نوع مقاله : مقالات پژوهشی
نویسندگان
چکیده
این پژوهش به منظور پیش بینی کلاس بندی الگوی تغییرات مکانی عنصر کادمیم با استفاده از شبکه عصبی LVQ4a2 در سطح استان گلستان انجام شد. داده‌های مربوط به غلظت کادمیم از طریق نمونه برداری از سطح منطقه مورد مطالعه و اندازه گیری کادمیم کل خاک به دست آمد. برای ارزیابی قابلیت شبکه عصبی LVQ4a2 در پیش بینی توزیع مکانی عنصر کادمیم از مقایسه آماری پارامترهایی مانند میانگین، واریانس، توزیع آماری رگرسیونی بین مقادیر پیش بینی شده مکانی توسط شبکه عصبی و مقادیر واقعی آنها و نیز معیار دقت کلاس بندی استفاده شد. نتایج حاصل نشان داد که در فاز آموزش و آزمایش تفاوت معنی دار در سطح 5 درصد بین میانگین، واریانس و توزیع آماری مجموعه داده‌های پیش بینی شده مکانی عنصر کادمیم و مقادیر واقعی آنها مشاهده نشد. بنابراین شبکه عصبی مصنوعی به خوبی توانست مدل داده‌های مکانی عنصر کادمیم را بیاموزد. نتایج به دست آمده نشان داد که شبکه عصبی آموزش دیده، دارای قابلیت بالایی در پیش بینی مکانی غلظت کادمیم در نقاط نمونه برداری نشده با دقت تشخیص مساوی صفر درصد بود. نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی می‌تواند بطور مناسبی در تشخیص سطوح مختلف غلظت کادمیم خاک بکار برده شود.
کلیدواژه‌ها
عنوان مقاله [English]
Evaluation of the Ability of LVQ4a2 Artificial Neural Network Model to Predict the Spatial Distribution Pattern of Cadmium in Soil
نویسندگان [English]
- H. Ghorbani
- A. Roohani
- N. Hafezi Moghaddas
چکیده [English]
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.
کلیدواژه‌ها [English]
- Neural Network
- Classification
- Cadmium
- Soil
- Golestan province
)
ارسال نظر در مورد این مقاله