جایابی ویژگی های شیمیایی خاک در کلاس‌های فازی توسط شبکه عصبی مصنوعی

مدیریت سرزمین بر پایه اطلاعات مکانی ویژگی‌های خاک از پایه‌های اصلی کشاورزی پایدار است. در این مطالعه کارآیی یک شبکه عصبی مصنوعی (ann) با معماری پرسپترون چند لایه (mlp) برای جایابی نمونه‌ها در کلاس‌های فازی ویژگی-های شیمیایی خاک بررسی شد. نخست تغییرات مکانی 17 ویژگی شیمیایی 120 نمونه خاک سطحی (20-0 سانتی‌متر) با الگوریتم خوشه‌بندی فازی (fcm) در 6 کلاس بهینه با کاربست الگوریتم خوشه‌بندی فازی، رد‌ه‌بندی گردید. سپس ویژگی‌های شیمیایی و کلاس‌های فازی به ترتیب به عنوان متغیرهای پیش‌بین و هدف، تعریف و عملکرد شبکه در جایابی نمونه‌ها در کلاس‌های شش‌گانه ارزیابی گردید. زیرمجموعه‌های تصادفی 65، 15 و 20% در آموزش، اعتبار سنجی و آزمون به‌کار رفت. پس از 20 دوره محاسبات تکراری، حل شبکه همگرا شد. بر پایه ماتریس‌های پراکندگی، عملکرد mlp در دو مرحله نخست، کامل (100%) بود. اما، در آخرین مرحله (آزمون) به دلیل یک مورد خطا در جایابی، صحت پیش‌بینی 8/95% به دست آمد. اگرچه منطقا با یک مجموعه داده بزرگتر و ناهمگن‌تر احتمال خطا بیشتر خواهد بود، عملکرد mlp فرای انتظار بود و در کار پیش‌بینی بسیار خوب ارزیابی گردید. در گام‌های آتی می‌توان عملکرد ann را در پیش‌بینی مکانی مورد بررسی قرار داد.