تعیین ترکیب بهینه متغیرهای ورودی با استفاده از آزمون گاما برای مدل‌سازی پتاسیم قابل جذب در سیستم عصبی-فازی (مطالعه موردی: منطقه میانکنگی؛ زابل)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه علوم مهندسی خاک، دانشکده آب و خاک، دانشگاه زابل، زابل، ایران

2 گروه علوم مهندسی خاک، دانشکده آب و خاک، دانشگاه زابل، زابل، ایران

چکیده

یکی از مراحل مهم و پیچیده برای مدل­سازی غیرخطی، پیش پردازش داده­های ورودی به منظور انتخاب ترکیبی مناسب از آن­ها در مدل می­باشد. در این مطالعه آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل­سازی پتاسیم قابل جذب استفاده شد. برای تعیین بهینه تعداد داده­های مورد نیاز برای مدل­سازی از آزمون M استفاده شد. به منظور مدل­سازی تعداد هشت متغیر ورودی استفاده گردید. مدل­سازی پتاسیم قابل جذب با استفاده از تعداد نقاط بهینه، متغیرهای منتخب با خوشه­بندی کاهشی در سیستم عصبی فازی انجام شد. نتایج نشان داد که شش متغیر شامل (درصد رس، سیلت، ماده آلی، هدایت الکتریکی، رطوبت اشباع و pH) ترکیب بهینه متغیرها در مدل­سازی پتاسیم قابل جذب در منطقه میانکنگی می­باشند. همچنین با استفاده از خروجی آزمون M تعداد 112 داده (60 درصد داده­ها) برای بخش آموزش مدل­سازی مناسب تشخیص داده شد. نتایج حاکی از این واقعیت است که روش M در قسمت آموزش از دقت و سرعت مناسبی نسبت به روش آزمون و خطا در یافتن تعداد مناسب داده­های ورودی، برخوردار می­باشد. نتایج حاصل از مدل­سازی نیز بیانگر آن بود که روش عصبی فازی توانایی و عملکرد بالایی در برآورد مقدار پتاسیم قابل جذب در خاک­های منطقه میانکنگی را داشته است (R2=0.90 و RMSE=4.27). همچنین، در این تحقیق، در راستای مدل­سازی و پیش­بینی پتاسیم قابل جذب، درصد کربن آلی مهمترین ورودی شناخته شد.

کلیدواژه‌ها


عنوان مقاله [English]

Determining Optimal Combination of Input Variables Using Gamma Test for Absorbable Potassium Modeling in the Fuzzy-Neural System (Case Study: Mian-Kangi Region Zabol)

نویسندگان [English]

  • Amin Delarami 1
  • Ahmad Gholamalizadeh 2
  • Asma shabani 2
1 MSc Student, Department of soil sciences, Faculty of soil and water, University of Zabol, Zabol, Iran
2 Department of soil sciences, Faculty of soil and water, University of Zabol, Zabol, Iran
چکیده [English]

One of the important and complex steps for nonlinear modeling is pre-processing of input data in order to select the appropriate combination of them in the model. The gamma test was used to select the optimal combination of input variables for available potassium modeling in this study. The M test was used for determining the optimal number of data needed for modeling. Eight input variables were used for modeling. Modeling the available potassium was done by the number of optimum points and selected variables with subtractive clustering in the fuzzy neural system. The results showed that six variables (clay percentage, silt, organic matter, electrical conductivity, saturation moisture and pH) are the optimal combination of variables in modeling the available potassium in Mian-Kangi region. Also, 112 of measured data (60%) were considered as suitable data for the modeling training section using the M test results. The results indicated that the M method has better accuracy and speed than the trial and error method for finding the appropriate number of input data in training section. The results of modeling also indicated that the fuzzy neural method has high capability and performance in estimating the amount of available potassium in the soil of Mian-Kangi region (R2 = 0.90 and RMSE = 4.27). Also, organic carbon percentage was the most important input for modeling and predicting the amount of available potassium.

کلیدواژه‌ها [English]

  • M test
  • Gamma Test
  • Available potassium
  • Fuzzy neural
  • Fast measured properties