آمار
| تعداد نشریات | 14 |
| تعداد شماره‌ها | 692 |
| تعداد مقالات | 7,155 |
| تعداد مشاهده مقاله | 11,526,595 |
| تعداد دریافت فایل اصل مقاله | 10,457,172 |
ارزیابی عملکرد رگرسیون چندمتغیره، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن در تخمین برخی خصوصیات خاک | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 2، دوره 24، شماره 2، خرداد 1396، صفحه 23-44 اصل مقاله (1.4 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwfst.2017.11811.2633 | ||
| نویسندگان | ||
| ابراهیم محمودآبادی1؛ علیرضا کریمی* 2؛ غلامحسین حق‌نیا1؛ عادل سپهر1 | ||
| 1دانشگاه فردوسی مشهد | ||
| 2دانشیار دانشگاه فردوسی مشهد | ||
| چکیده | ||
| چکیده سابقه و هدف: با ظهور سیستم‌های کامپیوتری در کنار سامانه اطلاعات جغرافیایی و دسترسی به داده‌های رقومی مکانی، روشهای مختلف داده‌کاوی، مدل‌سازی و تخمین خصوصیات خاک، جایگاه خود را در علوم خاک و پدومتری باز کرده است. داده‌کاوی خصوصیات خاک با استفاده از روشهای آماری کامپیوتر- محور به کشف الگوهای پنهان در بانک اطلاعاتی داده‌ها می‌پردازد که در نهایت منجر به برازش مدل به منظور استفاده و تخمین خصوصیات خاک می‌گردد. یکی از کاربردهای مهم این روش‌ها استفاده در معادله اسکورپن می‌باشد. دو جز اصلی معادله اسکورپن شامل متغیرهای محیطی و برنامه یادگیری می‌باشد. این مطالعه با هدف ارزیابی و مقایسه سه مدل عددی شامل روش رگرسیون چندگانه خطی، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن به عنوان برنامه یادگیری (تابع f) در معادله اسکورپن با استفاده از داده‌های دورسنجی، توپوگرافی و پوشش گیاهی به عنوان داده‌های کمکی به منظور تخمین خصوصیات خاک از جمله کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع انجام گرفت. مواد و روش‌ها: این پژوهش، در مراتع بخش باجگیران در استان خراسان رضوی و با مساحت 1225 هکتار انجام شد. به منظور بررسی پوشش گیاهی و خاک، تعداد 137 واحد مورد بررسی قرار گرفت. در هر واحد کاری 3 تا 5 پلات با فاصله 10 متر و در امتداد یک برش انتخاب شدند و نوع و تعداد گونه گیاهی و درصد پوشش گیاهی درون پلاتها ثبت گردید. سپس یک نمونه خاکی در هر برش و در مجموع 137 نمونه خاکی از سطح منطقه مورد مطالعه برداشته شد. داده‌های توپوگرافی منطقه از نقشه DEM، داده‌های طیفی و باندهای مختلف از تصاویر سنجنده ETM و شاخص‌های تنوع گیاهی و درصد پوشش گیاهی اندازه‌گیری شد و به عنوان متغیرهای کمکی در پیش‌بینی کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع به کار گرفته شدند. به منظور کاهش تعداد داده ورودی در شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن از نتایج PCR استفاده گردید سپس عملیات نرمال‌سازی و استانداردسازی بر روی داده‌ها صورت گرفت. یافته‌ها: نتایج حاصل از ارزیابی مدل‌های رگرسیون چندگانه، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن براساس آماره‌های ارزیابی شامل میانگین اریبی خطا (MBE)، ریشه میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) در فاز آزمون نشان داد که شبکه عصبی مصنوعی پرسپترون، با توجه به مقادیر ضریب تبیین بالاتر برای کربنات کلسیم، رس، نیتروژن کل، کربن آلی، شن، سیلت، ظرفیت رطوبتی و چگالی ظاهری به ترتیب با مقادیر 72/0، 46/0، 67/0، 77/0، 62/0، 7/0، 85/0 و 69/0 و همچنین مقادیر خطای RMSE کمتر با مقادیر به ترتیب 46/7، 46/4، 03/0، 27/0، 6/5، 55/3 و 4/ 3 درصد برای کربنات کلسیم معادل، درصد رس، نیتروژن کل، کربن آلی، درصد شن، درصد سیلت، ظرفیت رطوبت اشباع و 08/0 گرم بر سانتی مترمکعب برای چگالی، بهترین نتایج را از بین روشهای مورد مقایسه نشان داد. روش شبکه عصبی مصنوعی توانست 60 تا 85 درصد تغییرپذیری خصوصیات مورد بررسی را نشان دهد که از بین خصوصیات مختلف، بهترین تخمین برای ظرفیت رطوبت اشباع خاک با 85/0R2= و کربن آلی با 77/0R2= بود. نتیجه‌گیری: نتایج ارزیابی تخمین خصوصیات خاک از طریق سه مدل عددی که بهترین نتایج بدست آمده برای مدل شبکه عصبی مصنوعی پرسپترون بدست آمد. نتایج اعتبارسنجی مدل شبکه عصبی مصنوعی نشان داد که مقدارMBE مدل برای متغیرها نزدیک به صفر بوده و این امر مؤید این مطلب است که برازش، توسط مدل ایجاد شده نااریب بوده است. مقدار RMSE پایین مدل نیز نشان دهنده دقت مناسب و قابل قبول برآورد برای متغیرهای خاک می‌باشد. نتایج الگوریتم بیان ژن نیز حاکی از دقت بالاتر این روش نسبت به رگرسیون خطی برای اکثر خصوصیات خاک بود. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی مصنوعی؛ سنجش از دور؛ مدل اسکورپن؛ نقشه‌برداری رقومی خاک؛ الگوریتم بیان ژن | ||
| مراجع | ||
|
1.Aitkenhead, M.J., and Coull, M.C. 2016. Mapping soil carbon stocks across Scotland using a neural network model. Geoderma. 262: 187-198. 2.Aitkenhead, M.J., Coull, M., Towers, W., Hudson, G., and Black, H.J. 2013. Prediction of soil characteristics and colour using data from the National Soil Inventory of Scotland. Geoderma. 200/201: 99-107. 3.Alami, M., Sadegh Fam, S., and Fazelifard, M. 2012. Data series Modeling, 3rd edition, Tabriz University Press, Tabriz, Iran, 622p. (In Persian) 4.Amini, M., Abbaspour, K.C., Khademi, H., Fathianpour, N., Afyuni, M., and Schulin, R. 2005. Neural network models to predict cation exchange capacity in arid regions of Iran. Eur. J. Soil Sci. 56: 551-559. 5.Andrews, S.S., Mitchell, J.P., Mancinelli, R., Karlen, D.L., Hartz, T.K., Horwath, W.R., Pettygrove, G.S., Scow, K.M., and Munk, D.S. 2002. On-farm assessment of soil quality in California's central valley. Agron. J. 94: 1. 12-23. 6.Ayoubi, S., and Alizadeh, M.H. 2006. Soil Surface properties prediction using digital elevation model. J. Agric. Sci. Natur. Resour. 10: 2. 85-96. (In Persian) 7.Bannari, A., Morin, D., Bonn, F., and Huete, A.R. 1995. A review of vegetation indices. Rem. Sens. Rev. 13: 2. 95-120. 8.Bagheri, M.B., and Mart, A. 2015. Digital soil mapping using artificial neural networks and terrain-related attributes. Pedosphere. 25: 4. 580-591. 9.Ben-Dor, E., and Banin, A. 1995. Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties. Soil Sci. Soc. Am. J. 59: 364-372. 10.Boettinger, J.L., Ramsey, R.D., Bodily, J.M., Cole, N.J., Kienast-Brown, S., Nield, S.J., Saunders, A.M., and Stum, A.K. 2008. Landsat Spectral Data for Digital Soil Mapping, P 193-202. In: Hartemink, A.E., McBratney, A., and de Lourdes Mendonça-Santos, M. (eds.). Digital Soil Mapping with Limited Data. Springer. 11.Bourennane, H., Couturier, A., Pasquier, C., Chartin, C., Hinschberger, F., Macaire, J., and Salvador-blanes, S. 2014. Comparative performance of classification algorithms for the development of models of spatial distribution of landscape structures. Geoderma. 219: 136-44. 12.Cavazzi, S., Corstanje, R., Mayr, T., Hannam, J., and Fealy, R. 2013. Are fine resolution digital elevation models always the best choice in digital soil mapping? Geoderma. 195/196: 111-121. 13.Coleman, T.L., Agbu, P.A., and Montgomery, O.L. 1993. Spectral differentiation of surface soils and soil properties: is it possible from space platforms? Soil Sci. 155: 283-293. 14.Collard, F., Kempen, B., Heuvelink, G.B.M., Saby, N.P.A., Richer, A.C., Forges, D., Lehmann, S., Nehlig, P., and Arrouays, D. 2014. Regional refining a reconnaissance soil map by calibrating regression models with data from the same map (Normandy, France). Geoderma Reg. 1: 21-30. 15.Demattê, J.A.M., Fiorio, P.R., Ben-dor, E., Fioriob, P.R., and Ben-Dorc, E. 2009. Estimation of soil properties by orbital and laboratory reflectance means and its relation with soil classification. Open Remote Sens. J. 2: 12-23. 16.Emamgolizadeh, S., Bateni, S.M., Shahsavani, D., Ashrafi, T., and Ghorbani, H. 2015. Estimation of soil cation exchange capacity using genetic expression programming (GEP) and multivariate adaptive regression splines. J. Hydrol. 529: 1590-1600. 17.Fazeli Sangani, M., Sarmadian, F., and Shorafa, M. 2010. Surveying and mapping of soil physical properties using Geostatistic. M.Sc Thesis, Soil Science Department, Faculty of Agriculture, University of Tehran, Tehran. (In Persian) 18.Ferreira, C. 2002. Gene Expression Programming in Problem Solving, Pp: 635-653..In: Roy, R., Koeppen, M., Ovaska, S., Furuhashi, T., and Hoffmann, F. (eds.) Soft Computing and Industry. Springer London. 19.Guo, P.T., Wu, W., Sheng, Q.K., Li, M.F., Liu, H.B., and Wang, Z.Y. 2013. Prediction of soil organic matter using artificial neural network and topographic indicators in hilly areas. Nutr. Cycl. Agroecosys. 95: 3. 333-344. 20.Han, J., Pei, J., and Kamber, M. 2011. Data mining: concepts and techniques. Elsevier, Waltham, USA, 673p. 21.Hengl, T., and Reuter, H.I. 2009. Geomorphometry: Concepts, Software, Applications. AE Amsterdam, Netherlands. 775p. 22.Heung, B., Chak, H., Zhang, J., Knudby, A., Bulmer, C.E., and Schmidt, M.G. 2016. An overview and comparison of machine-learning techniques for classification purposes in digital soil mapping. Geoderma, 265: 62-77. 23.Ingleby, H.R., and Crowe, T.G. 2001. Neural network models for predicting organic matter content in Saskatchewan soils. Canad. Bisys. Engin. 43: 7. 1-7.5. 24.Karamouz, M., and Araghinejad, S. 2014. Advanced Hydrology. 3rd edition. Amirkabir University of Technology Press, 464p. (In Persian) 25.Kia, M. 2009. Neural Networks in Matlab. Kian Rayan Sabz Publication, Tehran, 408p. (In Persian) 26.Ließ, M., Glaser, B., and Huwe, B. 2012. Uncertainty in the spatial prediction of soil texture: Comparison of regression tree and random forest models. Geoderma. 170: 70-79. 27.Luo, Z., Yaolin, L., Jian, W., and Jing, W. 2008. Quantitative mapping of soil organic material using field spectrometer and hyperspectral remote sensing. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 37: 901-906. 28.Mahmoudabadi, E., and Karimi, A. 2015. Mapping of calcium carbonate equivalent and clay content of surface soil using geostatistical methods (Case study: Chitgar park, Tehran). RS GIS Tech. Nat. Resour. 6: 3. 73-85. (In Persian) 29.McBratney, A.B., Santos, M.L.M., and Minasny, B. 2003. On digital soil mapping. Geoderma. 117: 3-52. 30.Metternicht, G.I., and Zinck, J.A. 2003. Remote sensing of soil salinity: potentials and constraints. Rem. Sens. Environ. 85: 1-20. 31.Moghimi, S., and Parvizi, Y. 2015. Comparison of applying multi linear regression analysis and artificial neural network methods for simulating topographic factors effect on soil organic carbon. Water. Eng. Manage. 6: 312-322. 32.Montgomery, D.C., Peck, E.A., and Vining, G.G. 2015. Introduction to Linear Regression Analysis. John Wiley & Sons. 33.Naseri, K. 2008. Calibration and application of rangeland health assessment method in the range ecosystem of Khorasan province (Case study: Tandoureh area). Ph.D. Thesis, Gorgan University of Agriculture Sciences and Natural Resources. (In Persian) 34.Pansu, M., and Gautheyrou, J. 2007. Handbook of Soil Analysis: Mineralogical, Organic and Inorganic Methods. Springer Science & Business Media. 987p. 35.Parvizi, Y., Gorji, M., Omid, M., Mahdian, M.H., and Amini, M. 2010. Determination of soil organic carbon variability of rainfed crop land in semi-arid region (Neural Network Approach). Mod. Appl. Sci. 4: 7. 25-33. 36.Pilevar, A.R., Ayoubi, S., and Khademi, H. 2011. Comparison of artificial neural network (ANN) and multivariate linear regression (MLR) models to predict soil organic carbon using digital terrain analysis (Case study: Zargham Abad Semirom, Isfahan proviance). J. Water Soil. 24: 1151-1163. (In Persian) 37.Priori, S., Bianconi, N., and Costantini, E.A.C. 2014. Can γ -radiometrics predict soil textural data and stoniness in different parent materials ? A comparison of two machine-learning methods. Geoderma. 226: 354-364. 38.Ratnayake, R.R., Karunaratne, S.B., Lessels, J.S., Yogenthiran, N., Rajapaksha, R.K., and Gnanavelrajah, N. 2016. Regional digital soil mapping of organic carbon concentration in paddy growing soils of Northern Sri Lanka. Geodrma Reg. 7: 2. 167-176. 39.Rouhnavaz, M., and Htamloo, A. 2014. Modeling of fluent- participation using genetic algorithm programming, in: 1st National Industrial Mathematics Conference (NIMC 2014) 28 May 2014. Tabriz. (In Persian) ابراهیم محمودآبادی و همکاران 43 40.Schaap, M.G., Leij, F.J., and van Genuchten, M.T. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Sci. Soc. Am. J. 62: 847-855. 41.Shabani, A. 2011. Topographic and soil attributes effects on rainfed wheat yield in Sisab region, Northeastern Iran. M.Sc. Thesis, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran. (In Persian) 42.Sumfleth, K., and Duttmann, R. 2008. Prediction of soil property distribution in paddy soil landscapes using terrain data and satellite information as indicators. Ecol. Ind. 8: 485-501. 43.Taborda, C., Oka-fiori, C., José, L., Santos, C., Evaristo, A., Ribeiro, C., and Faria, M., 2013. Soil prediction using artificial neural networks and topographic attributes. Geoderma. 195: 165-172. 44.Taghizadeh-mehrjardi, R. 2015. Digital mapping of cation exchange capacity using genetic programming and soil depth functions in Baneh region, Iran. Arch. Agrono. Soil Sci. 62: 1. 37-41. 45.Taghizadeh-mehrjardi, R., Ayoubi, S., Namazi, Z., and Malone, B.P. 2016. Prediction of soil surface salinity in arid region of central Iran using auxiliary variables and genetic programming. Arid Land Res. Manage. 30: 1. 49-64. 46.Thomas, M., Clifford, D., Bartley, R., Philip, S., Brough, D., Gregory, L., Willis, R., and Glover, M. 2015. Putting regional digital soil mapping into practice in tropical Northern Australia. Geoderma. 241: 145-157. 47.Thompson, J.A., and Kolka, R.K. 2005. Soil carbon storage estimation in a forested watershed using quantitative soil-landscape modeling. Soil Sci. Soc. Am. J. 69: 1086-1093. 48.Wuttichaikitcharoen, P., and Babel, M.S. 2014. Principal component and multiple regression analyses for the estimation of suspended sediment yield in Ungauged Basins of Northern Thailand. Water. 6: 8. 2412-2435. 49.Zhou, P., Zhao, Y., Zhao, Z., and Chai, T. 2015. Source mapping and determining of soil contamination by heavy metals using statistical analysis, artificial neural network and adaptive genetic algorithm. J. Environ. Chem. Engin. 3: 4. 2569-79. | ||
|
آمار تعداد مشاهده مقاله: 1,438 تعداد دریافت فایل اصل مقاله: 6,783 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب