مقاله کاربرد مدل شبکه عصبی مصنوعی در تخمین کلاس تناسب اراضی

بخشی از مقاله

چکیده

در دهههای اخیر مدل شبکه عصبی مصنوعی - ANN - ، کاربرد گستردهای در علوم زیست محیطی و کشاورزی از جمله ارزیابی تناسب اراضی به خود اختصاص داده است که در پی الگوسازی روابط بین خصوصیات اراضی و میزان تولید محصول میباشد. در پژوهش حاضر از مدل شبکه عصبی پرسپترون چند لایه - MLP - با الگوریتم پس انتشار خطا به منظور پیشبینی کلاس تناسب کیفی بخشی از اراضی منطقه نوشآباد کاشان برای کشت یونجه آبی استفاده شده است.

اطلاعات مربوط به نیازهای خاکی و اقلیمی به عنوان ورودی و کلاس تناسب کیفی به عنوان خروجی مدل لحاظ شدهاند. همچنین از مدل فائو جهت مقایسه و سنجش توانایی شبکه عصبی استفاده گردید. نتایج نشان داد که تکنیک شبکه عصبی با ضریب تبیین بیشتر - R2=0/78 - و جذر میانگین مربعات خطای کمتر - RMS=0/036 - نسبت به روش فائو، کارایی بیشتری جهت پیش بینی و برآورد کلاس تناسب کیفی اراضی دارد.

مقدمه

در سالهای اخیر شاهد رشد روزافزون کاربرد هوش محاسباتی در حل مسائلی هستیم که اصلاً یا راه حل مشخصی ندارند و یا به راحتی قابل حل نیستند

از آنجاییکه شبکههای عصبی دارای توانایی یادگیری میباشند؛ بنابراین می توانند برای بهبود عملیات طبقهبندی کاربرد زیادی داشته باشند . در واقع شبکههای عصبی یکی از روش های پرطرفدار در حل مسائل طبقهبندی میباشند 

شبکههای عصبی در مقایسه با روشهای سنتی طبقهبندی، غیرخطی و غیر پارامتریک میباشند و در مواردی که جمعآوری اطلاعات آسان باشد؛ اما شناخت ساختار اطلاعات و روابط بین آنها به راحتی امکانپذیر نباشد، شبکه عصبی مصنوعی بسیار مفید و کارساز خواهد بود

شبکه عصبی، شبیه سازی از دستگاه عصبی انسان است و در واقع تقلیدی از مغز و شبکه اعصاب انسان میباشد. در این شبکه سعی بر این است که ساختاری تهیه شود که همانند مغز، قدرت یادگیری، تعمیمدهی و تصمیمگیری داشته باشد

در این گونه ساختارها هدف این است که با معرفی عملکرد یک سیستم دینامیکی، مدل را آموزش داده، چگونگی عملکرد سیستم را در حافظه مدل ذخیره و از آن برای مواردی که قبلا با آن مواجه نشده است، استفاده شود. به دلیل توانایی این شبکهها در مدل سازی فرآیندهای بسیار پیچیده که تعداد عوامل تأثیر گذار در آنها زیاد است، امکان استفاده از آ نها در علوم کشاورزی بسیار فراهم میباشد .

شبکههای عصبی مصنوعی شامل مجموعه ای از نرونهای به هم متصل میباشند که به هر مجموعه از این نرونها یک لایه گفته میشود. در نهایت برای ایجاد این لایهها، نرونها به وسیله توابع فعالسازی - محرک - به یکدیگر متصل میشوند. پژوهشگران شبکههای عصبی ترجیح میدهند که از توابع محرک غیرخطی - مانند: زیگموئیدی و تانژانت هیپربولیکی - استفاده کنند

یک شبکه عصبی بهطور معمول، از سه لایه ورودی، پنهان و خروجی تشکیل شده است. لایه ورودی، فقط اطلاعات را دریافت میکند و تعداد نرونهای آن بر اساس طبیعت مسئله تعیین میشود. لایه خروجی نیز همانند متغییر وابسته عمل کرده و تعداد نرونهای آن به تعداد متغییر وابسته بستگی دارد؛ اما بر خلاف لایه ورودی و لایه خروجی، لایه پنهان هیچ مفهومی را نشان نمیدهد و صرفاً یک نتیجه میانی در روند محاسبه ارزش خروجی است. بهترین روش برای تعیین تعداد نرونهای لایه مخفی - تعداد نرون بهینه - ، روش آزمون و خطاست

ساختار یک شبکه عصبی متشکل از تعداد لایه ها، تعداد نرون ها در هر لایه، چگونگی ارتباط لایه ها با هم، روش آموزش شبکه و چگونگی توزیع پارامترها میباشد.

ارزیابی اراضی - Land evaluation - در واقع برآوردی از عملکرد زمین برای اهداف خاص را بیان میکند. هدف مهم در ارزیابی اراضی پیشبینی ظرفیت تولید ذاتی واحدهای اراضی برای یک کاربری خاص میباشد، به گونهای که کاربری اعمال شده در مدت زمان طولانی با حداقل آسیبهای محیطی و حداقل هزینههای اقتصادی همراه باشد

ارزیابی تناسب اراضی برای محصولات کشاورزی، نیازمند تلفیق اطلاعات از رشتههای مختلف علوم بوده و تناسب انواع کاربریهای اراضی را با در نظر گرفتن معیارهای گوناگون، برای منطقه مورد نظر، ارزیابی می کند. تعیین تناسب اراضی به دلیل نیاز به صرف هزینه و زمان زیاد برای اندازهگیری ویژگیهای مختلف و تغییرپذیری مکانی و زمانی فراوان آنها، اغلب با دشواریهایی همراه است

بنابراین استفاده از روشهایی که بتوانند تناسب اراضی را با استفاده از پارامترهای زودیافت خاک با دقت مناسب تخمین بزنند، لازم به نظر میرسد. استفاده از توابع انتقالی یکی از روشهای غیرمستقیم میباشد که میتوان با استفاده از آنها از ویژگیهای زودیافت خاک، ویژگی های دیریافت خاک را تخمین زد - کائو و هانت، . - 1996 در این میان استفاده از شبکههای عصبی مصنوعی یکی از روشهای بدست آوردن توابع انتقالی خاک است که در سالهای اخیر مورد توجه قرار گرفته است.

این تکنیک هوشمند در چند ساله اخیر کاربردهای مناسبی را در علوم زیست محیطی، مهندسی و کشاورزی به خود اختصاص داده است. در این ارتباط یک شبکه عصبی ضمن فراگیری، قادر است ظریفترین الگوهایی که توسط روشهای مرسوم ممکن است از دست برورد، مورد شناسایی قرار داده و استخراج نماید

یکی از مهمترین کاربردهای شبکههای عصبی در ارزیابی اراضی، برقراری ارتباط بین خصوصیات و کیفیات اراضی با میزان تولید محصول میباشد. با توجه به اینکه همواره بین خصوصیات و کیفیات اراضی و تولید محصول روابط پیچیدهای وجود دارد، روشهای مرسوم کیفی و کمی نمیتوانند این روابط گاهأ غیرخطی را الگوسازی نمایند

در راستای استفاده از شبکههای عصبی، در مدلسازی ارزیابی تناسب اراضی، مطالعهای توسط بندیباس در سال 1995 صورت گرفت. در این مطالعه، مدل شبکه عصبی به روش یادگیری پس انتشار خطا با یک لایه ورودی، یک لایه پنهان و یک لایه خروجی در نظر گرفته شد. وی توانست پس از یادگیری مدل شبکهای خود، نقشه تناسب اراضی برای کشت ذرت و برنج را در بخشی از اراضی استان کورینیو فیلیپین، به کمک سامانه اطلاعات جفرافیایی - Geographic Information - System; GIS تهیه نماید

به منظور شبیه سازی تغییرات کاربری اراضی و تاًثیرات اکولوژیکی از شبکههای عصبی مصنوعی استفاده کردند.مدل ارزیابی میکرواِلیس - MicroELIS - بر اساس شبکههای عصبی مصنوعی، توسط جعفرزاده و شهبازی - 2010 - به منظور ارزیابی تناسب بخشی از اراضی آذربایجان غربی برای هلو مورد استفاده قرارگرفت.

از آنجایی که بررسی تناسب اراضی یک رفتار غیرخطی و آشوب گونه است، هدف اصلی در این مطالعه ، طراحی و ارائه مدلی برای پیش بینی تناسب اراضی منطقه و میزان دقت این شبکه میباشد. برای دستیابی به این مهم، باید از روشهای هوش مصنوعی، همچون شبکههای عصبی مصنوعی استفاده نمود.

مواد و روشها

به منظور دستیابی به اهداف مورد نظر مطالعه، منطقهای که از سطح مدیریتی یکسانی برخوردار باشند، انتخاب گردید. منطقه انتخاب شده از اراضی نوشآباد واقع در شمالشرق کاشان می باشد. که بخش عمده آن به کشت محصولات زراعی از جمله یونجه، گندم و جو اختصاص دارد.

نمونهبرداری از تمامی افقهای ژنتیکی 50 پروفیل خاک حفرشده انجام گرفته و خصوصیات مختلف فیزیکی و شیمیایی نمونههای خاک هوا خشک - بافت خاک ها به روش هیدرومتری - جی و بائودر، - 1986، مقدار کربنات کلسیم معادل به روش تیتراسیون برگشتی - لوئپرت و سوآرز، - 1996، درصد گچ به روش کربنات سدیم - بریگاری و آلانی، - 1993، درصد مواد آلی به روش واکلی-بلاک - نلسون و سومرس، - 1996، پهاش و هدایت الکتریکی گل اشباع به ترتیب با استفاده از پهاش متر و هدایت سنج جنوی - Jenway - مدل - 4071 مطابق با جدول نیازهای رویشی یونجه - سایس و همکاران، - 1991 - جدول - 1 اندازهگیری شدند.

عملکرد محصول، در نقاط مشخصی که نزدیکترین فاصله ممکن از برخی پروفیلهای مورد مطالعه را داشتند، با استفاده از کوادراتی به مساحت 1 متر مربع با چهار تکرار در چهار جهت اصلی جغرافیایی بهدست آمد. در مرحله بعد، متوسط وزنی هر یک از مشخصات اراضی - معیارهای ارزیابی - از طریق اعمال ضرایب وزنی عمق برای هر پروفیل خاک محاسبه گردید

تخمین شاخص اراضی به وسیله شبکه عصبی مصنوعی

ابتد ا دادههای مورد نیاز به نرم افزار SPSS انتقال داده شده و داده های پرت شناسایی و حذف شد. پیش از آموزش شبکه عصبی، داده های ورودی به آن نرمال شدند .هدف از نرمال سازی این است که داده ها به اعدادی مابین صفر تا یک تبدیل شوند، زیرا در این پژوهش برای عناصر پردازشگر - نرونها - در لایه مخفی، تابع آستانه سیگموئیدی انتخاب گردید که خروجی این تابع اعدادی بین صفر تا یک می باشد . بنابراین باید داده های ورودی به این تابع نیز اعدادی بین صفر و یک باشند

برای ورودی های نزدیک به صفر تا یک، تغییرات وزن نرونها حداقل خواهد بود، زیرا در این اعداد، عناصر پردازشگر به دلیل شکل تابع سیگموئید، کند عمل میکنند. ولی برای مقادیر ورودیهای نزدیک به نیم، پاسخ نرونها به سیگنال ورودی سریعتر خواهد بود - واستن و همکاران، . - 1999 با در نظر گرفتن این واقعیت، نرمالسازی دادهها به گونهای انجام گرفت که میانگین سری دادهها برابر 0/5 گردد. بدین منظور از رابطه زیر برای نرمالسازی دادهها استفاده گردید.

که در آن : مقدار نرمال شده ورودی   ،  : میانگین داده ها و     و ×    بترتیب حداکثر و حداقل دادهها میباشد
به منظور مشخص کردن کلاس تناسب اراضی خاکهای منطقه، برای مدلسازی با استفاده از شبکههای MLP از یک شبکه سه لایهای پیش خور استفاده شد. شبکههای چند لایه پیشخور - Multi-layer perceptron - از مهمترین ساختارهای شبکههای عصبی مصنوعی میباشد.

این شبکهها شامل مجموعهای از واحدهای حسی میباشند که متشکل از یک لایه ورودی، یک یا چند لایه پنهان و یک لایه خروجی میباشند .سیگنال ورودی در خلال شبکه و درمسیری رو به جلو به صورت لایه به لایه منتشر میشود. این نوع شبکهها معمولا با عنوان پرسپترون چند لایه نامیده می شوند - هایکین، . - 1999 شناسایی روابط ذاتی مابین متغیرهای مستقل و وابسته از جمله کارکردهای اصلی این شبکه میباشد

در این پژوهش برای آموزش شبکه از 8 نرون در لایه ورودی، 1 نرون در لایه خروجی و تعدادی نرون در لایه میانی - با سعی و خطا - استفاده شد. برای انتخاب مقدار بهینه نرخ یادگیری و تعداد تکرار محاسباتی شبکه از روش سعی و خطا استفاده گردید.

استخراج توابع انتقالی با استفاده از ویژگی های درصد سنگریزه، بافت، درصد آهک و گچ، pH، EC، نسبت جذب سدیم و عمق خاک انجام گرفته و برای ایجاد توابع انتقالی شبکه عصبی مصنوعی از نرم افزار MATLAB استفاده شد. در این پژوهش شبکه عصبی پرسپترون چند لایه - MLP - با الگوریتم آموزشی دلتا مورد استفاده قرار گرفت. روش ورود داده ها بدین گونه بود که به صورت تصادفی 80 درصد داده ها برای آموزش و 20 درصد داده ها برای آزمون شبکه انتخاب شد

به منظور ارزیابی نتایج مدل شبکه عصبی و مقایسه آن با برآوردهای مدل فائو - سایس و همکاران، - 1991 از معیارهای مجذور میانگین مربعات خطا - RMSE - و ضریب تبیین - R2 - استفاده شد. معادلات شاخصهای مذکور به شرح زیر هستند