مقایسة روش‏های هوش مصنوعی و رگرسیون چند‌متغیره برای واسنجی دستگاه القاگر الکترومغناطیس در منطقة اردکان

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار مرکز ملی تحقیقات شوری‌‌

2 استادیار، دانشکدة کشاورزی و منابع طبیعی دانشگاه اردکان‌

3 استاد، دانشکدة مهندسی و فناوری کشاورزی دانشگاه تهران

4 مربی، مرکز ملی تحقیقات شوری

چکیده

به‌منظور واسنجی داده‏های دستگاه القاگر الکترومغناطیس از روش‏های مختلفی استفاده می‏شود. سؤال پیش رو این است که کدام یک از تکنیک‏ها قابلیت بیشتری برای برآورد غیرمستقیم داده‏های شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمع‏آوری‌شده از منطقة اردکان برای واسنجی داده‏های هدایت الکتریکی ظاهری خاک با استفاده از روش‏های رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، داده‏ها به دو سری شامل سری آموزشی (80درصد داده‏ها) و سری ارزیابی (20درصد داده‏ها) تقسیم شد. به‌منظور مدل‏سازی و برآورد شوری، از مدل‏های نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چند‌متغیره استفاده شد. نتایج ارزیابی مدل‏ها بر‌اساس شاخص‏های ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. به‏طوری‏که این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را به‌ترتیب در اعماق 15، 30، 60 و 100 سانتی‏متری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیده‏های مرتبط با خاک یا تقریبی‌بودن مقادیر اندازه‏گیری‌شده خصوصیات مختلف خاک، به‌نظر می‏رسد کارایی بالاتر مدل‏ مبتنی بر مجموعه‏های فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکه‏های عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. در‌مجموع، نتایج نشان داد روش‏های هوش مصنوعی کارایی بالاتری نسبت به روش‏های رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Soft Computing and Regression Techniques to Calibrate Electromagnetic Induction in Ardakan

نویسندگان [English]

  • Mohammadjavad Rousta 1
  • Rouhollah Taghizadeh-Mehrjardi 2
  • Fereydoun Sarmadian 3
  • Mohammadhasan Rahimian 4
1 Assistant Professor, National Salinity Research Center, Yazd, Iran
2 Assistant Professor, Faculty of Agriculture and Natural Resources, University of Ardakan, Iran
3 Professor, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran
4 Instructor, National Salinity Research Center, Yazd, Iran
چکیده [English]

Up to now, different methods have been applied to calibrate electromagnetic induction data. Therefore, at present research, we applied multi-linear regression (MLR) and artificial intelligence techniques (i.e. ANFIS, GA, ANNs) to calibrate the apparent electrical conductivity (ECa)- measured using an electromagnetic induction instrument and electrical conductivity (ECe)- measured in saturation paste. 600 soil samples collected from Ardakan in central Iran and divided into two subsets for calibration (80%) and testing (20%) of the models. To evaluate models, some evaluation parameters such as root mean square, average error and coefficient of determination were used. Results showed that the ANFIS model gives better estimation than the other techniques whereas this model increased accuracy of predictions about 9, 9, 5 and 2% for EC15, EC30, EC60, and EC100, respectability. Higher performance of ANFIS to predict soil salinity might be because of uncertainty. After ANFIS model, GA and ANN had better accuracy than multivariate regression. As a whole, results indicated that artificial intelligence methods had higher performance than regression technique to calibrate electromagnetic induction data.

کلیدواژه‌ها [English]

  • apparent electrical conductivity
  • modeling
  • Soil Salinity
تحقیقات آب و خاک ایران
دوره 45، شماره 1 - شماره پیاپی 1
اردیبهشت 1393
صفحه 55-65

فایل ها

هم رسانی

ارجاع به این مقاله

آمار