كاربرد مدل‌هاي برنامه ‌ريزي رياضي دربرآوردهاي محيطي (مورد مطالعه: برآورد توابع انتقالي خاك با استفاده از رگرسيون حداقل مطلق خطا؛ مبتني بر برنامه‌ريزي آرماني)

Application of mathematical programming models in environmental projections; case of pedo transfer function estimation using LAV regression based on goal programming (GP) approach

در اين مقاله با استفاده از منطق روش هاي خطي بهينه يابي و رويكرد رياضي برنامه ريزي آرماني (GP)، بديلي براي مدل هاي رگرسيون معمولي (LSM) ارائه شده كه كمتر به توزيع داده ها حساس بوده و در مقابل توزيع هاي غيرنرمال و بويژه داده هاي پرت، نتايج معتبرتري ارائه مي دهد. با استفاده از مدل مذكور با عنوان رگرسيون حداقل مقادير مطلق خطا (LAV)، توابع انتقالي خاك براي 120 نمونۀ تصادفيِ از عمق صفر تا20 سانتي متري از دو واحد همگون نقشه خاك با سري هاي شهرك و چهار محال در اطراف شهركرد بدست آمد، و ظرفيت تبادل كاتيوني بر اساس مشخصه هاي بافت خاك (شن، لاي و رس) و درصد مواد آلي برآورد شد. نتايج، حاكي از افزايش دقت برآوردهاي مدل LAV در مقايسه با رگرسيون LSM بوده و خطاي برآورد يا مانده هاي رگرسيوني كمتر در مدل LAV باعث شده كه خط رگرسيون برازش داده شده بين مقادير مشاهده شده و مقادير برآورده شده در رويكرد LAV انطباق بيشتري با خط y=x داشته باشد.

The aim of this article is introducing an alternative for the least Square regression (LSM) models referring to basis the linear optimization methods and goal programming approach. The procedure is less sensitive against of non normal distributions and especially more robust for outlier data. Using the method namely least absolute values (LAV) regression, the pedo transfer functions for 120 soil random samples of 0 20 cm depths obtained from two homogenous soil map units of Shahr e Kord with series of Shahrak and Chahar Mahal. The cation exchange capacity (CEC) was estimated flowingly, based on the soil texture (sand, silt, clay) and OC as the predictors. Results revealed the more precise estimations of the LAV approach compared to the LSM one. Because of the less residuals in LAV regression, the fitted line between the observed and estimated values of ECE was more coincidence with the y=x line, leads to the better and more accurate estimations