بخشی از مقاله
مقدمه
ارزیابی کمّیبا توجه به کیفیت و ویژگیهای هر زمین، امری ضروری در راستای برنامهریزی استفاده پایدار از اراضی است. از آنجا که این روش نیازمند دادههای ورودی دقیق و متنوع است، بنابراین در بیشتر مواردروشی پرهزینه و زمانبر به شمار میرود. یک راهکار سودمند در این زمینه، بسط مدلهای کمّی پیشبینی مقدار محصول و تعمیم آن با دقت قابل قبول به سایر مناطق است - ایوبی و جلالیان، . - 1385 مدلهایی که تاکنون برای تخمین محصول ارائه شدهاند، به دو دسته مکانیستیک و تجربی قابل تفکیک هستند.
مدلهای مکانیستیک با استفاده از توابع ریاضی قادرند که فرآیندهای فیزیکی، زیستی و شیمیایی را مدلسازی نمایند. با وجود آنکه در این مدلها میتوان به تخمین مقادیری خارج از دامنه دادهها پرداخت، لیکن این روشها معمولاً پیچیده هستند. شبکههای عصبی مصنوعی 1 - ANN - یکی از مدلهای توانمند تجربی است که نسبتاً ساده بوده و در عین حال نتایج آن قابل مقایسه با مدلهای ریاضی است . - Kaulet al., 2005 -
امروزه از شبکههای عصبی مصنوعی برای مدلسازی در بسیاری از علوم استفاده میشود. با این وجود سابقه کاربرد این روش در پیشبینی مقدار محصول در اراضی،بسیار اندک است.Kaulو همکاران - 2005 - در پژوهش خود توانایی تخمین محصول ذرت و سویا را برای شرایط اقلیمی معمولMarylandآمریکا باANNبررسی و با روش رگرسیون خطی مقایسه کردند. برای این منظور از دادههای درجهبندی شده خاک به روش-USDA NRCSبرای رشد محصول و مقدار بارش هفتگی استفاده شد.
نتایج حاصل نشان داد که پیشبینی با ANNبرای هر دو محصول در مقایسه با مدل رگرسیون خطی، ضریب تبیین بیشتر و مقدار خطای باقیمانده کمتری دارد. بنابراین مدل شبکه عصبی روشی برتر بادقت بیشتر در تخمین مقدار محصول است.Uno و همکاران - 2005 - نیز از شبکههای عصبی مصنوعی برای پیشبینی و تهیه نقشه مقدار محصول ذرت طیّ فصل رشد با استفاده از عکسهای هوایی طیفی در کانادا، استفاد کردند.
در پژوهش آنها نتایج حاصل از ANN با برخی روشهای ساده و متداول مقایسه شد. نتایج حاصل از شبکههای عصبی در حدود %20 دقت بیشتر در تخمین مقدار محصول نسبت به سایر روشهای معمول داشت. در این پژوهش پتانسیل تولید برخی اراضی تحت کشت گندم به عنوان یک محصول استراتژیک در ایران، به کمک ANNمدلسازی و با روش ارزیابی کمّی پارامتریک به عنوان روش معمول حال حاضر در کشور، مقایسه شد.
مواد و روشها
یکی از بهترین شبکههای عصبی مصنوعی برای حل مسائل پیچیده و غیرخطّی، شبکههای پرسپترون چندلایه - 2 - MLP با آموزش تحت سرپرستی و الگوریتم پسانتشار 3 - BP - خطا میباشند - فلامکی و اسکندری، 1391در - . حالت کلّی، شبکههای MLP واجد سه لایه ورودی، پنهان و خروجی هستند. دادههای کاربردی در مدلسازی با این شبکهها، از ابتدا باید به دو دسته دادههای آزمایش و آموزش تفکیک شوند - نوابیان و همکاران، . - 1383در این شبکه بدنه اصلی از تعدادی گره و پارهخطهای جهتدارکه گرهها را به هم متصل میکنند، تشکیل یافته است. در الگوریتم BP،هر یک از ورودیها - X - به شبکه از پارهخطهای جهتدار عبور کرده و وزن - W - مربوط به خود را مییابند.
که در آن W0، یک مقدار ثابت به نام چوله وزن5است . - Wasserman, 1989 - بدینترتیب هر الگوی ورودی از مجموعه دادههای آموزش، از میان تمام لایههایشبکه عبور میکند. سپس با مقایسه خروجی شبکه با خروجی واقعی، مقدار خطا محاسبه میشود. این خطا به صورت پس انتشار در شبکه بازگشت داده میشود تا وزنهای اتصال دهنده گرهها دوباره تنظیم شوند. این روند تا حصول نزدیکترین خروجی به دادههای واقعی ادامه مییابد.
در ارزیابی اراضی به کمک این شبکهها میتوان بین کیفیت و خصوصیات اراضی با مقدار تولید محصول ارتباط برقرار نمود. اطلاعات مورد نیاز برای آموزش و آزمون شبکهMLP در این پژوهش، از پنج منطقه جدا گردید. این مناطق شامل دشت فلاورجان اصفهان، دشت آبخور شهید چمران اهواز، دشت نیریز، دشت سروستان و سپیدان استان فارس بود. متغیرهای ورودی برای هر واحد اراضی در شبکه، شاخص اقلیم، سطح مدیریت، درصد شیب، عمق کروما کمتر از 2، میکرورلیف - - cm، عمق آب زیرزمینی، سیلگیری، بافت و ساختمان، درصد سنگریزه، عمق خاک، میزان آهک و گچ، pH خاک، EC - dS/m - و ESP، مطابق با روش پارامتریک در نظر گرفته شدند تا نتایج حاصل از مدل با روش مذکور قابل مقایسه باشد.
ورودیهای کیفی به روش درجهبندی با اختصاص عدد مناسب، کمّی شدند. خروجی شبکه نیز مقدار تولید واقعی گندم - متوسط چند ساله زارع در کشت آبی - در واحد اراضی مربوطه در نظر گرفته شد. تعداد واحد اراضی بکار رفته برای آموزش و آزمون شبکهMLPدر این پژوهش،به ترتیب 60 و 15 واحد بود که به تصادف از میان دادهها انتخاب شدند.سپس به کمک نرمافزار MATLABمدلسازیانجام شد.برای محاسبه بهترین آرایش لایه پنهان، نوع تابع محرک، الگوریتم آموزشی و تعداد تکرار در مرحله آموزش، رابطه خاصی وجود ندارد.
بنابراین برای دستیافتن به بهترین ساختارANN در هر مسأله مدلسازی نیاز به آزمون ساختارهای متعدد است - فلامکی و همکاران، . - 1392 به منظور ارزیابی اعتبار شبکههای پیریزی شده برای تخمین مقدار گندم در هر واحد اراضی، از تحلیل خطاهای باقیمانده و اختلاف بین مقادیر اندازهگیری و پیشبینی شده استفاده شد. آمارههای لازم برای این کار حداکثر خطا - ME - ، میانگین ریشه دوم خطا - RMSE - ، ضریب تبیین - CD - ، کارآیی مدلسازی - EF - و ضریب باقیمانده - CRM - بودند - فلامکی و اسکندری، . - 1391
نتایج و بحث
بهترین شبکه بدست آمده با کاربرد دادههای آموزش در این پژوهش، شبکهای با 3 لایه، با آرایش نرونها به صورت 1-6-15 - به ترتیب تعداد نرونها در لایه ورودی، پنهان و خروجی - و تابع محرک تانژانت سیگموئید بود. بنابراین مقادیر خروجی برای دادههای آزمون نیز با همین شبکه محاسبه شد. در شکل 1 مقدار تولید گندم پیش-بینی شدهبا مدل MLPو روش پارامتریک در 15 واحد اراضی آزمونی با مقادیر واقعی آن مقایسه شده است. خط تناظر یک به یک نیز در این نمودارها نمایش داده شده است. هرچقدر پراکنش دادهها در اطراف این خط کمتر باشد مدل در تخمین مقادیر خروجی بهتر عمل کرده است.در مدل MLP، ضریب همبستگی میان تولید واقعی در واحدهای اراضی آزمونی با تولید پیشبینی شده، برابر 0/95 و در روش مرسوم پارامتریک برابر با 0/90، بود.
