این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۴۵، شماره ۱، صفحات ۵۵-۶۵
عنوان فارسی مقایسه روش‌های هوش مصنوعی و رگرسیون چند‌متغیره برای واسنجی دستگاه القاگر الکترومغناطیس در منطقه اردکان
چکیده فارسی مقاله به‌منظور واسنجی داده‏های دستگاه القاگر الکترومغناطیس از روش‏های مختلفی استفاده می‏شود. سؤال پیش رو این است که کدام یک از تکنیک‏ها قابلیت بیشتری برای برآورد غیرمستقیم داده‏های شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمع‏آوری‌شده از منطقه اردکان برای واسنجی داده‏های هدایت الکتریکی ظاهری خاک با استفاده از روش‏های رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، داده‏ها به دو سری شامل سری آموزشی (80درصد داده‏ها) و سری ارزیابی (20درصد داده‏ها) تقسیم شد. به‌منظور مدل‏سازی و برآورد شوری، از مدل‏های نروفازی، شبکه عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چند‌متغیره استفاده شد. نتایج ارزیابی مدل‏ها بر‌اساس شاخص‏های ریشه مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. به‏طوری‏که این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را به‌ترتیب در اعماق 15، 30، 60 و 100 سانتی‏متری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیده‏های مرتبط با خاک یا تقریبی‌بودن مقادیر اندازه‏گیری‌شده خصوصیات مختلف خاک، به‌نظر می‏رسد کارایی بالاتر مدل‏ مبتنی بر مجموعه‏های فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکه‏های عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. در‌مجموع، نتایج نشان داد روش‏های هوش مصنوعی کارایی بالاتری نسبت به روش‏های رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.
کلیدواژه‌های فارسی مقاله شوری خاک، مدل‌سازی، هدایت الکتریکی ظاهری،
عنوان انگلیسی Comparison of Soft Computing and Regression Techniques to Calibrate Electromagnetic Induction in Ardakan
چکیده انگلیسی مقاله Up to now, different methods have been applied to calibrate electromagnetic induction data. Therefore, at present research, we applied multi-linear regression (MLR) and artificial intelligence techniques (i.e. ANFIS, GA, ANNs) to calibrate the apparent electrical conductivity (ECa)- measured using an electromagnetic induction instrument and electrical conductivity (ECe)- measured in saturation paste. 600 soil samples collected from Ardakan in central Iran and divided into two subsets for calibration (80%) and testing (20%) of the models. To evaluate models, some evaluation parameters such as root mean square, average error and coefficient of determination were used. Results showed that the ANFIS model gives better estimation than the other techniques whereas this model increased accuracy of predictions about 9, 9, 5 and 2% for EC15, EC30, EC60, and EC100, respectability. Higher performance of ANFIS to predict soil salinity might be because of uncertainty. After ANFIS model, GA and ANN had better accuracy than multivariate regression. As a whole, results indicated that artificial intelligence methods had higher performance than regression technique to calibrate electromagnetic induction data.
کلیدواژه‌های انگلیسی مقاله apparent electrical conductivity, Modeling, soil salinity
نویسندگان مقاله محمدجواد روستا | mohammad javad
استادیار مرکز ملی تحقیقات شوری
سازمان اصلی تایید شده: مرکز ملی تحقیقات شوری

روح اله تقی زاده مهرجردی |
استادیار، دانشکده کشاورزی و منابع طبیعی دانشگاه اردکان
سازمان اصلی تایید شده: دانشگاه اردکان (Ardakan university)

فریدون سرمدیان |
استاد، دانشکده مهندسی و فناوری کشاورزی دانشگاه تهران
سازمان اصلی تایید شده: دانشگاه تهران (Tehran university)

محمدحسن رحیمیان | mohammad hassan
مربی، مرکز ملی تحقیقات شوری
سازمان اصلی تایید شده: مرکز ملی تحقیقات شوری

نشانی اینترنتی http://ijswr.ut.ac.ir/article_51171_60e8ec5627f42dc217be9c25c9dcd0ba.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات