مقایسه کارایی مدل هایMLR، MLP، RBF و GRNN در برآورد ماده آلی خاک

مقایسه کارایی مدل هایMLR، MLP، RBF و GRNN در برآورد ماده آلی خاک

اسما شعبانی1 مجتبی نوروزی2

1) مربی، گروه مهندسی علوم خاک، دانشکده آب و خاک، دانشگاه زابل
2) استادیار، گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز

کد IOI مقاله : XYBK-AACZF
محل انتشار : کنفرانس بین المللی توسعه با محوریت کشاورزی ، محیط زیست و گردشگری(icdat.ir)
چکیده :
    دانستن روابط و همبستگي بين خصوصيات مختلف خاك و بيان كمي آنها در قالب مدل يكي از جنبه¬هاي مهم بررسي خاك است. اين مدل ها شامل مدل¬هاي رگرسيوني و شبکه¬هاي عصبي مصنوعي مي¬باشند که خصوصيات مهم خاك را بصورت تابعي از ويژگي¬هايي كه به سادگي قابل اندازه¬گيري هستند، بيان مي¬کنند. شبکه¬هاي عصبي مصنوعی نیز انواع مختلفي دارند، که لازم است براي هر مسئله نوع مناسب شبکه انتخاب شود. در این تحقیق کارایی مدل رگرسیون خطی چند گانه(MLR) و شبکه¬های عصبي پرسپترون چند لایه MLP))، تابع پایه شعاعی (RBF) و رگرسیون عمومی (GRNN) در پیش¬بینی ماده آلی خاک مورد بررسی قرار گرفت. به این منظور، 130 نمونه خاک از عمق صفر تا 30 سانتی متری از خاک¬های منطقه لردگان استان چهارمحال و بختیاری جمع آوری و بعضی از ویژگی¬های فیزیکی و شیمیایی آنها اندازه¬گیری شد. نتایج بیانگر برتری مدل های شبکه‌ عصبي نسبت به روش‌رگرسيوني برای پيش‌بيني ماده آلی در منطقه مورد مطالعه مي‌باشد. مقایسه مقادیر R2 و RMSE در روش های مختلف نشان داد که شبکه عصبی MLP با مقدار 91/0= R2 و 006/0RMSE=، بیشترین دقت را در میان مدل های مورد مطالعه دارد. به عبارتی این مدل قادر است تغییرات ماده آلی منطقه را به شکل قابل قبولی تخمین بزند. همچنین تایج آنالیز حساسیت شبکه MLP نشان داد که درصد رس و رطوبت اشباع بیشترین تأثیر را در میزان برآورد محتوای ماده آلی در منطقه مورد مطالعه دارند.

کلمات کلیدی : آنالیز حساسیت رگرسیون خطی شبکه عصبی ماده آلی