مقایسه مدل های شبکه عصبی مصنوعی و توابع انتقالی رگرسیونی برای پیش بینی ظرفیت تبادل کاتیونی خاک های استان چهارمحال و بختیاری

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
ظرفیت تبادل کاتیونی (CEC) یکی از مهمترین ویژگی های خاک در ارتباط با مواد غذایی، نگهداری آب در خاک و همچنین مدیریت آلودگی خاک می باشد. اندازه گیری CECکاری دشوار و وقت گیر است .بنابراین تخمین آن از طریق خصوصیات زود یافت خاک مطلوب می باشد. در این مطالعه، توابع انتقالی برای پیش بینی ظرفیت تبادل کاتیونی از خصوصیات اساسی خاک مانند توزیع اندازه ذرات، کربن آلی، درصد رطوبت اشباع و pH توسعه داده شد و با استفاده از روش‌های شبکه عصبی مصنوعی و رگرسیونی چند متغیره خطی ارزیابی شد و سپس توانایی پیش‌بینی این دو روش با استفاده از آماره‌های ارزیابی مقایسه شد. کل 200 نمونه خاک به دو دسته 165 تایی برای توسعه مدل و 35 تایی برای ارزیابی مدل تقسیم شدند. دقت پیش بینی بوسیله آماره های ضریب تعیین (R2) و ریشه دوم میانگین مربعات خطا (RMSE) بین CEC اندازه گیری و پیش بینی شده ارزیابی شد. نتایج نشان داد هنگامی که از شبکه عصبی با یک لایه پنهان و هفت نرون در این لایه و ماده آلی، درصد رطوبت اشباع ، درصد رس و شن به عنوان ورودی استفاده شد، CEC با 81/0 R2=و 05/3 RMSE=سانتی مول بر کیلوگرم خاک بهتر از دیگر مدل‌ها پیش بینی شد. مقادیر R2و RMSE به ترتیب از 66/0 تا 69/0 و از 69/4 تا 26/4 برای روش رگرسیونی، و از 78/0 تا 81/0 و 29/3 تا 05/3 برای شبکه عصبی متغیر بود. نتایج نشان داد که پیش بینی شبکه عصبی بهتر از تابع های رگرسیونی می‌باشد.

واژه های کلیدی شبکه های عصبی مصنوعی، ظرفیت تبادل کاتیونی، چهارمحال و بختیاری

عنوان مقاله [English]

Comparison of artificial neural network and regressionpedotransfer functions models for prediction of soil cation exchange capacity in Chaharmahal - Bakhtiari province

نویسندگان [English]

  • M. Memarian Fard
  • H. Beigi Harchagani
چکیده [English]

Abstract
Cation Exchange Capacity (CEC) is an important characteristic of soil in terms of nutrient and water holding capacities and contamination management. Measurement of CEC is laborious and time-consuming. Therefore, CEC estimation through other easily - measured properties is desirable. In this study, PTFs for estimation of cation exchange capacity from basic soil properties such as particle-size distribution, organic carbon, percentage saturation and pH were developed and validated using artificial neural network (ANN) and multiple-linear regression methods and the predictive capabilities of the two methods was compared using some evaluation criteria. Total of 200 soil samples was divided into two groups as 165 for the development and 35 for the validation of PTFs. Accuracy of the predictions was evaluated by the criteria of coefficient of determination (R2) and the root mean square error (RMSE) between the measured and predicted CEC values. Clay (%), OC (%), SP and sand (%) predicted CEC better than other models with an R2=0.81 and RMSE=3.05 cmol.kg-1 when a neural networks model with one hidden layer and seven nodes was used. The R2 and RMSE varied from 0.66 to 0.69 and from 4.26 to 4.69 for regression, and varied from 0.78 to 0.81 and from 3.05 to 3.29 for ANN, respectively. Results showed that neural networks predictions is better than regression-based functions.

Key words: Artificial neural networks, Cation Exchange Capacity, Chaharmahal - Bakhtiari