مقايسه روش‏هاي هوش مصنوعي و رگرسيون چند‌متغيره براي واسنجي دستگاه القاگر الكترومغناطيس در منطقه اردكان

A Comparison of Soft Computing vs. Regression Techniques to Calibrate Electromagnetic Induction (Ardakan Region)

به‌منظور واسنجي داده‏هاي دستگاه القاگر الكترومغناطيس از روش‏هاي مختلفي استفاده مي‏شود. سوال پيش رو اين است كه كدام يك از تكنيك‏ها قابليت بيشتري براي برآورد غيرمستقيم داده‏هاي شوري خاك دارند. براي پاسخ به اين پرسش، در پژوهش حاضر، از 600 نمونه خاك جمع‏آوري‌شده از منطقه اردكان براي واسنجي داده‏هاي هدايت الكتريكي ظاهري خاك با استفاده از روش‏هاي رگرسيوني و هوش مصنوعي بهره گرفته شد. در اين راستا، داده‏ها به دو سري شامل سري آموزشي (80درصد داده‏ها) و سري ارزيابي (20درصد داده‏ها) تقسيم شد. به‌منظور مدل‏سازي و برآورد شوري، از مدل‏هاي نروفازي، شبكه عصبي مصنوعي، الگوريتم ژنتيك و رگرسيون چند‌متغيره استفاده شد. نتايج ارزيابي مدل‏ها بر‌اساس شاخص‏هاي ريشه مربعات خطا، ميانگين خطا و ضريب تبيين نشان داد مدل نروفازي بالاترين دقت در برآورد شوري خاك در چهار عمق را دارد. به‏طوري‏كه اين مدل به ميزان 9، 9، 5 و 2 درصد دقت برآورد شوري را به‌ترتيب در اعماق 15، 30، 60 و 100 سانتي‏متري نسبت به روش رگرسيون خطي چندگانه افزايش داده است. با توجه به عدم قطعيت در پديده‏هاي مرتبط با خاك يا تقريبي‌بودن مقادير اندازه‏گيري‌شده خصوصيات مختلف خاك، به‌نظر مي‏رسد كارايي بالاتر مدل‏ مبتني بر مجموعه‏هاي فازي در پردازش توابع انتقالي خاك به همين علت باشد. بعد از اين مدل، الگوريتم ژنتيك و شبكه‏هاي عصبي مصنوعي نسبت به معادلات رگرسيوني كارايي بهتر داشته است. در‌مجموع، نتايج نشان داد روش‏هاي هوش مصنوعي كارايي بالاتري نسبت به روش‏هاي رگرسيوني براي واسنجي دستگاه القاگر الكترومغناطيس دارد.

various methods have so far been applied to calibrate electromagnetic induction data. Throughout the present research, Multi-Linear Regression (MLR) as well as artificial intelligence techniques (i.e. ANFIS, GA, ANNs) were applied to calibrate the apparent Electrical Conductivity (ECa)- measured using an electromagnetic induction instrument and Electrical Conductivity (ECe)- as measured in saturation paste. A number of 600 soil samples were collected from Ardakan (Central Iran), divided into two subsets for calibration (80%) and testing (20%) of the models. To evaluate models, some such evaluation parameters as root mean square, average error, and coefficient of determination were applied. Results indicated that ANFIS model yields a more accurate estimate than the other techniques where this model increased accuracy of predictions for about 9, 9, 5 and 2% for EC15, EC30, EC60, and EC100, respectively. Higher performance of ANFIS to predict soil salinity might be because of somehow compensation for the uncertainties. Following ANFIS model, GA and ANN resulted in better accuracies in comparison with multivariate regression. As a whole, results indicated that artificial intelligence methods were of a higher performance than the regression techniques in calibrating electromagnetic induction data.