ارزیابی عملکرد رگرسیون چندمتغیره، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن در تخمین برخی خصوصیات خاک
Publish place: Journal of water and Soil Conservation، Vol: 24، Issue: 2
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 551
This Paper With 22 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:
JR_JWSC-24-2_002
تاریخ نمایه سازی: 11 آبان 1398
Abstract:
چکیده سابقه و هدف: با ظهور سیستم های کامپیوتری در کنار سامانه اطلاعات جغرافیایی و دسترسی به داده های رقومی مکانی، روش های مختلف داده کاوی، مدل سازی و تخمین خصوصیات خاک، جایگاه خود را در علوم خاک و پدومتری باز کرده است. داده کاوی خصوصیات خاک با استفاده از روش های آماری کامپیوتر- محور به کشف الگوهای پنهان در بانک اطلاعاتی داده ها می پردازد که در نهایت منجر به برازش مدل به منظور استفاده و تخمین خصوصیات خاک می گردد. یکی از کاربردهای مهم این روش ها استفاده در معادله اسکورپن می باشد. دو جز اصلی معادله اسکورپن شامل متغیرهای محیطی و برنامه یادگیری می باشد. این مطالعه با هدف ارزیابی و مقایسه سه مدل عددی شامل روش رگرسیون چندگانه خطی، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن به عنوان برنامه یادگیری (تابع f) در معادله اسکورپن با استفاده از داده های دورسنجی، توپوگرافی و پوشش گیاهی به عنوان داده های کمکی به منظور تخمین خصوصیات خاک از جمله کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع انجام گرفت. مواد و روش ها: این پژوهش، در مراتع بخش باجگیران در استان خراسان رضوی و با مساحت 1225 هکتار انجام شد. به منظور بررسی پوشش گیاهی و خاک، تعداد 137 واحد مورد بررسی قرار گرفت. در هر واحد کاری 3 تا 5 پلات با فاصله 10 متر و در امتداد یک برش انتخاب شدند و نوع و تعداد گونه گیاهی و درصد پوشش گیاهی درون پلاتها ثبت گردید. سپس یک نمونه خاکی در هر برش و در مجموع 137 نمونه خاکی از سطح منطقه مورد مطالعه برداشته شد. داده های توپوگرافی منطقه از نقشه DEM، داده های طیفی و باندهای مختلف از تصاویر سنجنده ETM و شاخص های تنوع گیاهی و درصد پوشش گیاهی اندازه گیری شد و به عنوان متغیرهای کمکی در پیش بینی کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع به کار گرفته شدند. به منظور کاهش تعداد داده ورودی در شبکه عصبی مصنوعی و برنامه ریزی بیان ژن از نتایج PCR استفاده گردید سپس عملیات نرمال سازی و استانداردسازی بر روی داده ها صورت گرفت. یافته ها: نتایج حاصل از ارزیابی مدل های رگرسیون چندگانه، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن براساس آماره های ارزیابی شامل میانگین اریبی خطا (MBE)، ریشه میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) در فاز آزمون نشان داد که شبکه عصبی مصنوعی پرسپترون، با توجه به مقادیر ضریب تبیین بالاتر برای کربنات کلسیم، رس، نیتروژن کل، کربن آلی، شن، سیلت، ظرفیت رطوبتی و چگالی ظاهری به ترتیب با مقادیر 72/0، 46/0، 67/0، 77/0، 62/0، 7/0، 85/0 و 69/0 و همچنین مقادیر خطای RMSE کمتر با مقادیر به ترتیب 46/7، 46/4، 03/0، 27/0، 6/5، 55/3 و 4/ 3 درصد برای کربنات کلسیم معادل، درصد رس، نیتروژن کل، کربن آلی، درصد شن، درصد سیلت، ظرفیت رطوبت اشباع و 08/0 گرم بر سانتی مترمکعب برای چگالی، بهترین نتایج را از بین روشهای مورد مقایسه نشان داد. روش شبکه عصبی مصنوعی توانست 60 تا 85 درصد تغییرپذیری خصوصیات مورد بررسی را نشان دهد که از بین خصوصیات مختلف، بهترین تخمین برای ظرفیت رطوبت اشباع خاک با 85/0R2= و کربن آلی با 77/0R2= بود. نتیجه گیری: نتایج ارزیابی تخمین خصوصیات خاک از طریق سه مدل عددی که بهترین نتایج بدست آمده برای مدل شبکه عصبی مصنوعی پرسپترون بدست آمد. نتایج اعتبارسنجی مدل شبکه عصبی مصنوعی نشان داد که مقدارMBE مدل برای متغیرها نزدیک به صفر بوده و این امر موید این مطلب است که برازش، توسط مدل ایجاد شده نااریب بوده است. مقدار RMSE پایین مدل نیز نشان دهنده دقت مناسب و قابل قبول برآورد برای متغیرهای خاک می باشد. نتایج الگوریتم بیان ژن نیز حاکی از دقت بالاتر این روش نسبت به رگرسیون خطی برای اکثر خصوصیات خاک بود.
Keywords:
Authors
ابراهیم محمودآبادی
دانشگاه فردوسی مشهد
علیرضا کریمی
دانشیار دانشگاه فردوسی مشهد
غلامحسین حق نیا
دانشگاه فردوسی مشهد
عادل سپهر
دانشگاه فردوسی مشهد
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 :