ارزیابی عملکرد رگرسیون چندمتغیره، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن در تخمین برخی خصوصیات خاک

سابقه و هدف: با ظهور سیستم‌های کامپیوتری در کنار سامانه‌ اطلاعات جغرافیایی و دسترسی به داده‌های رقومی مکانی، روش‌های مختلف داده‌کاوی، مدل‌سازی و تخمین خصوصیات خاک، جایگاه خود را در علوم خاک و پدومتری باز کرده است. داده‌کاوی خصوصیات خاک با استفاده از روش‌های آماری کامپیوتر محور به کشف الگوهای پنهان در بانک اطلاعاتی داده‌ها می‌پردازد که در نهایت منجر به برازش مدل به منظور استفاده و تخمین خصوصیات خاک می‌گردد. یکی از کاربردهای مهم این روش‌ها استفاده در معادله اسکورپن می‌باشد. دو جز اصلی معادله اسکورپن شامل متغیرهای محیطی و برنامه یادگیری می‌باشد. این مطالعه با هدف ارزیابی و مقایسه سه مدل عددی شامل روش رگرسیون چندگانه خطی، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن به عنوان برنامه یادگیری (تابع f) در معادله اسکورپن با استفاده از داده‌های دورسنجی، توپوگرافی و پوشش گیاهی به عنوان داده‌های کمکی به منظور تخمین خصوصیات خاک از جمله کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع انجام گرفت. مواد و روش‌ها: این پژوهش، در مراتع بخش باجگیران در استان خراسان رضوی و با مساحت 1225 هکتار انجام شد. به منظور بررسی پوشش گیاهی و خاک، تعداد 137 واحد مورد بررسی قرار گرفت. در هر واحد کاری 3 تا 5 پلات با فاصله 10 متر و در امتداد یک برش انتخاب شدند و نوع و تعداد گونه گیاهی و درصد پوشش گیاهی درون پلاتها ثبت گردید. سپس یک نمونه خاکی در هر برش و در مجموع 137 نمونه خاکی از سطح منطقه مورد مطالعه برداشته شد. داده‌های توپوگرافی منطقه از نقشه dem، داده‌های طیفی و باندهای مختلف از تصاویر سنجنده etm و شاخص‌های تنوع گیاهی و درصد پوشش گیاهی اندازه‌گیری شد و به عنوان متغیرهای کمکی در پیش‌بینی کربنات کلسیم معادل، رس، چگالی ظاهری، نیتروژن کل، کربن آلی، شن، سیلت و ظرفیت رطوبت اشباع به کار گرفته شدند. به منظور کاهش تعداد داده ورودی در شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن از نتایج pcr استفاده گردید سپس عملیات نرمال‌سازی و استانداردسازی بر روی داده‌ها صورت گرفت. یافته‌ها: نتایج حاصل از ارزیابی مدل‌های رگرسیون چندگانه، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن براساس آماره‌های ارزیابی شامل میانگین اریبی خطا (mbe)، ریشه میانگین مربعات خطا (rmse) و ضریب تبیین (r2) در فاز آزمون نشان داد که شبکه عصبی مصنوعی پرسپترون، با توجه به مقادیر ضریب تبیین بالاتر برای کربنات کلسیم، رس، نیتروژن کل، کربن آلی، شن، سیلت، ظرفیت رطوبتی و چگالی ظاهری به ترتیب با مقادیر 0.72، 0.46، 0.67، 0.77، 0.62، 0.7، 0.85 و 0.69 و همچنین مقادیر خطای rmse کمتر با مقادیر به ترتیب 7.46، 4.46، 0.03، 0.27، 5.6، 3.55 و 4/ 3 درصد برای کربنات کلسیم معادل، درصد رس، نیتروژن کل، کربن آلی، درصد شن، درصد سیلت، ظرفیت رطوبت اشباع و 0.08 گرم بر سانتی مترمکعب برای چگالی، بهترین نتایج را از بین روشهای مورد مقایسه نشان داد. روش شبکه عصبی مصنوعی توانست 60 تا 85 درصد تغییرپذیری خصوصیات مورد بررسی را نشان دهد که از بین خصوصیات مختلف، بهترین تخمین برای ظرفیت رطوبت اشباع خاک با 0.85=r2 و کربن آلی با 0.77=r2 بود. نتیجه‌گیری: نتایج ارزیابی تخمین خصوصیات خاک از طریق سه مدل عددی که بهترین نتایج بدست آمده برای مدل شبکه عصبی مصنوعی پرسپترون بدست آمد. نتایج اعتبارسنجی مدل شبکه عصبی مصنوعی نشان داد که مقدارmbe مدل برای متغیرها نزدیک به صفر بوده و این امر موید این مطلب است که برازش، توسط مدل ایجاد شده نااریب بوده است. مقدار rmse پایین مدل نیز نشان دهنده دقت مناسب و قابل قبول برآورد برای متغیرهای خاک می‌باشد. نتایج الگوریتم بیان ژن نیز حاکی از دقت بالاتر این روش نسبت به رگرسیون خطی برای اکثر خصوصیات خاک بود.