پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,239 |
| تعداد مقالات | 67,849 |
| تعداد مشاهده مقاله | 115,371,087 |
| تعداد دریافت فایل اصل مقاله | 90,126,190 |
ارزیابی تاثیر گروه‌بندی بر پایه ویژگی‌های مختلف بر عملکرد توابع در تخمین ظرفیت تبادل کاتیونی خاک | ||
| تحقیقات آب و خاک ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 15 بهمن 1402 اصل مقاله (982.83 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.364953.669566 | ||
| نویسندگان | ||
| حسین بیات1؛ شیما صاحبی همراه2؛ عیسی ابراهیمی* 3 | ||
| 1گروه علوم خاک، دانشکده کشاورزی- دانشگاه بوعلی سینا، همدان، ایران | ||
| 2گروه علوم خاک، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان، همدان، ایران | ||
| 3گروه علوم خاک،دانشکده کشاورزی، دانشگاه گیلان، رشت، ایران | ||
| چکیده | ||
| اندازه‌گیری ویژگی ظرفیت تبادل کاتیونی خاک دشوار و هزینه‌بر است. هدف از مطالعه حاضر ارزیابی تاثیر گروه‌بندی بر پایه ویژگی‌های مختلف بر عملکرد توابع در تخمین ظرفیت تبادل کاتیونی خاک و معرفی نوعی از گروه‌بندی که بهترین نتایج تخمین را دربرداشته باشد و همچنین مقایسه قابلیت تخمین ظرفیت تبادل کاتیونی با استفاده از دو روش رگرسیون خطی و شبکه‌های عصبی مصنوعی است. در این پژوهش از 45948 نمونه خاک مربوط به پایگاه اطلاعاتی یکنواخت شده خاک‌های جهان استفاده گردید. ابتدا نمونه خاک‌های پایگاه اطلاعاتی در حالت‌های مختلف گروه‌بندی شدند. سپس برای کل داده و کلاس‌های مختلف هر گروه با استفاده از 9 متغیر تخمینگر شامل اجزای بافت خاک، کربن آلی، سولفات کلسیم، کربنات کلسیم، جرم مخصوص ظاهری، درصد اشباع بازی، مجموع کاتیون‌های بازی قابل تبادل واکنش خاک در 11 مدل مورد ارزیابی قرار گرفتند. نتایج نشان داد در حالت کلاس‌های بافتی ضریب بهبود نسبی در بخش آزمون شبکه عصبی مصنوعی برابر 87 درصد و در رگرسیون خطی این مقدار برابر با 17 بود. در غالب موارد بر اثر گروه‌بندی داده‌ها بر میزان قابلیت تخمین مدل‌ها افزوده شد، و از بین گروه‌های مورد مطالعه در این پژوهش گروه بافت در مقایسه با سایر گروه‌ها ظرفیت تبادل کاتیونی را با دقت بالا‌تری پیش‌بینی نمود. به طورکلی نتایج نشان داد که استفاده از توابع به دست آمده که گروه‌بندی در آن‌ها موجب بهبود تخمین ظرفیت تبادل کاتیونی شده روشی آسان و کم هزینه در تخمین ظرفیت تبادل کاتیونی به شمار می‌رود. | ||
| کلیدواژه‌ها | ||
| پایگاه اطلاعات خاک؛ رگرسیون خطی؛ شبکه عصبی مصنوعی؛ قابلیت اعتماد مدل | ||
| عنوان مقاله [English] | ||
| Evaluation of the effect of grouping based on different characteristics on the performance of functions in estimating soil cation exchange capacity | ||
| نویسندگان [English] | ||
| Hossein Bayat1؛ shima sahebi hamrah2؛ Eisa Ebrahimi3 | ||
| 1Department of Soil Science, Faculty of Agriculture, Bu Ali Sina University, Hamadan, IRAN | ||
| 2Department of Soil Science, Faculty of Agriculture, Bu Ali Sina University, Hamadan,, IRAN | ||
| 3Ph. D. Student, Soil Science Department, Faculty of Agricultural Sciences, University of Guilan, RASHT, IRAN | ||
| چکیده [English] | ||
| Abstract Introduction Results and Discussion The correlation between the cation exchange capacity of soil and clay, apparent specific gravity, the ratio of silt to positive sand, calcium carbonate, total exchangeable base cations, and soil reaction was found to be significant at the 1% level. When comparing the RMSE and RI statistics in two sets of training and test data for the entire dataset and for classes separated based on soil texture groups, it was observed that data separation improved the mean in estimating the cation exchange capacity of the soil. Two methods, linear regression and artificial neural networks, were used to estimate the cation exchange capacity. The results showed that for all coarse, medium, and fine texture groups, the artificial neural network test section had a relative improvement coefficient of 87%, while linear regression had a value of 17%. The grouping of data generally increased the estimation ability of the models. Among the groups studied in this research, the texture group showed higher accuracy in predicting cation exchange capacity compared to other groups. Overall, using functions obtained through grouping proved to be an easy and cost-effective method for estimating cation exchange capacity. | ||
| کلیدواژه‌ها [English] | ||
| Soil database, Linear regression, Artificial neural network, Model reliability | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 37 تعداد دریافت فایل اصل مقاله: 4 |
||