مقایسه کارایی مدل های RBF ،MLP ،MLR و GRNN در برآورد ماده آلی خاک
Publish place: International Conference on Sustainable Development With a focus on Agriculture, Environment and Tourism
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 479
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICDAT01_067
تاریخ نمایه سازی: 12 تیر 1395
Abstract:
دانستن روابط و همبستگی بین خصوصیات مختلف خاک و بیان کمی آنها در قالب مدل یکی از جنبههای مهم بررسی خاک است .این مدل ها شامل مدلهای رگرسیونی و شبکههای عصبی مصنوعی میباشند که خصوصیات مهم خاک را بصورت تابعی از ویژگیهایی که به سادگی قابل اندازهگیری هستند، بیان میکنند. شبکههای عصبی مصنوعی نیز انواع مختلفی دارند، که لازم است برای هر مسئله نوع مناسب شبکه انتخاب شود. در این تحقیق کارایی مدل رگرسیون خطی چند گانه MLR و شبکههای عصبی پرسپترون چند لایه MLP تابع پایه شعاعی RBF و رگرسیون عمومی GRNN در پیشبینی ماده آلی خاک مورد بررسی قرار گرفت. به این منظور 130 نمونه خاک از عمق صفر تا 30 سانتی متری از خاکهای منطقه لردگان استان چهارمحال و بختیاری جمع آوری و بعضی از ویژگیهای فیزیکی و شیمیایی آنها اندازهگیری شد. نتایج بیانگر برتری مدل های شبکه عصبی نسبت به روشرگرسیونی برای پیشبینی ماده آلی در منطقه مورد مطالعه میباشد. مقایسه مقادیر R2 و RMSE در روش های مختلف نشان داد که شبکه عصبی MLP با مقدار 0/91 = R2 و 0.006 = RMSE بیشترین دقت را در میان مدل های مورد مطالعه دارد. به عبارتی این مدل قادر است تغییرات ماده آلی منطقه را به شکل قابل قبولی تخمین بزند. همچنین تایج آنالیز حساسیت شبکه MLP نشان داد که درصد رس و رطوبت اشباع بیشترین تأثیر را در میزان برآورد محتوای ماده آلی در منطقه مورد مطالعه دارند.
Keywords:
Authors
اسماء شعبانی
مربی، گروه مهندسی علوم خاک، دانشکده آب و خاک، دانشگاه زابل
مجتبی نوروزی
استادیار، گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :