ارزيابي قابليت مدل شبكه عصبي مصنوعيLVQ4a2 در پيش بيني الگوي توزيع مكاني كادميم در خاك

Evaluation of the Ability of LVQ4a2 Artificial Neural Network Model to Predict the Spatial Distribution Pattern of Cadmium in Soil

اين پژوهش به منظور پيش بيني كلاس بندي الگوي تغييرات مكاني عنصر كادميم با استفاده از شبكه عصبي LVQ4a2 در سطح استان گلستان انجام شد. داده‌هاي مربوط به غلظت كادميم از طريق نمونه برداري از سطح منطقه مورد مطالعه و اندازه گيري كادميم كل خاك به دست آمد. براي ارزيابي قابليت شبكه عصبي LVQ4a2 در پيش بيني توزيع مكاني عنصر كادميم از مقايسه آماري پارامترهايي مانند ميانگين، واريانس، توزيع آماري رگرسيوني بين مقادير پيش بيني شده مكاني توسط شبكه عصبي و مقادير واقعي آنها و نيز معيار دقت كلاس بندي استفاده شد. نتايج حاصل نشان داد كه در فاز آموزش و آزمايش تفاوت معني دار در سطح 5 درصد بين ميانگين، واريانس و توزيع آماري مجموعه داده‌هاي پيش بيني شده مكاني عنصر كادميم و مقادير واقعي آنها مشاهده نشد. بنابراين شبكه عصبي مصنوعي به خوبي توانست مدل داده‌هاي مكاني عنصر كادميم را بياموزد. نتايج به دست آمده نشان داد كه شبكه عصبي آموزش ديده، داراي قابليت بالايي در پيش بيني مكاني غلظت كادميم در نقاط نمونه برداري نشده با دقت تشخيص مساوي صفر درصد بود. نتايج اين تحقيق نشان داد كه شبكه عصبي مصنوعي مي‌تواند بطور مناسبي در تشخيص سطوح مختلف غلظت كادميم خاك بكار برده شود.

In this research, a learning vector quantization neural network (LVQ) model was developed to predict and classify the spatial distribution of cadmium in soil in Golestan province. The cadmium data were obtained from soils measuring total Cd contents in soil samples. Some statistical tests, such as means comparision, variance and statistical distribution were performed between the observed points samples data and the estimated cadmium values to evaluate the performance of the pattern recognition method. The Results showed that in training and test phase, there were no significant differences, with the confidence level of 95%, between the statsitcal parameters such as average, variance, statistical distribution and also coefficient of determination in the observed and the estimated cadmium concentrations. The results suggest that learning vector quantization (LVQ) neural network can learn cadmium cocentration model precisely. In addition the results also indicated that trained LVQ neural network had a high capability in predicting cadmium concentrations for non-sampled points. The technique showed that the LVQNN could predict and map the spatial cadmium concentrations variability. Our results indicated that it is possible to discriminate different cadmium levels in soil, using LVQNN.