نارون1
25th August 2013, 12:17 PM
چکیده:
تخمین پارامترهای دیریافت خاک با استفاده از اطلاعات موجود خاک، توابع انتقالی نامیده میشود. جهت توسعه توابع انتقالی میتوان از مدل های رگرسیون چند متغیره، شبکه عصبی مصنوعی و نروفازی استفاده کرد. بنابراین در این مطالعه به منظور مقایسه مدل های مذکور، 153 نمونه جمع آوری شده از ناحیه شمالی شهرستان رشت مورد آزمایش قرار گرفته و درصد شن، سیلت، رس و کربن آلی به عنوان ویژگیهای زودیافت و ظرفیت تبادل کاتیونی به عنوان ویژگی دیریافت اندازه گیری شدند. سپس کل داده ها به دو سری داده، شامل سری آموزش (80% داده ها) و سری ارزیابی (20% داده ها) تقسیم گردید.
نتایج ارزیابی نشان داد که مدل نروفازی بر اساس شاخص های ریشه مربعات خطا، میانگین خطا و ضریب تبیین به ترتیب 73/0، 07/0- و 66/0 دارای بالاترین دقت در پیش بینی ظرفیت تبادل کاتیونی خاک میباشد. همچنین این مدل بر اساس شاخص درصد کاهش ریشه مربعات خطا به میزان 14 درصد دقت پیش بینی ویژگی CEC را نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه های عصبی مصنوعی پس انتشار، پایه شعاعی و آبشاری به ترتیب نسبت به معادلات رگرسیونی کارائی بهتری داشته اند.
نویسندگان :
روح الله تقیزاده (http://www.ensani.ir/fa/124223/profile.aspx)
شهلا محمودی (http://www.ensani.ir/fa/55001/profile.aspx)
علی اکبرزاده (http://www.ensani.ir/fa/124215/profile.aspx)
منبع:
پورتال جامع علوم انسانی
دانلــود مقاله (http://www.ensani.ir/storage/Files/20120329165025-5112-19.pdf)
تخمین پارامترهای دیریافت خاک با استفاده از اطلاعات موجود خاک، توابع انتقالی نامیده میشود. جهت توسعه توابع انتقالی میتوان از مدل های رگرسیون چند متغیره، شبکه عصبی مصنوعی و نروفازی استفاده کرد. بنابراین در این مطالعه به منظور مقایسه مدل های مذکور، 153 نمونه جمع آوری شده از ناحیه شمالی شهرستان رشت مورد آزمایش قرار گرفته و درصد شن، سیلت، رس و کربن آلی به عنوان ویژگیهای زودیافت و ظرفیت تبادل کاتیونی به عنوان ویژگی دیریافت اندازه گیری شدند. سپس کل داده ها به دو سری داده، شامل سری آموزش (80% داده ها) و سری ارزیابی (20% داده ها) تقسیم گردید.
نتایج ارزیابی نشان داد که مدل نروفازی بر اساس شاخص های ریشه مربعات خطا، میانگین خطا و ضریب تبیین به ترتیب 73/0، 07/0- و 66/0 دارای بالاترین دقت در پیش بینی ظرفیت تبادل کاتیونی خاک میباشد. همچنین این مدل بر اساس شاخص درصد کاهش ریشه مربعات خطا به میزان 14 درصد دقت پیش بینی ویژگی CEC را نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه های عصبی مصنوعی پس انتشار، پایه شعاعی و آبشاری به ترتیب نسبت به معادلات رگرسیونی کارائی بهتری داشته اند.
نویسندگان :
روح الله تقیزاده (http://www.ensani.ir/fa/124223/profile.aspx)
شهلا محمودی (http://www.ensani.ir/fa/55001/profile.aspx)
علی اکبرزاده (http://www.ensani.ir/fa/124215/profile.aspx)
منبع:
پورتال جامع علوم انسانی
دانلــود مقاله (http://www.ensani.ir/storage/Files/20120329165025-5112-19.pdf)