مقایسه مدل های ” رگراسیون چند متغیره تطبیقی ” و ” شبکه های عصبی مصنوعی ” در پیش بینی آب قابل جذب گیاه
- سال انتشار: 1384
- محل انتشار: نهمین کنگره علوم خاک ایران
- کد COI اختصاصی: SSCI09_620
- زبان مقاله: فارسی
- تعداد مشاهده: 2708
نویسندگان
عضو هیئت علمی گروه خاکشناسی دانشکده کشاورزی دانشگاه شهرکرد
گروه مهندسی منابع زیستی دانشکده کشاورزی دانشگاه مک گیل، استان کبک، ک
چکیده
استفاده از کیفیت اراضی ( مثل آب قابل استفاده گیاه ) به جای مشخصات اراضی ( مثل بافت، مواد آلی و غیره ) ، در ارزیابی تناسب اراضی، نتایج بهتری را عاید خواهد کرد . اندازه گیری کیفیت اراضی مشکل تر از اندازه گیری مشخصات اراضی است (5) یکی از خصوصیات خاک که در این مطالعه مورد بحث قرار گرفته است، آب قابل جذب گیاه می باشد . به خاطر وقت گیر بودن و پر هزینه بودن اندازه گیری مستقیم آب قابل جذب گیاه، در بعضی از موارد بهتر است تکنیک هائی را برای پیش بینی آن بکار برد (6) مواردی که پیش بینی آب قابل جذب بر اندازه گیری آن ارجحیت دارد، عبارتند از (2) : 1 - در پیش بینی، خطای جزئی ( کمتر از 10 درصد ) ، قابل قبول باشد، 2 -مشکل کمبود منابع مالی و وقت وجود داشته باشد، 3 -پروژه مطالعاتی، مقدماتی و اجمالی باشد، 4- منطقه مورد مطالعه بسیار وسیع و تغییرات آب قابل جذب در خاک آنقدر زیاد باشد که اندازهگیری مستقیم آن عملاً غیر ممکن باشد . یکی از تکنیک هائی که از آن می توان در پیش بینی آب قابل جذب گیاه استفاده نمود، مدل های هوش مصنوعی Artificial Intelligence models (AI) ، از قبیل مدل رگرسیون چند متغیره تطبیقی Multi-variate Adaptive Regression Splines MARSو مدل شبکه های عصبی مصنوعی Artificial Neural Network (ANN) است (7). هدف از این مطالعه، مقایسه مدل های رگرسیون چند متغیره تطبیقی و شبکه های عصبی مصنوعی در پیش بینی آب قابل جذب گیاه می باشد .کلیدواژه ها
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.