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

از آنجا که اندازه گیری پارامترهای ظرفیت تبادل کاتیونی و جرم مخصوص ظاهری به روش‌های مستقیم مشکل و هزینه بر است، روش‌های 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 نمونه‌برداری 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 متغیر‌های مستقل(عوامل ورودی) و ظرفیت تبادل کاتیونی و وزن مخصوص ظاهری به عنوان خروجی‌ها (متغیر وابسته)، با استفاده از نرم‌افزار مینی تب و آزمون نرمال بودن کولموگروف-اسمیرنوف، نرمال بودن داده‌ها مورد بررسی قرار گرفت و نتایج نشان داد که داده‌ها نرمال می‌باشند. برای توسعه توابع انتقالی از روش رگرسیون چندگانه و شبکه عصبی استفاده شد. در ابتدا، داده‌های آموزش و تست را تعیین و سپس داده‌های ورودی به شبکه را معیار‌سازی کرده، در مرحله بعد، مدل‌های مختلف شبکه عصبی با یک لایه مخفی که تعداد نرون‌های آن به بین 2 تا 10 نرون می‌باشد، 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، ورودی‌های شبکه شامل رس، سیلت، شن و ماده آلی و برای پیش بینی وزن مخصوص ظاهری، ورودی‌های شبکه شامل رس، سیلت، شن، آهک، رطوبت اشباع و ماده آلی استفاده شد. برای تعیین رگرسیون چند متغیره پارامترهای مورد مطالعه، با استفاده از نرم‌افزار مینی تب رابطه رگرسیونی مربوطه از داده‌های 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 پیش‌بینی شونده، شبکه عصبی عملکرد بهتری نسبت به مدل‌های رگرسیون پایه برای پیش‌بینی 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، مدل‌های 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 می‌باشد.