بخشی از مقاله
چکیده
یکی از مراحل مهم و پیچیده برای مدلسازی غیر خطی، 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 مدل سازی پتاسیم قابل جذب استفاده شد. 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 مدل سازی پتاسیم قابل جذب در منطقه میانکنگی میباشند.
همچنین با استفاده از خروجی آزمون M تعداد 112 داده 60 - درصد داده ها - برای بخش آموزش مدل سازی 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 داده های ورودی؛ برخوردار می باشد. نتایج حاصل از مدلسازی نیز بیانگر آن بود که روش عصبی فازی توانایی و عملکرد بالایی در برآورد مقدار پتاسیم قابل جذب در خاک های منطقه میانکنگی را داشته است
مقدمه
اخیرا در زمینه مسایل خاکشناسی توابع انتقالی توسعه یافته با استفاده از روشهای هوش محاسباتی توسط محققان بسیاری مورد استفاده قرار گرفته است و تقریباً نتیجه تمامی پژوهشهای پیشین نشان میدهد که این مدلها حداقل به اندازه بقیه روشهای مورد استفاده خوب عمل میکنند و به خوبی بر مفروضات آماری درگیر با توابع انتقالی فائق می آیند
پژوهشگران علوم کشاورزی از روشهای هوشمند در شبیه سازی پارامترهایی چون میزان تبخیر-تعرق هفتگی - Landeras et al,2009 - ، تبخیر روزانه - Piri et al,2009 - ، پیش بینی درصد سدیم تبادلی - هاشمی و همکاران، - 1394، پیش بینی سیلاب - Mukerji et al, 2009 - ، تخمین میزان فرسایش خاک - Kim and Gilley, 2008 و مدلسازی کربن آلی خاک - غلامعلی زاده و همکاران، - 1393 بهره برده اند. با این حال، با اینکه مطالعات زیادی برای مدلسازی و پیشبینی ویژگیهای خاک با روشهای مختلف انجام شده است. ولی، هنوز مسائل حل نشده فراوانی در این زمینه وجود دارد. انتخاب بهترین ترکیب متغیرهای ورودی مدل برای پیشبینی دقیق در علوم خاک یکی از آنها می-باشد.
در زمینه مدل سازی مسایل مربوط به خاک این سوال مطرح است که اولا کدام متغیرها به عنوان ورودی برای مدلسازی مناسب میباشد و ثانیا چند درصد از دادههای مشاهداتی لازم است برای آموزش مدل در نظر گرفته شود. یکی از مراحل مهم و پیچیده برای مدلسازی غیر خطی، پیش پردازش دادههای ورودی به منظور انتخاب ترکیبی مناسب از آنها در مدل می-باشد. این کار سبب کاهش مراحل سعی و خطا و شناخت مهمترین متغیرهای موثر بر پدیده مورد نظر در مدلسازی میگردد.
برای این منظور تا به حال از روشهای مختلف مانند روش تجزیه به مولفههای اصلی Noori - و همکاران - 2009 و آزمون گاما Moghaddamnia - و همکاران - 2008 استفاده شده است. با این حال، این روش در مطالعات مرتبط با عناصر ضروری خاک؛ از جمله پتاسیم در تحقیق حاضر؛ و به ویژه در کشور ما به ندرت استفاده شده است. بنابراین، هدف از انجام این مطالعه یافتن بهینه ترکیب متغیرهای ورودی - شامل ویژگیهای زودیافت خاک - در مدلسازی، تشخیص تعداد بهینهی دادههای مربوط به آموزش مدل و پیشبینی پتاسیم قابل جذب در خاکهای منطقه میانکنگی میباشد.
مواد و روشها
منطقه مورد مطالعه - منطقه میانکنگی - در سی کیلومتری شرق شهرستان زابل هم مرز با کشور افغانستان، مابین عرضهای جغرافیایی 31 04 51" تا 31 08 17" شمالی و طول جغرافیایی"61 44 49 تا 61 49 56" شرقی واقع شده است - شکل شماره . - 1-3 مساحت منطقه 4500 هکتار، متوسط ارتفاع از سطح دریا 489/2 متر و کاربری منطقه کشاورزی، مرتع و همچنین زمین های غیر قابل استفاده است. متوسط بارندگی سالیانه 55 میلی متر، و تبخیر و تعرق از سطح منطقه 4500 تا 5000 میلیمتر میباشد. میانگین دراز مدت درجه حرارت منطقه 21/7 درجه و حداقل حرارت مطلق -7 درجه سانتیگراد میباشد
شکل - 1 نقشه جغرافیایی سطح منطقه نمونه برداری؛ میانکنگی، زابل، سیستان
نمونهبرداری خاک با فواصل 500 در 500 متر از عمق 0 تا 30 سانتیمتر انجام گردید و تعداد 186 نمونه خاک برداشته شد. برای این منظور بر روی نقشههای توپوگرافی منطقه، شبکههایی با فواصل تقریبی 500 در 500 متر پیاده و مختصات آنها بر اساس سیستم مختصات متریک تعیین شد. پس از ورود مختصات نقاط به GPS1، برداشت نمونهها انجام گردید. سپس نمونههای تهیهشده در مجاورت هوای آزاد، خشک و به نرمی کوبیده شده و از الک 2 میلیمتر - 10 mesh - عبور داده شدند. پس از آن، pH و هدایت الکتریکی نمونهها در نسبت 1 به 1 آب به خاک اندازهگیری شد. کربن آلی به روش تیتراسیون با آمونیوم فروسولفات نیمنرمال، پتاسیم قابل جذب خاک با استفاده از استات آمونیم یک نرمال - pH=7 - ، آهک به روش تیتراسیون اسید اضافی با سود و بافت نمونههای خاک به روش هیدرومتری تعیین گردید
آزمون گاما
آزمون گاما یک روش غیر متغیری است و نتایج آن صرف نظر از تکنیکهای خاص برای مدلسازی به کار برده میشود. با این تست مقدار میانگین مربعات خطای مدل پیش از استفاده محاسبه و ترکیب بهینه متغیرهای ورودی شناسایی میشود. بنابراین، آزمون گاما را میتوان به عنوان ابزاری مناسب برای یافتن بهترین ترکیب از متغیرهای ورودی به مدل غیر خطی در نظر گرفت. در واقع آزمون گاما تخمینی از حداقل میانگین مربعات خطای آن بخش از دادهها است که با مدل خطی نمیتوان آنها را تعیین کرد. در شرایطی که تعداد متغیرهای ورودی زیاد باشند با استفاده از آزمون گاما میتوان بهترین ترکیب از میان تمام حالات ممکن را تشخیص داد. هم چنین با استفاده از آزمون M تعداد بهینه دادههای ورودی در بخش آموزش مدل-سازی تشخیص داده میشود. آزمون M در واقع رسم نمودار تغییرات مقدار آماره G و یا خطای استاندارد در مقابل تعداد دادهها میباشد. در نقطهای که این دو نمودار تقریبا به حالت افقی و پایدار میرسند آن نقطه تعیین کننده تعداد نقاط کافی جهت استفاده در بخش آموزش مدلسازی میباشد .
مدلسازی
سیستمهای عصبی-فازی جهت طراحی و آموزش، نیازمند یک سری دادههای ورودی و خروجی میباشند تا با تجزیه و تحلیل منطقی این دادهها به عنوان نمونه، بتوان روابط غیر خطی یا نامشخص بین آنها را استخراج و کار شبیه سازی را برای موارد احتمالی مشابه انجام داد. وارد کردن دادهها به صورت خام به شبکه باعث کاهش سرعت و دقت آن میشود. برای اجتناب از چنین شرایطی و همچنین یکسان نمودن ارزش دادهها، قبل از آموزش شبکه عصبی، دادههای ورودی به آن بایستی استاندارد شوند . - Kumar et al., 2002 - همچنین، از آنجایی که دادههای استفاده شده برای مدل سازی پتاسیم قابل جذب ابعاد متفاوتی دارند و مقادیر آنها اختلاف زیادی با هم داشتند مبادرت به نرمال سازی دادهها شد. رابطه - 1 - برای نرمالسازی استفاده گردید.
که xn بیانگر مقدار نرمال شده، x نشان دهنده مقدار واقعی، xmin نشان دهنده مقدار حداقل و xmax معرف مقدار حداکثر پارامتر است.
در این مطالعه نرم افزار win-Gamma برای یافتن بهینه ترکیب متغیرها و تعداد نقاط کافی برای بخش آموزش مدل به کار گرفته شد. همچنین برای ارزیابی عملکرد مدلها از آمارههای ضریب تبیین - R2 - و RMSE استفاده شد.
