ارزیابی دقت شبکه های عصبی مصنوعی در پیش بینی برخی پارامترهای خاک در منطقه فشند

از آنجا که اندازه گیری پارامترهای ظرفیت تبادل کاتیونی و جرم مخصوص ظاهری به روش های مستقیم مشکل و هزینه بر است، روش های غیرمستقیم تحت عنوان توابع انتقالی برای پیش بینی پارامترهای خاک از خصوصیات سهل الوصول توسعه پیدا کرده است. بدین منظور در این پژوهش، برای برآورد ظرفیت تبادل کاتیونی و جرم مخصوص ظاهری اقدام به نمونه برداری از منطقه فشند در تهران از 15پروفیل، به تعداد 63 نمونه شد. در این پژوهش، از توابع انتقالی استفاده شد که قبل از وارد کردن متغیر های مستقل(عوامل ورودی) و ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری به عنوان خروجی ها (متغیر وابسته)، با استفاده از نرم افزار مینی تب و آزمون نرمال بودن کولموگروف-اسمیرنوف، نرمال بودن داده ها مورد بررسی قرار گرفت و نتایج نشان داد که داده ها نرمال می باشند. برای توسعه توابع انتقالی از روش رگرسیون چندگانه و شبکه عصبی استفاده شد. در ابتدا، داده های آموزش و تست را تعیین و سپس داده های ورودی به شبکه را معیار سازی کرده، در مرحله بعد، مدل های مختلف شبکه عصبی با یک لایه مخفی که تعداد نرون های آن به بین 2 تا 10 نرون می باشد، تهیه  و ساختار بهینه شبکه به روش سعی و خطا با استفاده از معیارهای ضریب همبستگی، rmse ،me و aare تعیین شد. برای پیش بینی ظرفیت تبادل کاتیونی، ورودی های شبکه شامل رس، سیلت، شن و ماده آلی و برای پیش بینی وزن مخصوص ظاهری، ورودی های شبکه شامل رس، سیلت، شن، آهک، رطوبت اشباع و ماده آلی استفاده شد. برای تعیین رگرسیون چند متغیره پارامترهای مورد مطالعه، با استفاده از نرم افزار مینی تب رابطه رگرسیونی مربوطه از داده های آموزش تعیین شدو از روابط تجربی بروسما و همکاران (1986)، مانریکو و بل (1991) و ونکولن (1995) نیز استفاده شد. به علت وجود روابط غیرخطی بین متغیرهای وابسته و پیش بینی شونده، شبکه عصبی عملکرد بهتری نسبت به مدل های رگرسیون پایه برای پیش بینی ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری خاک با ضرایب تبیین 89/0 و 74/0 به ترتیب داشته است. بعد از شبکه عصبی که بهترین عملکرد را به خود اختصاص داد، رگرسیون چند متغیره دقت بالاتری را داشت. در توابع انتقالی که برای تخمین ظرفیت تبادل کاتیونی به کار رفت، مدل های مانریکو و بل (1991) با ضریب تبیین 24/0، عملکرد یکسانی داشته و نسبت به مدل بروسما و همکاران (1986) با ضریب تبیین 06/0 دارای دقت بیشتری می باشد.