تعيين تركيب بهينه متغيرهاي ورودي با استفاده از آزمون گاما براي مدل سازي پتاسيم قابل جذب در سيستم عصبي-فازي (مطالعه موردي: منطقه ميانكنگي؛ زابل)

Determining Optimal Combination of Input Variables Using Gamma Test for Absorbable Potassium Modeling in the Fuzzy-Neural System (Case Study: Mian-Kangi Region Zabol

يكي از مراحل مهم و پيچيده براي مدل سازي غيرخطي، پيش پردازش داده هاي ورودي به منظور انتخاب تركيبي مناسب از آن ها در مدل مي باشد. در اين مطالعه آزمون گاما براي انتخاب تركيب بهينه متغيرهاي ورودي در مدل سازي پتاسيم قابل جذب استفاده شد. براي تعيين بهينه تعداد داده هاي مورد نياز براي مدل سازي از آزمون M استفاده شد. به منظور مدل سازي تعداد هشت متغير ورودي استفاده گرديد. مدل سازي پتاسيم قابل جذب با استفاده از تعداد نقاط بهينه، متغيرهاي منتخب با خوشه بندي كاهشي در سيستم عصبي فازي انجام شد. نتايج نشان داد كه شش متغير شامل (درصد رس، سيلت، ماده آلي، هدايت الكتريكي، رطوبت اشباع و pH) تركيب بهينه متغيرها در مدل سازي پتاسيم قابل جذب در منطقه ميانكنگي مي باشند. همچنين با استفاده از خروجي آزمون M تعداد 112 داده (60 درصد داده ها) براي بخش آموزش مدل سازي مناسب تشخيص داده شد. نتايج حاكي از اين واقعيت است كه روش M در قسمت آموزش از دقت و سرعت مناسبي نسبت به روش آزمون و خطا در يافتن تعداد مناسب داده هاي ورودي، برخوردار مي باشد. نتايج حاصل از مدل سازي نيز بيانگر آن بود كه روش عصبي فازي توانايي و عملكرد بالايي در برآورد مقدار پتاسيم قابل جذب در خاك هاي منطقه ميانكنگي را داشته است (R2=0.90 و RMSE=4.27). همچنين، در اين تحقيق، در راستاي مدل سازي و پيش بيني پتاسيم قابل جذب، درصد كربن آلي مهمترين ورودي شناخته شد.

One of the important and complex steps for nonlinear modeling is pre-processing of input data in order to select the appropriate combination of them in the model. The gamma test was used to select the optimal combination of input variables for available potassium modeling in this study. The M test was used for determining the optimal number of data needed for modeling. Eight input variables were used for modeling. Modeling the available potassium was done by the number of optimum points and selected variables with subtractive clustering in the fuzzy neural system. The results showed that six variables (clay percentage, silt, organic matter, electrical conductivity, saturation moisture and pH) are the optimal combination of variables in modeling the available potassium in Mian-Kangi region. Also, 112 of measured data (60%) were considered as suitable data for the modeling training section using the M test results. The results indicated that the M method has better accuracy and speed than the trial and error method for finding the appropriate number of input data in training section. The results of modeling also indicated that the fuzzy neural method has high capability and performance in estimating the amount of available potassium in the soil of Mian-Kangi region (R2 = 0.90 and RMSE = 4.27). Also, organic carbon percentage was the most important input for modeling and predicting the amount of available potassium.