پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,572 |
| تعداد مقالات | 71,003 |
| تعداد مشاهده مقاله | 125,492,826 |
| تعداد دریافت فایل اصل مقاله | 98,752,923 |
مقایسه روش‌های نروفازی، شبکه عصبی و رگرسیون چند متغیره در پیش‌بینی برخی خصوصیات خاک (مطالعه موردی: استان گلستان) | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 8، دوره 41، شماره 2 - شماره پیاپی 364799، بهمن 1389، صفحه 211-220 اصل مقاله (2.38 M) | ||
| نویسندگان | ||
| فریدون سرمدیان؛ روح اله تقی زاده مهرجردی؛ حسین محمد عسگری؛ علی اکبرزاده | ||
| چکیده | ||
| با توجه به مشکلات اندازه‌گیری مستقیم برخی از ویژگی‌های خاک، در سال‌های اخیر از روش‌های غیر مستقیم برای برآورد این خصوصیات استفاده می‌شود. بدین منظور، در این پژوهش140 نمونه جمع آوری شده از منطقه گرگان مورد آزمایش قرار گرفته و فراوانی نسبی ذرات، کربن آلی، درصد رطوبت اشباع و آهک به عنوان ویژگی‌های زودیافت و نقطه پژمردگی، ظرفیت زراعی، ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری به عنوان ویژگی‌های دیریافت اندازه‌گیری شدند. سپس کل داده‌ها به دو سری داده، شامل سری آموزش (80% داده‌ها) و سری ارزیابی (20% داده‌ها) تقسیم گردید. به منظور پیش‌بینی خصوصیات مذکور، از مدل‌های نروفازی، شبکه عصبی مصنوعی و رگرسیون چند متغیره استفاده گردید. نتایج ارزیابی مدل‌ها بر اساس شاخص‌های ریشه مربعات خطا، میانگین خطا، خطای استاندارد نسبی و ضریب تبیین نشان داد که مدل نروفازی دارای بالاترین دقت در پیش‌بینی ویژگی‌های خاک را دارا می‌باشد بطوریکه این مدل به میزان 34، 10، 78 و 5 درصد دقت پیش‌بینی ویژگی‌های FC، PWP، CEC و Bd را به ترتیب، نسبت به روش رگرسیون خطی چندگانه افزایش داده است. بعد از این مدل، شبکه‌های عصبی مصنوعی نسبت به معادلات رگرسیونی کارائی بهتر داشته است. | ||
| کلیدواژه‌ها | ||
| خصوصیات خاک؛ رگرسیون چند متغیره؛ شبکه عصبی مصنوعی؛ نروفازی | ||
| عنوان مقاله [English] | ||
| A Comparison of Neuro-Fuzzy, Artificial Neural Network and Multivariate Regression for Prediction of some Soil Properties (Case Study: Golestan Province) | ||
| نویسندگان [English] | ||
| F. Sarmadian؛ R. Taghi Zadeh Mehrjerdi؛ H. Mohamad Asgari؛ Ali Akbarzadeh | ||
| چکیده [English] | ||
| Realizing the difficulties involved in direct measurement of soil properties, in recent years, alternative methods have been employed. In the present research, soil texture, organic carbon, saturation percentage and lime as readily measurable parameters, wilting point, field capacity, cation exchange capacity as well as bulk density, as predicted variables were evaluated. The data set was then divided into two subsets for calibration (80%) and testing (20%) of the models. For a prediction of the mentioned parameters, neuro-fuzzy, artificial neural network and multivariate regression were applied. In order to assess the models, some such evaluation parameters as root mean square, average error, average standard error and coefficient of determination were taken into account. Results revealed that the neuro-fuzzy model gives a more appropriate estimation than the other techniques for all the characteristics where this model increased accuracy of predictions for about 34, 10, 78 and 5% for FC, PWP, CEC and BD respectability. Next after neuro-fuzzy model, artificial neural network was of a higher accuracy than multivariate regression. | ||
| کلیدواژه‌ها [English] | ||
| ., . ., Artificial Neural Network, multivariate regression, neuro-fuzzy | ||
|
آمار تعداد مشاهده مقاله: 3,312 تعداد دریافت فایل اصل مقاله: 3,532 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب