مقايسه روش هاي نروفازي، شبكه عصبي و رگرسيون چند متغيره در پيش بيني برخي خصوصيات خاك (مطالعه موردي استان گلستان)

A Comparison of Neuro-Fuzzy, Artificial Neural Network and Multivariate Regression for Prediction of some Soil Properties (Case Study: Golestan Province)

با توجه به مشكلات اندازه گيري مستقيم برخي از ويژگي هاي خاك، در سال هاي اخير از روش هاي غير مستقيم براي برآورد اين خصوصيات استفاده مي شود. بدين منظور، در اين پژوهش140 نمونه جمع آوري شده از منطقه گرگان مورد آزمايش قرار گرفته و فراواني نسبي ذرات، كربن آلي، درصد رطوبت اشباع و آهك به عنوان ويژگي هاي زوديافت و نقطه پژمردگي، ظرفيت زراعي، ظرفيت تبادل كاتيوني و وزن مخصوص ظاهري به عنوان ويژگي هاي ديريافت اندازه گيري شدند. سپس كل داده ها به دو سري داده، شامل سري آموزش (80% داده ها) و سري ارزيابي (20% داده ها) تقسيم گرديد. به منظور پيش بيني خصوصيات مذكور، از مدل هاي نروفازي، شبكه عصبي مصنوعي و رگرسيون چند متغيره استفاده گرديد. نتايج ارزيابي مدل ها بر اساس شاخص هاي ريشه مربعات خطا، ميانگين خطا، خطاي استاندارد نسبي و ضريب تبيين نشان داد كه مدل نروفازي داراي بالاترين دقت در پيش بيني ويژگي هاي خاك را دارا مي باشد بطوريكه اين مدل به ميزان 34، 10، 78 و 5 درصد دقت پيش بيني ويژگي هاي FC، PWP، CEC و Bd را به ترتيب، نسبت به روش رگرسيون خطي چندگانه افزايش داده است. بعد از اين مدل، شبكه هاي عصبي مصنوعي نسبت به معادلات رگرسيوني كارايي بهتر داشته است.

Realizing the difficulties involved in direct measurement of soil properties, in recent years, alternative methods have been employed. In the present research, soil texture, organic carbon, saturation percentage and lime as readily measurable parameters, wilting point, field capacity, cation exchange capacity as well as bulk density, as predicted variables were evaluated. The data set was then divided into two subsets for calibration (80%) and testing (20%) of the models. For a prediction of the mentioned parameters, neuro-fuzzy, artificial neural network and multivariate regression were applied. In order to assess the models, some such evaluation parameters as root mean square, average error, average standard error and coefficient of determination were taken into account. Results revealed that the neuro-fuzzy model gives a more appropriate estimation than the other techniques for all the characteristics where this model increased accuracy of predictions for about 34, 10, 78 and 5% for FC, PWP, CEC and BD respectability. Next after neuro-fuzzy model, artificial neural network was of a higher accuracy than multivariate regression.