مقایسه کارایی مدل های RBF ،MLP ،MLR و GRNN در برآورد ماده آلی خاک

دانستن روابط و همبستگی بین خصوصیات مختلف خاک و بیان کمی آنها در قالب مدل یکی از جنبههای مهم بررسی خاک است .این مدل ها شامل مدلهای رگرسیونی و شبکههای عصبی مصنوعی میباشند که خصوصیات مهم خاک را بصورت تابعی از ویژگیهایی که به سادگی قابل اندازهگیری هستند، بیان میکنند. شبکههای عصبی مصنوعی نیز انواع مختلفی دارند، که لازم است برای هر مسئله نوع مناسب شبکه انتخاب شود. در این تحقیق کارایی مدل رگرسیون خطی چند گانه MLR و شبکههای عصبی پرسپترون چند لایه MLP تابع پایه شعاعی RBF و رگرسیون عمومی GRNN در پیشبینی ماده آلی خاک مورد بررسی قرار گرفت. به این منظور 130 نمونه خاک از عمق صفر تا 30 سانتی متری از خاکهای منطقه لردگان استان چهارمحال و بختیاری جمع آوری و بعضی از ویژگیهای فیزیکی و شیمیایی آنها اندازهگیری شد. نتایج بیانگر برتری مدل های شبکه عصبی نسبت به روشرگرسیونی برای پیشبینی ماده آلی در منطقه مورد مطالعه میباشد. مقایسه مقادیر R2 و RMSE در روش های مختلف نشان داد که شبکه عصبی MLP با مقدار 0/91 = R2 و 0.006 = RMSE بیشترین دقت را در میان مدل های مورد مطالعه دارد. به عبارتی این مدل قادر است تغییرات ماده آلی منطقه را به شکل قابل قبولی تخمین بزند. همچنین تایج آنالیز حساسیت شبکه MLP نشان داد که درصد رس و رطوبت اشباع بیشترین تأثیر را در میزان برآورد محتوای ماده آلی در منطقه مورد مطالعه دارند.

کلیدواژه ها:

آنالیز حساسیت ، رگرسیون خطی ، شبکه عصبی ، ماده آلی