جایابی ویژگیهای شیمیایی خاک در کلاسهای فازی توسط شبکه عصبی مصنوعی

مدیریت سرزمین بر پایه اطلاعات مکانی ویژگیهای خاک از پایه های اصلی کشاورزی پایدار است. در این مطالعه کارآیی یک شبکه عصبی مصنوعی( ANN) ۱ با معماری پرسپترون چند لایه( MLP) ۲ برای جایابی نمونه ها در کلاسهای فازی ویژگیهای شیمیایی خاک بررسی شد. نخست تغییرات مکانی ۱۷ ویژگی شیمیایی ۱۲۰ نمونه خاک سطحی ۰-۲۰) سانتیمتر) با الگوریتم خوشهبندی فازی(FCM) ۳ در ۶ کلاس بهینه با کاربست الگوریتم خوشه بندی فازی، رده بندی گردید. سپس ویژگیهای شیمیایی و کلاسهای فازی به ترتیب به عنوان متغیرهای پیشبین و هدف، تعریف و عملکرد شبکه در جایابی نمونه ها در کلاسهای شش گانه ارزیابی گردید. زیرمجموعه های تصادفی ۶۵، ۱۵ و %۲۰ در آموزش، اعتبار سنجی و آزمون به کار رفت. پس از ۲۰ دوره محاسبات تکراری، حل شبکه همگرا شد. بر پایه ماتریسهای پراکندگی، عملکرد MLP در دو مرحله نخست، کامل (%۱۰۰ ) بود . اما، در آخرین مرحله (آزمون) به دلیل یک مورد خطا در جایابی، صحت پیش بینی %۹۵/۸ به دست آمد . اگرچه منطقا با یک مجموعه داده بزرگتر و ناهمگنتر احتمال خطا بیشتر خواهد بود، عملکرد MLP فرای انتظار بود و در کار پیش بینی بسیار خوب ارزیابی گردید. در گامهای آتی میتوان عملکرد ANN را در پیش بینی مکانی مورد بررسی قرار داد.

کلیدواژه ها:

فازی ، MLP ، جایابی ، پایدار.