاله تایپ شد و برای استفاده بر روی بلاگ قرار گرفت. امیدوارم توانسته باشم کاری هر چند کوچک در پیشبرد توسعه این علم و همچنین فرهنگ زیست محیطی انجام داده باشم.   با تشکر - محسن-خرداد 93



مقایسۀ کارایی سه الگوریتم هوشمند رایانه‌ای در انتخاب مناطق مناسب حفاظت

(مطالعۀ موردی: استان مازندران)



آزاده مهری 

 عبدالرسول سلمان ماهینی

سید حامد میرکریمی

حمیدرضا رضایی




1. سرآغاز


در سال های اخیر، به منظور کمک به انتخاب نواحی تحت حفاظت جدید روش های زیادی که دربرگیرنده معیارهای تنوع زیستی اند توسعه داده شده است. (Pearce, et al, 2008).
یکی از راهکار های دستیابی به این هدف استفاده از روش های هوشمند رایانه ای یا هوش مصنوعی است . این روش ها الگوریتم های رایانه ای مختلفی را شامل می شوند که تصمیم گیری را بر اساس تعریف تابع هدف انجام می دهند. الگوریتم ف رایندی ریاضی یا مجموع ه ای از قوانین به کار برده شده برای حل مشکل است. (Game & Grantham, 2008).

الگوریتم ها قوانین صریحی را برای شناسایی مجموعه ای از مناطق تحت حفاظت به کار می برند. آن ها تعداد زیادی از گزینه های مورد نظر را بررسی و نتایج را بر حسب تعداد یا مساحت لازم برای حفاظت مقایسه می کنند. همچنین، سطحی از اهداف را که با توجه به محدودیت ها و هزینه های پیش بینی شده قابل دستیابی است مشخص می کنند.(Margules & Pressey,2000).

انواع مختلفی از الگوریتم ها در زمینة انتخاب مناطق تحت حفاظت، برای بهینه سازی فرایند انتخاب و چینش فضایی لکه های مناسب حفاظت استفاده شده اند. از مه م ترین آن ها می توان به الگوریتم های بهینه 1 و اکتشافی 2 اشاره کرد. الگوریتم های بهینه از فرایند های ریاضی پیچیده مانند برنامه های خطی، استفاده می کنند . در طر ح ریزی مناطق حفاظت شدة برنامه های خطی اغلب از متغیرهای دودویی 3 (حضور و نبود) یا صحیح 4 (مانند مساحت) همراه درصد یا مساحت حضور اهداف به منزلة محدودیت استفاده می کنند و اغلب با عنوان برنامه های خطی صحیح 5 شناخته می شوند. در انتخاب مناطق تحت حفاظت متغیرهای حضور و نبود (مانند گونه ها ) یا گسترش تنوع زیستی (پوشش زیستگاه ) در مجموعه ای از مناطق داوطلب نشان داده می شوند. دو نوع هدف بهینه سازی برای انتخاب تعداد بهینة مناطق به کار گرفته می شوند. یکی مسائل جایابی پوششی مجموعه 6 است که ک م ترین تعداد یا کم ترین مجموعة مکان هایی را که تعداد، درصد یا مساحت مشخصی از حضور ویژگی ها را شامل می شوند، پیدا می کند. نوع دوم مسائل جایابی پوششی بیشینه 7 است که بیش ترین تعداد مکان ها را ب ه منزلة محدودیت تعیین، سپس بیش ترین تعداد یا مساحت ممکن ویژگی ها را که می توانند در این مکان ها شامل شوند، پیدا می کنند. (Vanderkam, et  al., 2007).


کاربرد الگوریتم های اکتشافی در انتخاب مناطق تحت حفاظت از سال 1980 آغاز شد . این الگوریتم ها از روند درخت تصمیم گیری استفاده می کنند و اغلب مشابه مسائل جایابی پوششی مجموعه اند و هدف آن ها انتخاب کم ترین مکان های ممکن برای نمایند ه بودن هم ة ویژگی هاست، یا گاهی همانند مسائل جایا بی پوششی بیشینه هدف آن ها بیشینه کردن ویژگی ها در تعداد مکان های از پیش تعریف 3 نوع از الگوریتم های اکتشافی که در این پژوهش استفاده شده شده است. (Vanderkam, et  al., 2007). عبارت اند از: حریص، نادر و مذاب سازی شبیه شازی شده 8. حریص الگوریتم اکتشافی برپای غناست و برای انتخاب مناطق تحت حفاظت از تحلیل مرحله ای استفاده می کند. (Pressey, et al,1996؛Csuti, et al,1997). این نام گذاری به این علت است که الگوریتم در هر مرحله حریصانه در تلاش است مکان هایی را برای حفاظت انتخاب کند که تعداد گون ه های حفاظت نشده بیشتری را به مجموع تحت حفاظت قبلی اضافه می کند (Possingham, et al., 2000) الگوریتم کار خود را با انتخاب مکانی که دارای بیش ترین غنای گونه ای است شروع می کند. سپس، در هر مرحله، مکان هایی که بیش ترین تعداد گونه را به مجموعه قبلی اضافه م ی کنند، انتخاب می شود. از مزایای این الگوریتم سادگی و سرعت زیاد آن است (Csuti, et al., 1997). الگوریتم های نادر یکی دیگر از الگوریتم های اکتشافی مرحله ای و تکراری به شمار می روند. عملکرد این الگوریتم ها بر اساس ویژگی نادربودن گ ونه هاست و کار خود را با انتخاب مکان هایی که دارای گونه های منحصر به فردند آغاز م ی کنند . سپس، در هر مرحله مکان هایی را که دارای گونه های نادر بعدی اند به مجموعة قبلی اضافه می شوند (Pressey, et al,1996؛Csuti, et al,1997). الگوریتم مذاب سازی شبیه سازی شده از فرایند ذوب و دوباره سرد کردن مواد الهام گرفته شده است . این الگوریتم در زمینه انتخاب مناطق تحت حفاظت کاربرد فراوانی دارد و مجموعه های مختلف مناطق درخور حفاظت را بررسی می کند . کار الگوریتم نخست با یک مجموع ة تصادفی آغاز می شود. در این الگوریتم فضای چندبعدی از نظر اهداف مشخص می شود و گزینه های مختلف آنقدر تولید و تغییر داده می شوند که کاملاً مطابق فضای چندبعدی ما شوند . در نهایت، مجموعه ای که اهداف ما را برآورده می کند انتخاب می شود (سلمان ماهینی، 1391 ). این الگوریتم بهتر از سایر روش های بهین ه سازی محلی عمل می کند و را ه حل نزدیک بهینه جهانی را ارائه می دهد، به گونه ای که برخی افزایش های تصادفی در تابع هزینه را می پذیرد و مانع به دام افتادن در شرایط حداقل محلی می شود (Aerts & Sharma & Lees, 2004 ؛Heuvelink, 2002). این موضوع در این مثال به خوبی روشن می شود که قصد بر آن است رشته ای از کوه ها (راه حل ها) برای رسیدن به بالاترین قله (هدف یا راه حل بهینه ) طی شود . اگر فقط اجازه  حرکت به سمت بالا وجود داشته باشد، به زودی بالاترین قله در مسیر فعلی (شرایط حداقل محلی ) دست یافتنی خواهد بود. اگر در مقابل، برای عبور از دره ها اجاز ة حرکت به سمت پایین نیز باشد، سرانجام بلندترین قل ه ها در کل مسیرها دست یافتنی خواهد بود (Game & Grantham,2008).


الگوریتم های اکتشافی و بهینه هر یک به طور مستقل از هم توسعه یافته اند. مطالعات مختلفی در زمینه مقایسه کارایی این الگوری تم ها در انتخاب مناطق تحت حفاظت صورت گرفته است (Pressey, et al,1996 ؛Csuti, et al,1997 ؛Vanderkam, et al., 2007 ؛Possingham, et al2000). نتایج این مطالعات نشان می دهند ، الگوریتم های بهینه اغلب در حل مسائل پیچیده تر طراحی حفاظتی در جهان حقیقی و با افزایش تعداد مکان ها با شکست مواجه شده اند، در حالی که الگوریتم های اکتشافی در حل مسائل پیچیده تر، به علت تولید جواب های واقعی تر در مدت زمان کمتر، پیشرفت های زیادی داشته اند، حتی اگر دستیابی به جواب بهینه را تضمین نکنند (Pressey, et al,1996). سرعت دستیابی به راه حل بهینه اهمیت زیادی دارد . در مسائل بهینه سازی زمان محاسباتی با افزایش تعداد محدودیت ها به طور نمایی افزایش می یابد. مطالعات نشان می دهند، مسائل انتخاب مناطق برای داده های کمتر و اندازه کوچک تا متوسط به راحتی و با سرعت از طریق الگوریتم های بهینه حل می شوند، اما برای مسائل بزرگ تر زمان پردازش می تواند محدودکننده باشد . الگوریتم های اکتشافی برای مناطق بزرگ تر پردازش ها را در زمان بسیار پایین تری انجام می دهند (Pressey, et al,1996). بیش ترین پیشرفت های اخیر در زمی نة الگوریتم های انتخاب مناطق تحت حفاظت کاربرد الگوریتم مذاب سازی شبیه سازی شده است . الگوریتم مذا بسازی شبیه سازی شده به علت توانایی بررسی هم زمان اهداف چندگانه، هزینه ها و سرعت بالا، در حل مسائل پیچیده به نسبت سایر الگوریتم های اکتشافی تکراری کارایی بیشتری داشته است. یکی از مزیت های الگوریتم مذا بسازی شبیه سازی شده تولید چندین راه حل در مقابل راه حل مجزاست (Pressey, 2002). این الگوریتم سازش ی مفید بین الگوری تم های بهینه و اکتشافی مرحله ای متداول است و جو اب های قابل قبولی را در زمان مناسب ارائه می دهد (Pressey, et al,1996).


در این پژوهش کاربرد الگوریت م های مذاب سازی شبیه سازی شده، حریص و نادر در انتخاب مناطق مناسب حفاظت در استان مازندران مقایسه ش ده است . همچنین، تأثیر مقیاس مکانی و اهداف حفاظتی مختلف نیز در نتایج بررسی شده است.


2. مواد و روش بررسی


1.2 . منطقة مورد مطالعه


این پژوهش در محدو ة استان مازندران اجرا شد . استان مازندران با حدود 24 هزار کیلومتر مربع مساحت ، بین 35 درجه و 47 دقیقه تا 38 درج ه و 5 دقیق ه عرض شمالی و 50 درجه و 34 دقیقه تا 56 درجه و 14 دقیقه طول شرقی قرار گرفته است . مازندران از استان های ساحلی است و از بخش شمالی هم مرز دریای خزر است . مناطق این استان به ویژه جنگل ها و مراتع زیستگاه گونه های گیاهی و جانوری گوناگونی است (سالنامة آماری استان مازندران، 1389).


3. معیارهای انتخاب مناطق تحت حفاظت


در این پژوهش بر اساس داد ه های در دسترس و امکان تهیه آن ها، همچنین محدودیت زمانی از معیارهای تیپ پوشش جنگل، مطلوبیت زیستگاه بالقو ة پستانداران و پراکنش پرندگان استفاده شد . معیارهای حفاظ تی در کل 38 معیار را دربر می گیرند که زیستگاه بالقو ة 8 گون ة پستاندار (پلنگ ایرانی، سیاه گوش، خرس قهوه ای، شنگ، قوچ و میش، کل و بز، شوکا و مرال )، مناطق مناسب پراکنش 4 گروه پرنده (پرندگان وابسته به آب، پرندگان شکاری، گنجشک سانان و سایر پرندگان) و 26 تیپ پوشش جنگلی از جمله آن هاست. نقشة هر یک از این معیارها برای ورود به نرم افزار باید به صورت جداگانه و لایه های بولین (صفر و یک) تهیه شود . مدل سازی زیستگاه پستانداران با روش ارزیابی چندمعیاره و منطق فازی و ترکیب خطی وزن دار صورت گرفت ، سپس با روش آس تانة مطلوبیت مناطقی که به احتمال زیاد نشا ن دهندة زیستگاه پستانداران اند تعیین شدند. برای مد ل سازی مناطق مناسب پراکنش پرندگان از داده های جم عآوری شده در بهار 1389 (رضایی و همکاران، 1389 ) در شبکه سلولی 25*25 کیلومتر استفاده شد. برای مد ل سازی مناطق مناسب پراکنش هر یک از گروه ها از روش Echelon Analysis . استفاده شد. Echelon Analysis ابزاری جدید برای تعیین علمی ساختار مکانی داده های کمی برای نقشه سازی مستقیم آن ها ارائه می کند. (Myers, et al., 1997 ؛Myers & Patil, 2002).


Echelon Analysis ساختار داده ها را بر اساس ارزش سلول ها و روابط آن ها با سلول های همسایه بررسی می کند.(Patil, et  al, 2004). برای تهیة لایه های تیپ پوشش جنگلی از نقشة 1:250000 تیپ پوشش جنگل تهیه شده سازمان جنگل ها و مراتع استفاده شد (سازمان جنگل ها و مراتع، 1390 ). در نهایت هر یک از معیارها ی مناطق شهری، روستایی، صنعتی و جاده ها از نقشه حذف شد . در این پژوهش از مرز حوزه های آبخیز به منزلة یگان های برنامه ریزی استفاده شد . با انتخاب حوزه های بیشتر از 50 هکتار، کل منطقه به 19865 حوزة آبخیز تقسیم شد.


3.1.انتخاب مناطق مناسب حفاظت


در این پژوهش برای انتخاب مناطق مناسب حفاظت، از نرم افزار Marxan استفاده شد. Marxan ابزار پشتیبان تصمیم گیری را به منظور طر ح ریزی سیستم های حفاظتی ارائه می دهد که الگوریتم های مختلفی را برای بهینه سازی فرایند انتخاب و چینش فضایی لکه های مناسب حفاظت استفاده می کند. مزیت اصلی نرم افزار در استفاده از الگوریتم مذاب سازی شبیه سازی شده است . علاوه بر این Marxan الگوریتم های ساده تر، اما سریع تری را نیز د ر اختیار کاربر قرار می دهد . این الگوریتم ها شامل انواع الگوریتم های اکتشافی همانند: حریص، نادر و الگوریتم بهبودیافته تکراری 9 است. Marxan امکان استفاده هر کدام از این الگوریتم ها را به تنهایی یا به صورت ترکیبی در اختیار کاربر قرار م ی دهد. مفیدترین روش استفاده از الگوریتم مذاب سازی شبیه سازی شده به همراه الگوریتم بهبودیافته تکراری است. زیرا الگوریتم مذاب سازی شبیه سازی شده به طور موثر به جست وجوی فضای تصمیم گیری و راه حل ها می پردازد، سپس، الگوریتم بهبودیاف تة تکراری تضمین می کند که راه حل منتخب در فضای تصمیم گیری بهترین گزینه را ارائه می کند. (Game & Grantham,  2008).


در این پژوهش، هدف کلی Marxan انتخاب حداقل مساحت ممکن از شبکة مناطق تحت حفاظت بر اساس معیارهای حفاظتی مورد استفاده است، به گونه ای که تمام اهداف حفاظتی در آن دست یافتنی باشند . هدف حفاظتی به صورت حداقل مساحت هر یک از تیپ های پوشش گیاهی و زیستگاه هر یک از گونه ها که باید حفاظت شود، معرفی شده است. علاوه بر این، Marxan برای انتخاب هر یگان به منزله حفاظت شده هزینه ای در نظر می گیرد. هزینة انتخاب منطقه ممکن است هر ن وع هزینة اقتصادی، اجتماعی و بوم شناختی یا ترکیبی از آن ها باشد . در این مقاله به مساحت کل یگان های انتخاب شده برای حفاظت به منزله هزینة انتخاب منطقه بسنده خواهد شد . البته باید توجه داشت که سایر هزینه های جایگزین مانند فاصله از جاده ها و مناطق تمرکز جمعیت انسان، از طریق دخالت در مدل سازی زیستگاه گونه ها، به طور غیرمستقیم در انتخاب نهایی مناطق مناسب حفاظت دخالت داده خواهند شد.


2.3 . سناریوی اول: بررسی تأثیر اهداف حفاظتی مختلف در نتایج


در این سناریو با استفاده از الگوریتم مذا ب سازی، شبیه سازی شده تأثی ر اهداف مختلف حفاظتی شامل 30، 40، 50 و 60 درصد حفاظت هر معیار بررسی شده است، در این سناریو Marxan با 100 تکرار اجرای مدل، 10000000 تکرار اجرای الگوریتم در هر تکرار مدل، نرخ کاهش درجه حرارت 1000 و BLM10 های 0، 10، 60، 30 و 100 اجرا شده است. BLM یا فاکتور تعدیل کننده طول مرز تنظیم کنندة میزان تکه تکه شدگی 11 لکه های انتخا ب شده برای حفاظت است و با افزایش مقدار آن تأکید بر کاهش طول مرز و فشردگی لکه های حفاظتی منتخب افزایش می یابد و اهداف حفاظتی در تعداد کم تری از لکه هایپ بزرگ تر ملاقات خواهند شد.


3.3 . سناریوی دوم: بررسی تأثیر الگوریتم های مختلف در نتایج


در این سناریو نتایج حاصل از الگوریتم مذاب سازی شبیه سازی شده با الگوریتم حریص و 2 نوع الگوریتم نادر شامل نادر بهینه 12 و نادر میانگین 13 مقایسه شده است . شرایط و پارامترها همانند سنار یوی اول تنظیم شد ه اند . به منظور مقایسه نتایج، سایر پارامترها مانند BLM و هدف حفاظتی برای همة الگوریتم ها باید یک مقدار ثابت در نظر با مقدار 60 اجرا و هدف BLM ، گرفته شود . به این منظور حفاظتی 30 درصد در نظر گرفته شده است.


4.3 . سناریوی سوم: بررسی تأثیر مق یاس های مکانی مختلف در نتایج


در این سناریو برای بررسی اثر مقیاس های مکانی در نتایج، اولویت بندی در مقیاس 6 آبخیز فرعی به صورت جداگانه نیز اجرا شده است . به این منظور هر یک از آبخیزهای فرعی همانند قبل به یگان های برنامه ریزی تقسیم و Marxan برای هر یک از آن ها به صورت جداگانه اجرا شد. در این سناریو فرایند انتخاب مناطق مناسب حفاظت در هر آبخیز به طور جداگانه و بر اساس حفاظت 30 درصد هر یک از معیارها اجرا شده است. Marxan در شرایط مشابه با سناریوی اول با 60=BLM اجرا شده است. 


4. نتایج


1.4 . سناریوی اول : بررسی تأثیر اهداف حفاظتی مختلف در نتایج


در این سناریو Marxan ، با اهداف 30، 40، 50 و 60 درصد اجرا شد. با هر بار اجرای Marxan تحت BLM های مختلف یک نقشه تولید می شود که شامل بهترین لکه های مناسب حفاظت برای هر BLM است . مسئلة مهم، یافتن بهترین نتایج بین BLM های مختلف است. روش ارائه شده از سوی Stewart and Possingham-2005 روشی مناسب در تعیین میزان BLM است . در این روش نمودار محیط در برابر مساحت برای هر BLM رسم می شود . بهترین BLM بهترین حالت بین میزان پیوستگی (محیط) و مساحت شبکه منتخب است . برای این منظور نمودار محیط در برابر مساحت برای هر BLM در نرم افزار Statistica ترسیم شد. این نمودار برای اهداف حفاظتی مختلف در شکل های 1 تا 4 نشان داده شده است . مشخصات شبکة مناطق تحت حفاظت منتخب در هر BLM و برای اهداف مختلف در جدول 1 نشان داده شده است.


همان گونه که مشخص است، نسبت محیط به مساحت در BLM در 30 و 60 در هدف 30 درصد و در 30 BLM در سایر اهداف نسبت به سایر مقادیر دارای وضعیت بهتری است. در BLM های بیشتر، مساحت کل شبکه تحت حفاظت منتخب افزایش می یابد . در مقادیر پایین تر نیز، پراکندگی لکه ها (محیط کل شبکه ) زیادتر است و نتایج خوبی به دست نمی آید. با استفاده از نمودارها و بررسی های چشمی بین نتایج حاصل سرانجام مشخص شد.   BLM=  60 در هدف 30 درصد و BLM=30 در سایر اهداف نتایح بهتری را ارائه می دهد . نتایج حاصل از این BLM برای اهداف مختلف در شکل های 5 تا 8، ارائه شده است . مقادیر محیط و مساحت شبکه های منتخب در اهداف و BLM مختلف در شکل های 9 و 10 نشان داده شده است.



توضیح: برای آشنا شدن بیشتر شما با متن مقاله قسمت مهمی از این مقاله تایپ شد و برای استفاده بر روی بلاگ قرار گرفت. امیدوارم توانسته باشم کاری هر چند کوچک در پیشبرد توسعه این علم و همچنین فرهنگ زیست محیطی انجام داده باشم.   با تشکر - محسن-خرداد 93










نوع فایل : pdf


حجم فایل :  709.14 Kb






نظرات 0 + ارسال نظر
برای نمایش آواتار خود در این وبلاگ در سایت Gravatar.com ثبت نام کنید. (راهنما)
ایمیل شما بعد از ثبت نمایش داده نخواهد شد