رده بندی و جایابی رایان آموختی۱ گروه های اندازه ای ذرات خاک در کلاسهای بافت خاک

بافت خاک یکی از مهم ترین ویژگی های ایستای خاک است که بر روی بسیاری از ویژگی های فیزیکی و شیمیایی آن موثر است، به گونه ای که کمبود اینگونه اطلاعات میتواند منجر به اتخاذ سیاستهای غلط در مدیریت و تخریب منابع زمین و آب شود. در این پژوهش کارآیی شبکه عصبی مصنوعی پرسپترون چند لایه ( MLP) ۲ در رده بندی نمونه ها در کلاس های فازی بافت خاک بررسی شد . بدین منظور داده های ذرات شن، سیلت و رس بدست آمده از ۱۲۰ نمونه خاک سطحی در قالب یک شبکه منظم از منطقه مطالعاتی به روش خوشه بندی فازی در سه کلاس رده بندی شد. یک شبکه MLP با یک لایه پنهان متشکل از ۵ نورون ساخته؛ متغیرهای سه گانه بافت خاک به عنوان ورودی و کلاس های فازی بافت از پیش تعیین شده به عنوان متغیرهای هدف به آن معرفی شد . با استفاده از شاخص های نمودار و نمودار ارزیابی عملکرد شبکه، ماتریس های پراکندگی(CM) ۳ و نمودار مشخصه عملکرد( ROC) ۴ ارزیابی گردید. نتایج به دست آمده نشان داد که کارآیی کامل MLPدر جایابی نمونه ها در کلاسهای فازی بود به گونهای که هیچ خطایی در پیش بینی ها دیده نشد . توان بالای الگوریتم SCGB در کنار شمار کلاسهای فازی سه گانه، نیز کم بودن نسبی تعداد کل داده ها، تعداد کم داده های پرت و نیز دامنه نه چندان بزرگ متغیرها در این مطالعه را میتوان از دلایل دستیابی به بیشینه صحت ممکن دانست. ارزیابی بهتر توان ANN به کمک مجموعه داه های بزرگتر و متنوعتر را میتوان در گامهای بعدی در نظر گرفت.

کلیدواژه ها:

فازی ، پیشبینی ، پرسپترون ، خوشهبندی ، پسانتشار.