پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,223 |
| تعداد مقالات | 67,680 |
| تعداد مشاهده مقاله | 114,877,416 |
| تعداد دریافت فایل اصل مقاله | 89,549,318 |
مقایسة روشهای هوش مصنوعی و رگرسیون چند‌متغیره برای واسنجی دستگاه القاگر الکترومغناطیس در منطقة اردکان | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 7، دوره 45، شماره 1، اردیبهشت 1393، صفحه 55-65 اصل مقاله (592.23 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2014.51171 | ||
| نویسندگان | ||
| محمدجواد روستا* 1؛ روح‌اله تقی‌زاده مهرجردی2؛ فریدون سرمدیان3؛ محمدحسن رحیمیان4 | ||
| 1استادیار مرکز ملی تحقیقات شوری | ||
| 2استادیار، دانشکدة کشاورزی و منابع طبیعی دانشگاه اردکان | ||
| 3استاد، دانشکدة مهندسی و فناوری کشاورزی دانشگاه تهران | ||
| 4مربی، مرکز ملی تحقیقات شوری | ||
| چکیده | ||
| به‌منظور واسنجی دادههای دستگاه القاگر الکترومغناطیس از روشهای مختلفی استفاده میشود. سؤال پیش رو این است که کدام یک از تکنیکها قابلیت بیشتری برای برآورد غیرمستقیم دادههای شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمعآوریشده از منطقة اردکان برای واسنجی دادههای هدایت الکتریکی ظاهری خاک با استفاده از روشهای رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، دادهها به دو سری شامل سری آموزشی (80درصد دادهها) و سری ارزیابی (20درصد دادهها) تقسیم شد. به‌منظور مدلسازی و برآورد شوری، از مدلهای نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چند‌متغیره استفاده شد. نتایج ارزیابی مدلها بر‌اساس شاخصهای ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. بهطوریکه این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را به‌ترتیب در اعماق 15، 30، 60 و 100 سانتیمتری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیدههای مرتبط با خاک یا تقریبی‌بودن مقادیر اندازهگیریشده خصوصیات مختلف خاک، به‌نظر میرسد کارایی بالاتر مدل مبتنی بر مجموعههای فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکههای عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. در‌مجموع، نتایج نشان داد روشهای هوش مصنوعی کارایی بالاتری نسبت به روشهای رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد. | ||
| کلیدواژه‌ها | ||
| شوری خاک؛ مدلسازی؛ هدایت الکتریکی ظاهری | ||
| عنوان مقاله [English] | ||
| Comparison of Soft Computing and Regression Techniques to Calibrate Electromagnetic Induction in Ardakan | ||
| نویسندگان [English] | ||
| Mohammadjavad Rousta1؛ Rouhollah Taghizadeh-Mehrjardi2؛ Fereydoun Sarmadian3؛ Mohammadhasan Rahimian4 | ||
| 1Assistant Professor, National Salinity Research Center, Yazd, Iran | ||
| 2Assistant Professor, Faculty of Agriculture and Natural Resources, University of Ardakan, Iran | ||
| 3Professor, Faculty of Agricultural Engineering and Technology, University of Tehran, Karaj, Iran | ||
| 4Instructor, National Salinity Research Center, Yazd, Iran | ||
| چکیده [English] | ||
| Up to now, different methods have been applied to calibrate electromagnetic induction data. Therefore, at present research, we applied multi-linear regression (MLR) and artificial intelligence techniques (i.e. ANFIS, GA, ANNs) to calibrate the apparent electrical conductivity (ECa)- measured using an electromagnetic induction instrument and electrical conductivity (ECe)- measured in saturation paste. 600 soil samples collected from Ardakan in central Iran and divided into two subsets for calibration (80%) and testing (20%) of the models. To evaluate models, some evaluation parameters such as root mean square, average error and coefficient of determination were used. Results showed that the ANFIS model gives better estimation than the other techniques whereas this model increased accuracy of predictions about 9, 9, 5 and 2% for EC15, EC30, EC60, and EC100, respectability. Higher performance of ANFIS to predict soil salinity might be because of uncertainty. After ANFIS model, GA and ANN had better accuracy than multivariate regression. As a whole, results indicated that artificial intelligence methods had higher performance than regression technique to calibrate electromagnetic induction data. | ||
| کلیدواژه‌ها [English] | ||
| apparent electrical conductivity, modeling, Soil Salinity | ||
|
آمار تعداد مشاهده مقاله: 2,177 تعداد دریافت فایل اصل مقاله: 871 |
||