بخشی از مقاله
چکیده
به طور یقین توابع انتقالی بهدست آمده از مدلهای داده مبنای مورد استفاده شامل عدم قطعیت میباشند که بایستی به آن پرداخته شود. این عدم قطعیت بخشی ناشی از عدم قطعیت همراه با مدل مورد استفاده برای توسعه توابع انتقالی است و بخشی ناشی از عدم قطعیت همراه با مقادیر پارامترهای ورودی می باشد. از آنجا که مهمترین منبع عدم قطعیت مدلهای داده مبناء انتخاب دادههای مرحله آموزش میباشد، که خود منجر به تعیین وزنهای مختلف میگردد لذا انتخاب ترکیب-های مختلف دادههای این مرحله میتواند سبب خروجیهای متفاوت گردد و ضرورت بررسی این شبیهسازیهای مختلف ناشی وزنهای بهدست آمده از دادههای مختلف را توجیه میکند.
این تحقیق به بررسی عدم قطعیت مدلهای حاصله از دو روش داده مبناء شامل شبکه عصبی مصنوعی و ماشینهای بردار پشتیبان پرداخته است. ارزیابی عدم قطعیت پارامترهای ورودی با استفاده از شبیهسازی مونت کارلو با تعداد 1000 بار تکرار نمونه گیری از توزیع واقعی متغیرهای ورودی و ارزیابی خروجی های متناظر با آنها از توابع انتقالی خاک صورت گرفته است.
از آنجا که در تحقیقات مرتبط با تحلیل عدم قطعیت نیاز به معیارهایی بهمنظور ارزیابی محدودههای اطمینان تولید شده میباشد، لذا معیارهایی جهت ارزیابی و تحلیل به کار رفته است. برای ظرفیت زراعی مقادیر ARIC ، P95% و NUE به ترتیب 0/103، 0/729 و 5/15 برای شبکه عصبی و 0/044 و 0/523 و 6/21 برای رگرسیون بردار پشتیبان بدست آمده است که بهطور یقین عدم قطعیت SVR در مقایسه با ANN برای ظرفیت زراعی بهتر بوده است. همچنین نتایج معیارهای ارزیابی عدم قطعیت برای نقطه پژمردگی دائم، همچنان از برتری رگرسیون بردار پشتیبان گزارش میدهند. مقادیر NUE به ترتیب، 3/78 برای SVR و 1/57 برای ANN حاکی از این مهم است.
.1 مقدمه
به طور یقین توابع انتقالی بهدست آمده از مدلهای داده مبنای مورد استفاده شامل عدم قطعیت میباشند که بایستی به آن پرداخته شود. این عدم قطعیت1 بخشی ناشی از عدم قطعیت همراه با مدل مورد استفاده برای توسعه توابع انتقالی است و بخشی ناشی از عدم قطعیت همراه با مقادیر پارامترهای ورودی می باشد. از آنجا که مهمترین منبع عدم قطعیت مدلهای داده مبناء انتخاب دادههای مرحله آموزش میباشد، که خود منجر به تعیین وزنهای مختلف میگردد لذا انتخاب ترکیبهای مختلف دادههای این مرحله میتواند سبب خروجیهای متفاوت گردد و ضرورت بررسی این شبیهسازیهای مختلف ناشی وزنهای بهدست آمده از دادههای مختلف را توجیه میکند . - McBratney et al., 2002 - این تحقیق به بررسی عدم قطعیت مدلهای حاصله از دو روش داده مبناء شامل شبکه عصبی مصنوعی و ماشینهای بردار پشتیبان پرداخته است.
-1-1سابقه تحقیق
محقیق مختلفی در ایران و جهان به بررسی کارایی شبکههای عصبی مصنوعی و ماشینهای بردار پشتیبان و تحلیل عدم قطعیت پرداختهاند که در ادامه به تعدادی از آنها اشاره میشود:
ولی و همکاران در سال 1388، بیان نمودند که ماشینهای بردار پشتیبان برای دادههایی با ابعاد بالا بهخوبی جوابگو میباشد، همچنین مدلی را انتخاب میکند که بین میزان خطای تجربی و تقریب یک حالت بهینه را انتخاب کند.
بیلندی و خاشعی سیوکی در سال 1394 ، به تحلیل عدم قطعیت خروجی شبکه عصبی در شبیهسازی هدایت هیدرولیکی اشباع خاک پرداختند. آنها نتایج تحلیل عدم قطعیت به دست آمده از 1000 سری داده مختلف نمونهگیری شده - با کمک نمونه گیر مونت کارلو - جهت استفاده در دورههای آموزش و آزمون شبکه عصبی پرسپترون با دو لایه را مورد بررسی قرار دادند . و بیان نمودند که با تکیه بر نتایج معیارهای ارزیابی، قابلیت تخمین مناسب هدایت هیدرولیکی شبکه عصبی با تابع انتقال لگاریتم با اعمال توابع آموزش مختلف و حساسیت کمتر این تابع نسبت به تغییرات در دادههای آموزشی در قیاس با سایر سناریوهای مورد استفاده مشاهده گردید.
نوروزی انگنایی و همکاران در سال 1-1395، به تخمین نقاط مهم رطوبتی شامل ظرفیت زراعی و نقطه پژمردگی دائم با استفاده از دو روش رگرسیون خطی چند متغیره و شبکههای عصبی مصنوعی در منطقه سد سیستان پرداختند. آنها بیان نمودند که شبکههای عصبی مصنوعی کارایی بهتری نسبت به روش سنتی رگرسیون خطی چندمتغیره ی دارد و مقادیرR2، NRMSE و NS در بهترین مدلها برای شبکه عصبی و رگرسیون به ترتیب برابر 0/68 ، 8/79 ، 0/65 و 0/41 ، 10/09 ، 0/34 برای ظرفیت زراعی و 0/58 ، 8/56 ، 0/46 ، 0/39 و 0/39 ، 11/38 ، 0/32 برای نقطه پژمردگی دائم بدست آمده است.
قربانی و دهقانی در سال 1395، فرآیند بارش-رواناب با استفاده از شبکه عصبی بیزین، ماشینهای بردار پشتیبان و برنامهریزی بیان ژن را در لرستان، مورد بررسی قرار دادند. آنها بیان نمودند که شبکههای عصبی بیزین عملکرد بهتری نسبت به سایر مدلها در شبیه-سازی فرآیند بارش-رواناب دارند.
مازندرانیزاده و همکاران در سال 1395، به انتخاب بهترین پارامترهای شبکه عصبی بهمنظور تخمین دادههای بارش ماهانه در 36 ایستگاه هواشناسی و در طی 6 سال آماری در استان قزوین پرداختند. در پایان آنها عملکرد شبکههای عصبی چند لایه را مناسب گزارش نمودند.
شیخ اسماعیلی و همکاران در سال 1395، به ارزیابی روشهای برآورد رطوبت ظرفیت زراعی در خاکهای استان خوزستان پرداختند. نتایج این پژوهش در ارزیابی عملکرد چندین تابع انتقالی نقطهای معروف نشان داد که مدلهای نیمه تجربی متکی بر اصول فیزیکی که در سطح مزرعه مورد آزمایش قرار گرفتهاند میتواند جایگزینی مناسب برای روشهای سنتی تخمین میزان رطوبت ظرفیت نگهداری آب در خاک باشد.
نوروزی انگنایی و همکاران در سال 2-1395، به تخمین نقاط مهم رطوبتی شامل ظرفیت زراعی و نقطه پژمردگی دائم با استفاده از مدل رگرسیون بردار پشتیبان در شهرستان شاهرود پرداختند. آنها با استفاده از شاخصههای کمی ریشه میانگین مربعات خطا نرمال شده یا NRMSE، ضریب تعیین یا R 2 و میانگین جذر مجموع مجذور انحرافات خطا یا MSD، نتایج را مورد ارزیابی قرار دادند و بیان نمودند مدلهای حاصله دارای سطح خوب، همبستگی بالا و خطای کمی میباشند.
Baker و همکاران در سال 2008، بیان نمودند هنگامی که تعداد نرونهای ورودی بیشتر از سه و عدم قطعیت ها در کیفیت دادهها کوچک باشد شبکه عصبی توانمندتر از رگرسیون آماری است.
Noori و همکاران در سال 2008، برای کاهش متغیرهای ورودی به مدل SVM در پیشبینی میزان زبالههای تولیدی در شهر مشهد از تحلیل مولفههای اصلی - PCA - 1 استفاده نمودند و با مقایسهی مدل ترکیبی PCA - SVM با مدل SVM برتری مدل - PCA SVM را نتیجه گرفتند.
Lin و همکاران در سال 2010، بیان نمودند که نتایج گویای این واقعیت است روش SVM خیلی سریعتر از شبکه عصبی مصنوعی آموزش میبیند. همچنین SVM پیش بینی دقیقتری را نسبت به شبکه عصبی مصنوعی نشان داده است.
Chen و همکاران در سال 2010، از ماشینهای بردار پشتیبان برای مدل کردن بارش روزانه استفاده کردند و نتایج را با نتایج حاصل از روش آنالیز چند متغیره مقایسه نمودند و نشان دادند نتایج پیشبینیهای حاصله از SVM دقیقتر است.
Shafie و همکاران در سال 2011، برای برآورد مقادیر بارش در اسکندریه مصر با روش ANN و مقایسه با روش رگرسیون خطی چند متغییره پرداخت نمودند. آنها نشان دادند شبکههای عصبی مصنوعی نتایج بهتری را در مقایسه با روش سنتی رگرسیون خطی چند متغیره در پی داشته است.
Kakaei lafdani و همکاران در سال 2013، با استفاده از روش رگرسیون بردار پشتیبان و شبکه عصبی بهمنظور تخمین بار رسوبی رودخانه دوراج پرداختند. آنها کارایی بالای هر دو روش را گزارش نمودند.
Kaihua و همکاران در سال 2014، با استفاده از ماشینهای بردار پشتیبان، به پیشبینی ظرفیت کاتیونی در افقهای مختلف خاک در شهر چینگدائو چین پرداختند. آنها بررسیهای خود را در 208 نقطه و در دو افق خاک انجام دادند و در پایان بیان نمودند که مدل SVM پیشبینیها را بهبود میبخشد.
-2مواد و روش
در این تحقیق از دادههای زود یافت شامل بافت خاک - درصد رس، شن و سیلت - ، چگالی ظاهری و مواد آلی و دادههای دیریافت شامل ظرفیت زراعی و نقطهپژمردگی دائم، مربوط به مطالعات خاکشناسی شهرستان شاهرود موجود در مرکز تحقیقات و آموزش کشاورزی استان سمنان استفاده شدهاست. دادهها از 100 نمونه پروفیل از مناطق مختلف شهرستان شاهرود جمع آوری شده است.
اولین گام برای توسعه توابع انتقالی، ارائه روابط تجربی میان خصوصیات پایه خاک و عواملی است که باید پیشبینی شوند. این امر میتواند بهوسیله روشهای مختلف ریاضی - مانند رگرسیون بردار پشتیبان و شبکههای عصبی مصنوعی - محقق شود. در ادامه توضیح مختصری در مورد روش مورد استفاده در این پژوهش ارائه میگردد:
-1-2 شبکههای عصبی مصنوعی 2 - ANN -
شبکههای عصبی مصنوعی - ANN - ابزار ریاضی قدرتمندی هستند که با تقلید ساده از سیستم عصبی بیولوژیک ساخته شدهاند و قدرت انعطاف و تصحیحپذیری بالایی در انطباق با دادههای موجود دارند. مهمترین موضوع در این مدلها، انتخاب ورودیهای مناسب به مدل برای رسیدن به خروجیهای مد نظر میباشد.
علاوه بر آن ساختار شبکههای عصبی مصنوعی و نحوه انتخاب ارتباط بین نرونها و وزنی که هر نرون به خود اختصاص خواهد داد از اهمیت بالایی برخوردار است. ساختار یک شبکه عصبی متشکل از تعداد لایهها، تعداد نرونها در هر لایه، نحوه ارتباط لایهها با هم، روش آموزش شبکه و نحوه توزیع پارامترها میباشد. به منظور دسترسی به بهترین معماری مدل شبکه عصبی مصنوعی در پیشبینی توابع انتقالی، توابع محرک و الگوریتمهای آموزش مختلف در تعداد نورونهای متفاوت - بین 2 تا - 10 با استفاده از تولبار شبکه عصبی موجود در نرم افزار متلب، مورد بررسی قرار گرفتند.
شکل - - 1 ساختار ساده یک شبکه عصبی پرسپترون را نشان میدهد. هر نرون توسط لایهی خروجیاش به نرونهای لایه بعد متصل است ولی با نرونهای لایهی خودش ارتباط ندارد
