مقایسة روش‏های هوش مصنوعی و رگرسیون چند‌متغیره برای واسنجی دستگاه القاگر الکترومغناطیس در منطقة اردکان

چکیده
   به‌منظور واسنجی داده‏های دستگاه القاگر الکترومغناطیس از روش‏های مختلفی استفاده می‏شود. سؤال پیش رو این است که کدام یک از تکنیک‏ها قابلیت بیشتری برای برآورد غیرمستقیم داده‏های شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمع‏آوری‌شده از منطقة اردکان برای واسنجی داده‏های هدایت الکتریکی ظاهری خاک با استفاده از روش‏های رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، داده‏ها به دو سری شامل سری آموزشی (80درصد داده‏ها) و سری ارزیابی (20درصد داده‏ها) تقسیم شد. به‌منظور مدل‏سازی و برآورد شوری، از مدل‏های نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چند‌متغیره استفاده شد. نتایج ارزیابی مدل‏ها بر‌اساس شاخص‏های ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. به‏طوری‏که این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را به‌ترتیب در اعماق 15، 30، 60 و 100 سانتی‏متری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیده‏های مرتبط با خاک یا تقریبی‌بودن مقادیر اندازه‏گیری‌شده خصوصیات مختلف خاک، به‌نظر می‏رسد کارایی بالاتر مدل‏ مبتنی بر مجموعه‏های فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکه‏های عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. در‌مجموع، نتایج نشان داد روش‏های هوش مصنوعی کارایی بالاتری نسبت به روش‏های رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.چکیده به‌منظور واسنجی داده‏های دستگاه القاگر الکترومغناطیس از روش‏های مختلفی استفاده می‏شود. سؤال پیش رو این است که کدام یک از تکنیک‏ها قابلیت بیشتری برای برآورد غیرمستقیم داده‏های شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمع‏آوری‌شده از منطقة اردکان برای واسنجی داده‏های هدایت الکتریکی ظاهری خاک با استفاده از روش‏های رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، داده‏ها به دو سری شامل سری آموزشی (80درصد داده‏ها) و سری ارزیابی (20درصد داده‏ها) تقسیم شد. به‌منظور مدل‏سازی و برآورد شوری، از مدل‏های نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چند‌متغیره استفاده شد. نتایج ارزیابی مدل‏ها بر‌اساس شاخص‏های ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. به‏طوری‏که این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را به‌ترتیب در اعماق 15، 30، 60 و 100 سانتی‏متری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیده‏های مرتبط با خاک یا تقریبی‌بودن مقادیر اندازه‏گیری‌شده خصوصیات مختلف خاک، به‌نظر می‏رسد کارایی بالاتر مدل‏ مبتنی بر مجموعه‏های فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکه‏های عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. در‌مجموع، نتایج نشان داد روش‏های هوش مصنوعی کارایی بالاتری نسبت به روش‏های رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.