مقایسه کارایی مدلهای رگرسیونی، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در بررسی فرسایش بادی
- سال انتشار: 1401
- محل انتشار: فصلنامه حفاظت منابع آب و خاک، دوره: 12، شماره: 1
- کد COI اختصاصی: JR_WSRCJ-12-1_006
- زبان مقاله: فارسی
- تعداد مشاهده: 169
نویسندگان
دانشجوی دکتری، گروه خاکشناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
گروه علوم و مهندسی خاک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
گروه علوم و مهندسی خاک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
گروه خاکشناسی، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران.
چکیده
زمینه و هدف: فرسایش بادی در بخش بزرگی از پهنه ایران وجود داد که سبب تخریب اراضی و کاهش باروری آنها به همراه اثرات زیست محیطی شده است. شناخت مناطق حساس به فرسایش می تواند در برنامه ریزی های حفاظت خاک به کمک مدیران منابع طبیعی و محیط زیست آید.روش پژوهش: این تحقیق برای برآورد جزء فرسایش پذیر خاک در مقابل باد (EF) از روی ویژگی های سهل الوصول خاک دردشت الله آباد واقع در شرق استان قزوین انجام شد. بدین منظور جزء فرسایش پذیر خاک در مقابل باد با استفاده از روش های رگرسیون چند متغیره (MLR)، شبکه عصبی مصنوعی (ANN) و تلفیق شبکه عصبی مصنوعی با الگوریتم ژنتیک برای بهینه سازی اوزان (GA-ANN) با به کار بردن ویژگی های سهل الوصول برآورد شد. با بررسی نقشه خاک، تفاوت خاکها و خصوصیات محیطی دشت الله آباد، ۱۰۳ نمونه خاک طبق یک الگوی تصادفی طبقه بندی شده از ۱۰ سانتی متری سطح آنها، جمع آوری و به آزمایشگاه ارسال شد. در نمونههای خاک، برخی خصوصیات خاک به عنوان ورودی های مدل های برآورد جزء فرسایش پذیر خاک در مقابل باد اندازه گیری گردید. ورودی های هر مدل شاملpH، ECe، CCE، SAR، جرم مخصوص ظاهری، ذرات شن، سیلت و رس، ذرات درشت خاک با قطر کمتر از ۲ میلیمتر و ماده آلی بودند. دقت و قابلیت اعتماد نتایج مدل های ایجاد شده با توجه به معیارهای ضریب تبیین، مجذور مربعات خطا، آزمون مورگان-گرنجر- نیوبلد و شاخص آکایک مورد مقایسه قرار گفتند.یافته ها: طبق یافته ها، بیشترین همبستگی جزء فرسایش پذیر خاک در مقابل باد (EF) با مقدار رس خاک دیده شد (۷۸۹/۰- r=). همچنین جزء فرسایش پذیر خاک با خصوصیات دیگر خاک شامل pH، هدایت الکتریکی، SAR، مقدار ماده آلی و جرم مخصوص ظاهری، همبستگی نشان داد، این همبستگی با سه خصوصیت SAR، ماده آلی و رس در سطح یک درصد همبستگی معنی دار بود. مدلهای ایجاد شده با هر سه روش توانایی بسیار بیشتری در پیشبینی EF در سری داده های آزمون نسبت به داده های سری آموزش داشتند. همچنین نتایج نشان داد که مدل شبکه عصبی از دقت بیشتر و خطای تخمین کمتری در مقایسه با مدلهای هیبرید و رگرسیون به دست آمده است. نتایج آنالیز حساسیت نیز نشان داد که بیشترین حساسیت مدل به متغیرهای ورودی در مدل ANN، به ترتیب مربوط به ماده آلی و SAR و در مدل GA-ANN مربوط به متغیر میزان رس خاک بود.نتیجه گیری: بر طبق نتایج، تنها مدل رگرسیون در مرحله آموزش دارای R۲ بیشتر از ۵۰ درصد (R۲=۰.۵۶) در برآورد جزء فرسایش پذیری خاک بود که البته این مقدار (R۲=۰.۵۶) نیز قابل اعتماد نیست. با توجه به نتایج مرحله آزمون، هر سه مدل به کار رفته شامل رگرسیون، شبکه عصبی مصنوعی و تلفیق آن با الگوریتم ژنتیک در برآورد شاخص جزء فرسایش پذیر خاک از کارایی مناسبی برخوردار نمی باشند به طوری که بالاترین ضریب تبیین (R۲) در مدل شبکه عصبی در مرحله آزمون (R۲ = ۰.۴۳)، صحت کمتر از ۵۰ درصد در تخمین EF داشت که نمی تواند صحت مناسبی در پیشبینی جزء فرسایش پذیری بادی خاک باشد.کلیدواژه ها
پرسپترون, رس, رگرسیون خطی چند متغیره, ریزگرد, ماده آلیاطلاعات 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.