ارزيابي عملكرد رگرسيون چندمتغيره، شبكه عصبي مصنوعي و برنامه‌ريزي بيان ژن در تخمين برخي خصوصيات خاك

سابقه و هدف: با ظهور سيستم‌هاي كامپيوتري در كنار سامانه‌ اطلاعات جغرافيايي و دسترسي به داده‌هاي رقومي مكاني، روش‌هاي مختلف داده‌كاوي، مدل‌سازي و تخمين خصوصيات خاك، جايگاه خود را در علوم خاك و پدومتري باز كرده است. داده‌كاوي خصوصيات خاك با استفاده از روش‌هاي آماري كامپيوتر محور به كشف الگوهاي پنهان در بانك اطلاعاتي داده‌ها مي‌پردازد كه در نهايت منجر به برازش مدل به منظور استفاده و تخمين خصوصيات خاك مي‌گردد. يكي از كاربردهاي مهم اين روش‌ها استفاده در معادله اسكورپن مي‌باشد. دو جز اصلي معادله اسكورپن شامل متغيرهاي محيطي و برنامه يادگيري مي‌باشد. اين مطالعه با هدف ارزيابي و مقايسه سه مدل عددي شامل روش رگرسيون چندگانه خطي، شبكه عصبي مصنوعي و برنامه‌ريزي بيان ژن به عنوان برنامه يادگيري (تابع f) در معادله اسكورپن با استفاده از داده‌هاي دورسنجي، توپوگرافي و پوشش گياهي به عنوان داده‌هاي كمكي به منظور تخمين خصوصيات خاك از جمله كربنات كلسيم معادل، رس، چگالي ظاهري، نيتروژن كل، كربن آلي، شن، سيلت و ظرفيت رطوبت اشباع انجام گرفت. مواد و روش‌ها: اين پژوهش، در مراتع بخش باجگيران در استان خراسان رضوي و با مساحت 1225 هكتار انجام شد. به منظور بررسي پوشش گياهي و خاك، تعداد 137 واحد مورد بررسي قرار گرفت. در هر واحد كاري 3 تا 5 پلات با فاصله 10 متر و در امتداد يك برش انتخاب شدند و نوع و تعداد گونه گياهي و درصد پوشش گياهي درون پلاتها ثبت گرديد. سپس يك نمونه خاكي در هر برش و در مجموع 137 نمونه خاكي از سطح منطقه مورد مطالعه برداشته شد. داده‌هاي توپوگرافي منطقه از نقشه DEM، داده‌هاي طيفي و باندهاي مختلف از تصاوير سنجنده ETM و شاخص‌هاي تنوع گياهي و درصد پوشش گياهي اندازه‌گيري شد و به عنوان متغيرهاي كمكي در پيش‌بيني كربنات كلسيم معادل، رس، چگالي ظاهري، نيتروژن كل، كربن آلي، شن، سيلت و ظرفيت رطوبت اشباع به كار گرفته شدند. به منظور كاهش تعداد داده ورودي در شبكه عصبي مصنوعي و برنامه‌ريزي بيان ژن از نتايج PCR استفاده گرديد سپس عمليات نرمال‌سازي و استانداردسازي بر روي داده‌ها صورت گرفت. يافته‌ها: نتايج حاصل از ارزيابي مدل‌هاي رگرسيون چندگانه، شبكه عصبي مصنوعي و برنامه‌ريزي بيان ژن براساس آماره‌هاي ارزيابي شامل ميانگين اريبي خطا (MBE)، ريشه ميانگين مربعات خطا (RMSE) و ضريب تبيين (R2) در فاز آزمون نشان داد كه شبكه عصبي مصنوعي پرسپترون، با توجه به مقادير ضريب تبيين بالاتر براي كربنات كلسيم، رس، نيتروژن كل، كربن آلي، شن، سيلت، ظرفيت رطوبتي و چگالي ظاهري به ترتيب با مقادير 0.72، 0.46، 0.67، 0.77، 0.62، 0.7، 0.85 و 0.69 و همچنين مقادير خطاي RMSE كمتر با مقادير به ترتيب 7.46، 4.46، 0.03، 0.27، 5.6، 3.55 و 4/ 3 درصد براي كربنات كلسيم معادل، درصد رس، نيتروژن كل، كربن آلي، درصد شن، درصد سيلت، ظرفيت رطوبت اشباع و 0.08 گرم بر سانتي مترمكعب براي چگالي، بهترين نتايج را از بين روشهاي مورد مقايسه نشان داد. روش شبكه عصبي مصنوعي توانست 60 تا 85 درصد تغييرپذيري خصوصيات مورد بررسي را نشان دهد كه از بين خصوصيات مختلف، بهترين تخمين براي ظرفيت رطوبت اشباع خاك با 0.85=R2 و كربن آلي با 0.77=R2 بود. نتيجه‌گيري: نتايج ارزيابي تخمين خصوصيات خاك از طريق سه مدل عددي كه بهترين نتايج بدست آمده براي مدل شبكه عصبي مصنوعي پرسپترون بدست آمد. نتايج اعتبارسنجي مدل شبكه عصبي مصنوعي نشان داد كه مقدارMBE مدل براي متغيرها نزديك به صفر بوده و اين امر مؤيد اين مطلب است كه برازش، توسط مدل ايجاد شده نااريب بوده است. مقدار RMSE پايين مدل نيز نشان دهنده دقت مناسب و قابل قبول برآورد براي متغيرهاي خاك مي‌باشد. نتايج الگوريتم بيان ژن نيز حاكي از دقت بالاتر اين روش نسبت به رگرسيون خطي براي اكثر خصوصيات خاك بود.