بررسي توابع انتقالي رگرسيون چند متغيره، شبكه پرسپرترون چند لايه و توابع پايه شعاعي جهت برآورد ظرفيت تبادل كاتيوني خاك‌هاي شمال اهواز

Study of Pedotransfer Functions Multivariate regression, MLP and RBF to estimate CEC for Soils of North Ahvaz

براي تخمين ظرفيت تبادل كاتيوني خاك (CEC) به روش غير مستقيم از توابع انتقالي استفاده مي‌شود. چون (CEC) يكي از شاخص‌هاي مهم حاصلخيزي خاك است كه به دليل هزينه‌بر و وقت‌گير بودن كمتر به صورت مستقيم اندازه‌گيري مي‌شود. هدف از اين تحقيق برآورد (CEC) خاك با استفاده از رگرسيون چند متغيره و شبكه‌هاي عصبي مصنوعي از روي خصوصيات زوديافت خاك مي‌باشد. به اين منظور اندازه‌گيري‌ها براي 100 نمونه خاك شامل 1000 اندازه‌گيري شامل اندازه توزيع ذرات خاك، جرم مخصوص ظاهري، مواد آلي، آهك، تخلخل، ميانگين هندسي قطر و انحراف معيار هندسي، انجام شد. پس از شناسايي داده‌هاي پرت و حذف آنها آزمون نرمال بودن داده‌ها صورت گرفت. با استفاده از نرم‌افزار SPSS رگرسيون چند متغيره بين (CEC) و ويژگي‌هاي زوديافت خاك برقرار شد. سپس بسط توابع انتقالي براي ظرفيت تبادل كاتيوني خاك با استفاده از پارامترهاي موجود با شبكه عصبي پرسپترون چند لايه (MLP) و شبكه عصبي تابع پايه شعاعي (RBF) انجام شد. نتايج نشان داد مواد آلي و رس خاك كه منابع اصلي بار منفي خاك مـيباشـند با بالاترين ضريب تبيين 0.97 در برآورد CEC نقش دارند و مدل رگرسيون چند متغيره به طور كلي با ضريب تبيين 0.87 روش نسبتا مناسبي جهت برآورد CEC مي‌باشد و شبكه MLP، با تابع انتقال تانژانت سيگموئيد در لايه مياني و تابع انتقال خطي در لايه خروجي و الگوريتم آموزشي بيزين با ضريب تبيين 0/97 و ميانگين مربعات خطاي 0/013 قادر است CEC را با خطاي كمتري برآورد كند. براي شبكه RBF ضريب تبيين برابر 0/55 و خطاي 0/017 در مرحله تست شبكه بدست آمد. درمجموع با توجه به نتايج حاصل مشخص شد كه MLP به دليل اينكه براي داده هايي كه به صورت خطي قابل تفكيك نيستند را مي تواند بهتر متمايز كند، داراي خطاي كمتر و بعد از آن رگرسيون چند متغيره بهترين مدل‌ها در مدل‌سازي و تخمينCEC مي باشد درصورتي كه شبكه هاي RBF به دليل حساس بودن به ورودي ها از دقت كمي در منطقه مورد مطالعه برخوردار مي‌باشند.

To estimate the Cation Exchange Capacity (CEC), indirect manner used of Pedotransfer Functions (PTFs). CEC is one of the important soil fertility factors, and not measured directly because it is costly and time consuming. Thus, used from regression equations between easily and non-easily soil properties. The purpose of this research, is develop the PTFs for CEC, with use of easily available soil properties. For this purpose, measured for 100 sample of soil contain of 1000 data include soil particle size distribution, bulk density, organic matter, lime, pore space, geometric mean diameter and geometric standard deviation were done. After data normalization, were done PTFs with Multivariate Regression (MR) in SPSS and Artificial Neural Networks (ANNs) for soil CEC in MATLAB software. The ANNs used in research are Multi-Layer Perceptron (MLP) and Radial Basis Function (RBF). Education of ANNs are based on trial and error, until arrived suitable outputs with changes hidden layer number and neuron number. From all data were Selected 70% (700) data for training and 30% (300) for teste. Then were entered all data to software and test different networks with one hidden layer. The network was design with trial and error to maximum correlation coefficient and minimum mean square error (MSE). The results were shows MR is suitable for predict CEC (R2 =0.87) and for MLP network, were shows ANN can good estimated CEC with used of easily soil properties. MLP network able to estimate CEC with 9 neurons in input layer, 7 neurons in hidden layer and 1 neuron in output layer with tangent sigmoid transfer function, Linear transfer function and Bayesian learning algorithm with coefficient correlation 0.97 and MSE 0.013. For RBF networks to estimation CEC coefficient correlation and MSE were 0.55, 0.017 respectively. Results shows the MLP network with 1 hidden layer for estimation CEC with use of soil distribution, bulk density, organic matter and lime, is better than RBF network compared with of MSE and coefficient correlation.