بررسي روش هاي مختلف براي ايجاد توابع انتقالي خاك هاي بخشي از مناطق مرطوب شمال ايران

بررسي روش هاي مختلف براي ايجاد توابع انتقالي خاك هاي بخشي از مناطق مرطوب شمال ايران

تخمين پارامترهاي ديريافت خاك با استفاده از اطلاعات موجود خاك، توابع انتقالي ناميده مي شود. جهت توسعه توابع انتقالي مي توان از مدل هاي رگرسيون چند متغيره، شبكه عصبي مصنوعي و نروفازي استفاده كرد. بنابراين در اين مطالعه به منظور مقايسه مدل هاي مذكور، 153 نمونه جمع آوري شده از ناحيه شمالي شهرستان رشت مورد آزمايش قرار گرفته و درصد شن، سيلت، رس و كربن آلي به عنوان ويژگي هاي زوديافت و ظرفيت تبادل كاتيوني به عنوان ويژگي 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. نتايج ارزيابي نشان داد كه مدل نروفازي بر اساس شاخص هاي ريشه مربعات خطا، ميانگين خطا و ضريب تبيين به ترتيب 73/0، 07/0- و 66/0 داراي بالاترين دقت در پيش بيني ظرفيت تبادل كاتيوني خاك مي باشد. همچنين اين مدل بر اساس شاخص درصد كاهش ريشه مربعات خطا به ميزان 14 درصد دقت پيش بيني ويژگي CEC را نسبت به روش رگرسيون خطي چندگانه افزايش داده است. بعد از اين مدل، شبكه هاي عصبي مصنوعي پس انتشار، پايه شعاعي و آبشاري به ترتيب نسبت به معادلات رگرسيوني كارايي بهتري داشته اند.

The functions employed in an estimation of costly measured soil properties from either widely available or more easily obtained basic soil properties are referred to as pedotransfer functions. To develop pedotransfer functions, one can use multivariate regression, neural networks and neuro-fuzzy models. To make a comparison among the mentioned models, 153 soil samples were collected from soils in Rasht Province. Clay, sand, silt as well as organic carbon percentage considered as readily obtainable parameters vs. cation exchange capacity as predicted variable were assessed. The data set was broken into two subsets for calibration (80%) and testing (20%) of the models. According to some such evaluation parameters as Root Mean Square, Average Error and Coefficient of Determination, neuro-fuzzy benefited from the most accuracy for a prediction of cation exchange capacity. Also, results indicated that the neuro-fuzzy model increased the accuracy of cation exchange capacity prediction for about 14%. Following neuro-fuzzy model, artificial neural network (Feed forward, General Regression Neural Network, and Cascade Forward) benefited from higher accuracies than Multivariate Regression approach.