بررسی روش‌های مختلف برای ایجاد توابع انتقالی خاک‌های بخشی از مناطق مرطوب شمال ایران

نویسندگان

1 دانشجوی دکتری، دانشگاه تهران

2 استاد، دانشگاه تهران

3 دانشجوی کارشناسی ارشد، دانشگاه تهران

4 کارشناس ارشد، دانشگاه گیلان

چکیده

تخمین پارامترهای دیریافت خاک با استفاده از اطلاعات موجود خاک، توابع انتقالی نامیده می‌شود. جهت توسعه توابع انتقالی می‌توان از مدل‌های رگرسیون چند متغیره، شبکه عصبی مصنوعی و نروفازی استفاده کرد. بنابراین در این مطالعه به منظور مقایسه مدل‌های مذکور، 153 نمونه جمع آوری شده از ناحیه‌ شمالی شهرستان رشت مورد آزمایش قرار گرفته و درصد شن، سیلت، رس و کربن آلی به عنوان ویژگی‌های زودیافت و ظرفیت تبادل کاتیونی به عنوان ویژگی‌ دیریافت اندازه‌گیری شدند. سپس کل داده‌ها به دو سری داده، شامل سری آموزش (80% داده‌ها) و سری ارزیابی (20% داده‌ها) تقسیم گردید. نتایج ارزیابی نشان داد که مدل نروفازی بر اساس شاخص‌های ریشه مربعات خطا، میانگین خطا و ضریب تبیین به ترتیب 73/0، 07/0- و 66/0 دارای بالاترین دقت در پیش‌بینی ظرفیت تبادل کاتیونی خاک می‌باشد. همچنین این مدل بر اساس شاخص‌ درصد کاهش ریشه مربعات خطا به میزان 14 درصد دقت پیش‌بینی ویژگی‌ CEC را نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه‌های عصبی مصنوعی پس‌انتشار، پایه شعاعی و آبشاری به ترتیب نسبت به معادلات رگرسیونی کارائی بهتری داشته‌اند.

کلیدواژه‌ها


عنوان مقاله [English]

A Comparison of Different Methods of Developing Pedotransfer Functions in Soils of Humid Regions in Iran

نویسندگان [English]

  • Roohollah Taghizadeh 1
  • Shahla Mahmoodi 2
  • Ali Akbarzadeh 3
  • Hadi Rahimi Lakeh 4
1
2
3
4
چکیده [English]

The functions employed in an estimation of costly measured soil properties from either widely available or more easily obtained basic soil properties are referred to as pedotransfer functions. To develop pedotransfer functions, one can use multivariate regression, neural networks and neuro-fuzzy models. To make a comparison among the mentioned models, 153 soil samples were collected from soils in Rasht Province. Clay, sand, silt as well as organic carbon percentage considered as readily obtainable parameters vs. cation exchange capacity as predicted variable were assessed. The data set was broken into two subsets for calibration (80%) and testing (20%) of the models. According to some such evaluation parameters as Root Mean Square, Average Error and Coefficient of Determination, neuro-fuzzy benefited from the most accuracy for a prediction of cation exchange capacity. Also, results indicated that the neuro-fuzzy model increased the accuracy of cation exchange capacity prediction for about 14%. Following neuro-fuzzy model, artificial neural network (Feed forward, General Regression Neural Network, and Cascade Forward) benefited from higher accuracies than Multivariate Regression approach.

کلیدواژه‌ها [English]

  • .
  • Artificial Neural Networks
  • multivariate regression
  • neuro-fuzzy
  • Pedotransfer Function