)مطالعة موردی: شهرستان اردکان(

نشریه مرتع و آبخیزداری مجله منابع طبیعی ایران دوره 66 شماره تابستان 139 تاریخ دریافت: 1397/1 تاریخ پذیرش: 1391/1/9 07 مقایسة روشهای نروفازی الگوریتم ژنتیک شبکة عصبی و رگرسیون چندمتغیره در پیشبینی شوری خاک )مطالعة موردی: شهرستان اردکان( روحاهلل تقیزاده مهرجردی استادیار دانشکدة کشاورزی و منابع طبیعی دانشگاه اردکان فریدون سرمدیان * استاد گروه مهندسی علوم خاک دانشکدة مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران غالمرضا ثواقبی استاد گروه مهندسی علوم خاک دانشکدة مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران محمود امید استاد گروه مهندسی ماشینآالت کشاورزی دانشکدة مهندسی و فناوری کشاورزی پردیس کشاورزی و منابع طبیعی دانشگاه تهران نورایر تومانیان استادیار پژوهشی مرکز تحقیقات کشاورزی و منابع طبیعی اصفهان محمدجواد روستا عضو هیئت علمی مركز ملی تحقیقات شوری محمدحسن رحیمیان كارشناس سنجش از دور و GIS مركز ملی تحقیقات شوری چكيده در سالهای اخیر از روشهای غیرمستقیم برای برآورد شوری خاک استفاده م یشود. بدین منظور در این پژوهش ششصد نمونة جمعآوریشده از منطقة اردکان آزمایش شد و قرائتهای افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی شامل شاخص اراضی شاخص خیسی و انحنای شیب به عنوان ویژگیهای زودیافت استفاده شد و میزان شوری خاک به صورت وزنی در اعماق 30 و 100 سانتیمتری به عنوان ویژگیهای دیریافت تخمین زده شد. در این زمینه دادهها به دو سری تقسیم شد: سری آموزشی )%80 دادهها( سری ارزیابی )%0 دادهها(. به منظور مدلسازی و پیشبینی شوری از مدلهای نروفازی شبکة عصبی مصنوعی الگوریتم ژنتیک و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدلها بر اساس شاخصهای ریشة مربعات خطا میانگین خطا خطای استاندارد نسبی و ضریب تبیین نشان داد که مدل نروفازی دارای باالترین دقت در پی شبینی ویژگیهای خاک است به طوری که این مدل به میزان 17 و 11 درصد دقت پیشبینی شوری را بهترتیب در اعماق 30 و 100 سانت یمتری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. پس از این مدل الگوریتم ژنتیک و شبکههای عصبی مصنوعی نسبت به معادالت رگرسیونی کارآیی بهتری داشت. واژگان كليدي: الگوریتم ژنتیک شوری خاک شبکة عصبی مصنوعی رگرسیون چندمتغیره نروفازی. * نویسنده مسئول تلفن: E. mail: fsarmad@ut.ac.ir 0918147017

... در چندمتغیره رگرسیون و عصبی شبکة ژنتیک الگوریتم نروفازی روشهای مقایسة 08 مقدمه خاك شوری ارزیابی و پایش برای انجامشده اقدامات است. گسترش حال در دنیا سطح در فزایندهای طور به با همراه مستقیم هبرداری نمون که است حالی در این معموال صحرایی یا آزمایشگاهی اندازهگیریهای اهداف برای نتیجه در و بوده تگیر وق و پ رهزینه سالهای در بنابراین محدودیتاست. دارای کاربردی غیرمستقیم روشهای از خاک شوری تخمین برای اخیر اخیر دهة دو در 1989(.,Bouma( میشود استفاده Rhoades( 1 ونر آرایه مانند جدید تكنیكهای از بسیاری الكتریكی هدایت پروبهای 1971( &, Ingvalson زمانی انعكاسسنجی روش 1976(,Rhoades( رودز,Mcneill( 3 الكترومغناطیسی القای روش و TDR یا در خاك شوری غیرمستقیم اندازهگیری برای 1980( تكنیك میان این در شدهاند. استفاده مزرعه شرایط اندازهگیری برای آنكه سبب به الكترومغناطیسی القای راحتی و سهولت از ندارد نیازی خاك از نمونهگیری به )001(.Triantafilis et al است. برخوردار بیشتری استفاده خاک شوری پیشبینی برای EM دادههای از برای EM دادههای از نیز )009(.Saey et al کردند. و کرده استفاده بلژیک کشور در خاک بافت شبینی پی.Sudduth et al کردند. تأیید را دادهها این کارایی خاک شوری پیشبینی برای EM38 دادههای از )001( قبولی قابل نتایج به و کردند استفاده امریکا کشور در خاک شوری پیشبینی برای این بر عالوه یافتند. دست Sheng,( کرد استفاده نیز اراضی پارامترهای از میتوان جهت )1993( McKenzie & Austin.)009,.et al مشتقات از استرالیا کشور در خاک شوری هبندی پهن از لکردن مد برای و ارتفاع رقومی نقشة ثانویة و اولیه کردند. استفاده رگرسیون روش خاک شوری میزان با متغیرها ارتباطدادن برای میتوان جمله آن از دارد وجود مختلفی روشهای هوش تکنیکهای و چندمتغیره خطی رگرسیون به فازی( سامانههای و عصبی شبکههای )تلفیق محاسباتی و بررسی برای آماری است روشی رگرسیون کرد. اشاره بسیار پژوهشهای تاکنون متغیرها. بین رابطۀ مدلسازی اب خاکها مختلف خواص مدلسازی دربارة زیادی چندمتغیرة )رگرسیون انتقالی توابع از نوع این از استفاده اشاره نمونه چند به که گرفته انجام غیرخطی( و خطی وزن تخمین برای )005(.Vos et al است. شده کردند. استفاده انتقالی تابع 1 از ظاهری مخصوص و سطحی خاک دادههای جداکردن داد نشان نتایج.Lesch et al است. نبرده باال را پیشبینی دقت زیرین دستگاه کالیبرهکردن برای رگرسیون روش از )1995( مورد معادلة بهدستآوردن از پس و کردند استفاده EM ایشان نتایج نمودند. اقدام خاک شوری پیشبینی به نظر خاک شوری و هدایتگر دادههای باالی ارتباط از حاکی القاگر دادههای از نیز )003(.Sommer et al است. کرده استفاده خاک شوری نقشة تهیة برای مغناطیسی را دستگاه چندمتغیره رگرسیون روش از استفاده با و نقشة جهت )1998(.Eklund et al کردند. کالیبره مدلسازی برای و EM دادههای از خاک شوری رقومی کردند. استفاده تصمیم درخت از فنون و شها رو بهکارگیری برای تالشهایی اخیرا است گرفته صورت توابعی چنین مدلبندی در جدید اشاره عصبی شبکههای کاربرد به یتوان م نمونه برای عصبی شبکة.)00,Minansy & McBratney( کرد مطالعة از الهامگرفته و شبیهسازی روش یک 4 مصنوعی قدرت است. زنده موجودات عصبی شبکة و مغز سیستم طبیعت از ناشی بیولوژیک سیستمهای عملکرد باالی شبکة یک آنهاست. نورونهای هریزی برنام موازی شبیهسازی توزیع با را ساختار این مصنوعی عصبی بههمپیوسته سادة و کوچک پردازشگر واحدهای در شبکههای مزیت مهمترین میدهد. انجام )نورون( توابع ایجاد روشهای به نسبت مصنوعی عصبی 1. Wenner Array. Time Domain Reflectometry 3. Electromagnetic Induction 4. Artificial neural networks

09 تا 07 صفحه از 139 تابستان شماره 66 دوره ایران طبیعی منابع مجله آبخیزداری و مرتع نشریه خاک پارامترهای پیشبینی برای که است آن انتقالی و ورودی دادههای بین ارتباطدادن در اولیه مدل یک به عصبی شبکههای دیگر مزیت ندارند. احتیاجی خروجی آنها یادگیری قدرت هوشمند سیستمهای به نسبت توانایی و پیرامونشان محیط از کوچک خیلی مقیاس در روش این در کلی طور به است. یادگیری این تعمیم مدلی دادهها میان ذاتی روابط اساس بر میشود سعی برقرار وابسته و مستقل متغیرهای بین رخطی غی یا خطی شبکههای دادند نشان )1998(.Schap et al شود. نسبت کمتر خطاهای با شبینیهایی پی میتوانند عصبی Cockx دهند. ارائه رگرسیونی متداول روشهای به شوری و EM دادههای ارتباطدادن برای )010(.et al بهکارگیری با و کرده استفاده مصنوعی شبکة از خاک تهیه را خاک شوری نقشة مدل پیشبینیشدة دادههای که کردند بیان )006(.Parasuraman et al کردند. شبکة به نسبت بهتری کارآیی مصنوعی عصبی شبکة خاک هیدرولیکی ویژگیهای تخمین در 1 رزتا عصبی شبکة در آموزش فرایند اهمیت نشاندهندة این و دارد میزان از استفاده با )005(.Amini et al است. عصبی کاتیونی تبادل ظرفیت میزان برآورد به رس و آلی مادة بر که تجربی مدل پنج و عصبی شبکة وسیلة به خاک این نتایج پرداختند. است رگرسیونی روشهای پایة سایر به نسبت عصبی شبکة روش داد نشان محققان است. برخوردار قبولی قابل برتری از روشها خصوصیات پیشبینی در مناسب روشهای دیگر از سیستم است. فازیعصبی سیستمهای از استفاده خاک منطق با عصبی شبکة ترکیب که نروفازی )مدل( شبکة آموزش الگوریتم از استفاده با است فازی این میکند. تعیین را فازی سیستم پارامترهای عصبی عدم بیانگر که فازی سیستم اساس بر ترکیبی سیستم مدلهای انواع از است. شده هگذاری پای قطعیتهاست 4 تعاونی نروفازی 3 همزمان نروفازی به میتوان نروفازی نروفازی مدلهای در کرد. اشاره 5 دورگه نروفازی و میتوان را یادگیری روند در انجامشده تغییرات دورگه تفسیر فازی منطق و عصبی شبکة منظر دو هر از تطبیقپذیر فازی سیستم به میتوان شبکهها این از کرد. توسط بار نخستین که کرد اشاره 6 عصبی شبکة بر مبتنی را فازی سیستم یک مدل این شد. معرفی )1997( Jang آموزش فرایند برای و میکند اجرا عصبی ساختاری در 7 نزولی شیب شامل آموزش روشهای از ترکیبی از 005;,Kisi( میكند استفاده 8 خطا مربعات حداقل و مدلهای بیشتر کارآیی اخیر مطالعات 000(.,Drake نشان انتقالی توابع دیگر با مقایسه در را نروفازی ایجاد برای )005( Mohammadi & Taheri میدهد. فازی و آماری رگرسیون روش دو خاک انتقالی توابع فازی رگرسیون روش داد نشان نتایج کردند. مقایسه را و است ابهام دارای متغیرها بین روابط که شرایطی در ابهام از ناشی خطاهای با که مواردی در کلی طور به و مکمل روبهروست رگرسیونی معادالت ساختار در است. آماری رگرسیون روش برای مناسبی جایگزین یا را فازی منطق قابلیت )1997( McBratney & Odeh مدلکردن و ارزیابی هبرداری نقش مانند خاک علوم در این بر عالوه دادند. نشان بهخوبی فیزیکی فرایندهای بهره مختلف زمینههای در فازی منطق از محققان برخی.)001,.Zhu et al ;006,.Feng et al( بردهاند پیشبینی از است عبارت حاضر پژوهش از هدف خشک مناطق خاکهای از بخشی خاک شوری انواع از استفاده با -اردکان یزد دشت شمالی ناحیة عصبی شبکههای قبیل از خاک انتقالی توابع مختلف نروفازی مدلهای 10 آبشاری و 9 پسانتشار مصنوعی 1. Rosetta. Neuro-Fuzzy model 3. Concurrent 4. Cooperative 5. Hybrid 6. Adaptive Neuro-Fuzzy Inference System, ANFIS 7. Gradient descent 8. Least square error 9. Feed Forward 10. Cascade Forward

مقایسة روشهای نروفازی الگوریتم ژنتیک شبکة عصبی و رگرسیون چندمتغیره در... 10 الگوریتم ژنتیک و رگرسیون چندمتغیره. در این تحقیق از دادههای EM و پارامترهای اراضی به عنوان ویژگیهای زودیافت در تخمین شوری خاک استفاده شد. بدیهی است مقایسة این روشها با یکدیگر و معرفی کارآمدترین آنها در پیشبینی پارامتر مذکور به درک صحیحی از کارایی هر یک آنها میانجامد. روششناسی 1 نمونهبرداری هایپرکیوب این روش طرح تصادفی طبقهبندیشدهای است برای نمونهبرداری مؤثر به کمک توزیع چندمتغیر. یک شبکة مربع حاوی موقعیتهای نمونه یک شبکة التین است اگر و فقط اگر یک واحد نمونهبرداری در هر ردیف و هر ستون وجود داشته باشد. یک هایپرکیوب التین تعمیم این مفهوم به تعداد اختیاری از ابعاد است به طوری که هر واحد نمون هبرداری فقط در یک صفحة آن قرار گرفته باشد. LHS شامل نمونهبرداری n ولیو از توزیع تشریحشدة هر متغیر است. توزیع تجمعی هر متغیر به n فاصله با احتمال مساوی تقسیم میشود و یک ولیو از هر فاصله تصادفی انتخاب میشود. سپس n ولیو بهدستآمده برای هر متغیر با متغیرهای دیگر جفت میشود. این روش پوشش کاملی از هر متغیر را ایجاد میکند. McBratney(,Minasny &.)006 بر اساس تکنیک هایپرکیوب محل 151 پروفیل در منطقة اردکان به وسعت 78000 هکتار انتخاب شد )شکل 1(. شكل 1. موقعيت منطقة مورد مطالعه و پراكنش نقاط نمونهبرداري شکل 1. موقعیت منطقة مورد مطالعه و پراکنش نقاط نمونهبرداری 1. Latin hypercube method

نشریه مرتع و آبخیزداری مجله منابع طبیعی ایران دوره 66 شماره تابستان 139 از صفحه 07 تا 11 سپس تعداد 600 نمونه خاک از عمقهای مختلف جمعآوری و پس از انتقال به آزمایشگاه در معرض هوا خشک شد سپس این نمونهها کوبیده و از الک دو میلیمتر عبور داده و میزان شوری خاک در عصارة اشباع اندازهگیری شد al(,.sparks et 1996(. همچنین در محل پروفیلها قرائتهای دستگاه EM38 در دو جهت عمودی افقی و در دو وضعیت انجام گرفت. ي 3 3 بر روي در مرحلة بعد پارامترهای اولیه و ثانویة اراضی شامل شیب جهت شیب انحنای شیب شاخص خیسی طول شیب و شاخص اراضی مطابق با روش ارائهشدة.Hengel et al )004( توسط نرمافزار SAGA در محل پروفیلها استخراج شد. مبنای محاسبة شاخصهای مذکور ایجاد یک شبکة سلولی 3 3 بر روی تصویر است )شکل (. تصوير است (شكل 1. Mean Curvature مشتقات الزم برای محاسبة شاخصهای پستی و بلندی به شرح زیر است al(,.moore et 1991(. متحرک متح 3 3 3 3 آرایة آراية یک يك DEM با با شبکة شبكة ساختار ختار شکل. G H df dx df dy d f D dx d f E dx Z3 Z6 Z9 Z1 Z 4 Z7 6. p Z1 Z Z3 Z 4 Z8 Z9 6. p Z1 Z3 Z3 Z4 Z6 Z7 Z9. Z Z5 Z8 3. p Z1 Z Z3 Z7 Z8 Z9. Z 4 Z5 Z6 3. p d f Z3 Z7 Z1 Z9 F dx dy 4. p Z5 Z1 Z Z3 Z4 Z6 Z7 Z8 Z9 s. 9 SLOPE :( :( H G ين انحناي سطح زمين )1( )( )3( )4( )5( )6( 17 انحنای ماکزیمم شیب )β( جهت شیب )ψ( و میانگین (000 ين انحناي سطح زمين عبارتاند از سطح زمین 1 عبارتاند از Gallant(,Wilson & :)000 عبارتاند از (000 )7(

... در چندمتغیره رگرسیون و عصبی شبکة ژنتیک الگوریتم نروفازی روشهای مقایسة 1 MEANC 1 H. D. G. H. F. 1 G. E 1.. 1 G H 5 H ASPECT arctan G A s w In tan )8( )9( مکانی توزیع از شاخصی عنوان به 1 رطوبتی شاخص )10( معادلة با که زمیننماست طول در خاک رطوبت است. محاسبهشدنی )10( درجة β و حوزه ویژة سطح As مقدار معادله این در.)1987,Zevebergen & Thorne( است شیب سنجندة ماهوارهای تصاویر از مطالعه این در همچنین به مربوط سنجنده این تصاویر شد. استفاده ETM پس است. 1381 مرداد 19 با مصادف 00 آگوست NDVI شاخصهای خطاها رفع و تصویر آمادهسازی از مؤثر پارامترهای انتخاب برای شد. محاسبه روشنایی و شانون آنتروپی تکنیک از خاک شوری تغییرپذیری بر که است این فوق روش ایدة 11(. )معادلة شد استفاده آن باشد بیشتر شاخص یک مقادیر در پراکندگی چه هر بیشتری اهمیت از شاخصها دیگر به نسبت شاخص.)009,Soleimani & Zarepisheh( است برخوردار استفاده EXCEL نرمافزار از ورودیها رتبهبندی برای شد. ده شد. E ij k ( pij ln pij ) )11( ماتریس درایههای P آنتروپی E آن در که ij ij است. ضریب و نرمالشده انتقالی توابع و مستقل( )متغیرهای ی ورود عوامل واردکردن از پس وابسته( )متغیر خروجیها عنوان به خاک شوری میزان آزمون نرمالبودن و همراستایی نظر از آنها همة -اسمیرنوف کولموگروف آزمون از استفاده با شدند. رگرسیون در اگر شد. بررسی دادهها نرمالبودن خطی وابستگی مستقل متغیرهای بین خطی چندگانة میآید. بهوجود چندگانه همراستایی شود مشاهده قوی بین همبستگی رابطة از همراستایی کنترلکردن برای همبستگی که متغیرهایی و شد استفاده مستقل متغیرهای Ghorbani )& شدند حذف داشتند یکدیگر با زیادی.)00,Homaei مصنوعی ی عصب شبکة تابع دارای كه مخفی الیة یك با شبكهها تحقیق این در فعالسازی تابع و مخفی الیة در سیگموئید فعالسازی آن نورونهای تعداد و بود خروجی الیة در خطی نورون تعداد بهترین و بود متغیر نورون 10 تا از شد. بررسی گردید تعیین خطا و سعی صورت به لونبرگ آموزشی الگوریتم از تحقیق این در همچنین باال سرعت و سادگی كارآیی علت به ماركوارت Minansy & ;005,.Amini et al( شد استفاده.)009,Menhaj ;1999,McBratney ANFIS مدل ساختار به میتوان را فازی مجموعههای ساختار این در خروجی و ورودی متغیرهای و ارتباطات وزن عنوان یادگیری الگوریتم و کرد تفسیر نورونها عنوان به را میکند. اصالح را آنها دو هر یا و پارامترها ساختارها تابع نوع پارامتر چند باید شبکه این ایجاد برای اپوک تعداد و یادگیری روش تابع تعداد عضویت خطا و سعی با حاالت همة کار این برای شوند. بهینه میآید. بهدست 3 ژنتیک الگوریتم که است هنویسی برنام تکنیک یک ژنتیک الگوریتم استفاده مسئله حل الگوی عنوان به ژنتیکی تکامل از 1. Wetness Index. Multicolinearity 3. Genetic Algorithm

13 تا 07 صفحه از 139 تابستان شماره 66 دوره ایران طبیعی منابع مجله آبخیزداری و مرتع نشریه )14( a b RI ( ) 100 )15( RMSEa مقادیر Z p پیشبینیشده مقادیر Z 0 آنها در که تعداد n مشاهداتی مقادیر متوسط Zave مشاهداتی و اول روش خطای مربعات میانگین مجذور دادهها است. دوم روش خطای مربعات میانگین مجذور این در.)005,Ahmed & Simonovic( میکند نامیده»جمعیت«که ثابت تعدادی برای نخست روش هدف پارامترهای و دادهها از مجموعهای میشود مجموعه این برابر در افراد و میشود تولید تصادفی یقاب آنها بترین مناس و میشوند آزمایش دادهها از فرایند این و میدهند شکل را جدید نسل و میمانند میشود. تکرار بهینهسازی تا بعدی نسلهای برای مدلها ارزیابی الگوریتم ANFIS مدلهای عملکرد مقایسة منظور به از چندمتغیره رگرسیون و مصنوعی عصبی شبکة ژنتیک بهبود خطا میانگین 1 نسبی استاندارد خطای پارامترهای روابط از که 4 خطا مربعات میانگین مجذور و 3 نسبی شد استفاده محاسبهشدنیاند )15( و )14( )13( )1(.)005,.Amini et al, 003,.Navabian et al( نتایج 1 ME n ( Z o Z p ) RMSE RMSE پیشپردازش پارامترهای شانون آنتروپی تکنیک از استفاده با نخست جدول در آن نتایج که شد مشخص ی مدلساز برای مؤثر عمودی قرائتهای 1 جدول اساس بر میشود. ارائه 1 خیسی شاخص 3 باند اراضی شاخص EM38 -افقی رب تأثیرگذار عوامل مترین مه بهترتیب شیب انحنای و شدند. معرفی خاک شوری تغییرات دادههای آماری معیارهای 3 و جدولهای در 0-30 عمق در شوری مقادیر برای آموزش و آزمون داده دسته دو است. شده ارائه سانتیمتر 0-100 و RMSE RSE 1 n 1 n n i1 n i1 ( Z Z ( Z o ave 0 Z p) Z ) p )1( )13( پارامتر آماري شانون آنتروپی تکنیک اساس بر خاک شوری تغییرپذیری بر مؤثر پارامترهای وزنهای 1. جدول شانون آنتروپي تكنيك اساس بر خاك شوري تغييرپذيري بر مو ثر پارامترهاي وزنهاي 1. جدول شيب انحناي 3 باند خيسي شاخص افقي قراي ت اراضي شاخص عمودي قراي ت 0 /38 0 / 36 0 / 18 0 / 001 0 / 001 0 / 00 وزن انحراف و میانگین قبیل از آماری معیارهای نظر از دو این همچنین یکدیگرند. شبیه ممکن حد تا معیار نداشتند. %5 سطح در معنیداری تفاوت داده گروه دادههای انتخاب برای )000(.Tomasella et al استفاده )دانکن( تست تی از خود تست و آزمون آموزش و آزمون دادههای بین اگر کردند بیان و کرده نتایج میتوان باشد نداشته وجود معنیداری تفاوت داشت. انتظار مدل از بهتری خطی چندمتغیرة رگرسیون عمق در شوری پارامتر چندمتغیره رگرسیون تعیین برای استفاده با مربوطه رگرسیونی رابطة سانتیمتر 100 و 30 17(. و 16 )معادلههای شد تعیین آموزش دادههای از شد اعمال آزمون دادههای روی بر روابط این سپس نسبی استاندارد خطای خطا مربعات ریشة نتایج و 54 39/68 بهترتیب تبیین ضریب و خطا میانگین سانتیمتری 30 عمق در شوری برای 66 و 9/48-1. Relative Standard Error. Mean Error 3. Relative Improvement 4. Root Mean Square Error

مقایسة روشهای نروفازی الگوریتم ژنتیک شبکة عصبی و رگرسیون چندمتغیره در... 14 جدول. پارامترهای آماری دادههای استفادهشده در مدل نروفازی شبکة عصبی و رگرسیون چندمتغیره برای شوری در عمق 0-30 سانتیمتر جدول. پارامترهاي آماري دادههاي استفادهشده در مدل نروفازي شبكة عصبي و رگرسيون چندمتغيره براي شوري در عمق 0-30 سانتيمتر پارامتر آماري شوري باند 3 انحناي شيب شاخص خيسي شاخص اراضي قراي ت افقي قراي ت عمودي 10 10 10 10 16 10 10 كمترين 90 90 90 90 90 76 88 بيشترين 7 5 14 5 6 39 8 ميانگين 18 17 09 1 07 16 0 / 1 معيار 1/79 / 0 6/ 67 15 7/ 8 6 1/ 6 كشيدگي دادهه يا آموزش( 10 ) انحراف 11 11 10 35 10 1 10 كمترين 79 73 43 84 31 65 86 بيشترين 31 7 14 51 6 37 34 ميانگين انحراف 19 16 06 1 04 14 0 / معيار 1/7 1/ 45 3/ 65 111-40 65 88 كشيدگي دادهه يا اعتبارسنجي( 31 ) جدول 3. پارامترهای آماری دادههای استفادهشده در مدل نروفازی شبکة عصبی و رگرسیون چندمتغیره برای شوری در عمق 0-100 سانتیمتر جدول 3. پارامترهاي آماري دادههاي استفادهشده در مدل نروفازي شبكة عصبي و رگرسيون چندمتغيره براي شوري در عمق 0-100 سانتيمتر پارامتر آماري شوري باند 3 انحناي شيب شاخص خيسي شاخص اراضي قراي ت افقي قراي ت عمودي 10 10 10 10 10 1 10 كمترين 90 90 90 90 90 90 90 بيشترين 7 5 15 5 6 38 31 ميانگين 19 0 / 18 09 0 / 13 07 16 0 / 0 معيار 1/74 / 1 5/ 74 9 6/ 71 88 81 كشيدگي داده هاي آموزش( 10 ) انحراف 11 10 10 35 0 10 11 كمترين 86 77 9 77 35 75 73 بيشترين 8 6 0 / 13 54 6 40 35 ميانگين انحراف 17 16 05 11 03 17 0 / 18 معيار 1/91 1/ 8 / 18 9 69 67 6 كشيدگي داده هاي اعتبارسنجيي( 31 )

نشریه مرتع و آبخیزداری مجله منابع طبیعی ایران دوره 66 شماره تابستان 139 از صفحه 07 تا 15 و 1/34-60 33/8 و 54 برای شوری در عمق 100 سانتیمتری بهدست آمد. مقادیر ضرایب رگرسیونی دارای عدد پی كوچكتر 05 است. جدول تجزیة واریانس نیز برای رگرسیون محاسبه شد که نتایج آن حاکی از معن یداربودن معادلة برازشدادهشده است )جداول 4 و )5.)0.05<p( منابع )16( EC030 0.03 0.10VER 0.88HOR 0.34LSFACTOR 0.0WETNESS 0.31CURVATURE 0.11B3 )17( (16) (17) (17) EC0 100 0.14 0.53VER 0.05HOR 0.45LSFACTOR 0.05WETNESS 0.7CURVATURE 0.01B3 جدول 4. نتایج تجزیة واریانس برای رگرسیون برای شوری در عمق 0-30 سانت یمتر جدول 4. نتايج تجزية واريانس براي رگرسيون براي شوري در عمق 0-30 سانتيمتر درجة آزادي مجموع مربعات ميانگين مربعات اف فيشر مقدار پي 5 6 1 < 0 / 05 90 47 / 85 6 رگرسيون 0 / 59 114 باقيماندة خطا 5/45 10 كل منابع جدول 5. نتایج تجزیة واریانس برای رگرسیون برای شوری در عمق 0-100 سانت یمتر جدول 5. نتايج تجزية واريانس براي رگرسيون براي شوري در عمق -0 100 سانتيمتر درجة آزادي مجموع مربعات ميانگين مربعات اف فيشر مقدار پي < 0 / 05 8/ 6 1/ 37 6 رگرسيون 0 3/ 0 114 باقيمانده خطا 4/39 10 كل سری دادههای ورودی است. ساختار بهینة شبکه که در آنها VER قرائت عمودی است HOR قرائت به روش سعی و خطا با استفاده از معیارهای ریشة افقی LSFACTOR شاخص اراضی WETNESS مربعات خطا خطای استاندارد نسبی میانگین خطا و شاخص خیسی CURVATURE شاخص انحنای ضریب تبیین تعیین شد. برای پیشبینی شوری خاک در شیب و B3 دادههای باند 3. دو عمق مقادیر ریشة مربعات خطا ارائه شد )شکلهای شبکة عصبی پرسپترون چندالیه 3 و 4(. با توجه به شکلهای 3 و 4 مالحظه میشود که حداقل مقدار ریشة مربعات خطا در پارامتر شوری دادههای تست و آموزش با استفاده از رابطة )18( عمق 30 سانتیمتر مربوط به شبکه با سه نورون در الیة استانداردشده یعنی بین یک دامنة عددی که معموال مخفی و برای شوری عمق 100 سانتیمتر شبکه با دو 1 و 9 است قرار گیرند. نورون در الیة مخفی است. مقدار ریشة مربعات خطا X i X )18( min y 0.8 0.1 X max X min خطای استاندارد نسبی میانگین خطا و ضریب تبیین برای پارامتر شوری در عمق 30 سانتیمتر بهترتیب ر بهينة شبكه به روش سعي و که در آن كوچكترین داده و بزرگترین دادة 1. P-value. F

س 0 مقایسة روشهای نروفازی الگوریتم ژنتیک شبکة عصبی و رگرسیون چندمتغیره در... 16 6/19 50 36/67 و 68 و برای شوری در عمق 100 سانتیمتر -9/6 58 3/5 و 70 بهدست آمد. در هر دو پارامتر با افزایش تعداد نورونها عملکرد مدلها بدتر شد. شبکة عصبی آبشاری برای اجرای این شبکه نیازی به ساختار اولیه )تعداد نورون در الیة مخفی( نیست و این جزء محاسن این شبکه است. پس در این شبکه به روش سعی و خطا نیازی نیست. نتایج خطای این روش بر اساس مقدار ریشة مربعات خطا خطای استاندارد نسبی میانگین خطا و ضریب تبیین برای پارامتر شوری در عمق 30 سانتیمتر بهترتیب -6/96 5 38/1 و 68 و برای شوری در عمق 100 سانتیمتر 59 3/9 8/96- و 67 بهدست آمد. سیستم فازی تطبیقپذیر مبتنی بر شبکة عصبی برای ایجاد این شبکه باید چند پارامتر نوع تابع عضویت تعداد تابع روش یادگیری و تعداد اپوک بهینه شوند. برای این کار همة حاالت با سعی و خطا بهدست آمد. جدول 6 نتایج خصوصیات مدل ANFIS بهکاررفته برای پیشبینی شوری در عمق را نشان میدهد. بهترین ساختار با توجه به معیار RMSE تعیین شد. RMSE 38.00 36.00 34.00 3.00 30.00 3 4 5 6 7 8 9 10 تعداد نرون RMSE 39 38.5 38 37.5 37 36.5 36 35.5 3 4 5 6 7 8 9 10 تعداد نرون 3. مقادير براي تعداد نورون متفاوت در پيشبيني شوري عمق -0 30 س شکل 3. مقادیر RMSE برای تعداد نورون متفاوت در پیشبینی 4. مقادير شکل 4. مقادیر براي تعداد RMSE برای نورونتعداد متفاوت در نورون متفاوت پيشبيني درشوري پیشبینی عمق - 100 شوری عمق 0-100 سانتیمتر شوری عمق 0-30 سانتیمتر جدول 6. ویژگیهای مدل ANFIS انتخابی برای پی شبینی شوری جدول 6. ويژگيهاي مدل انتخابي براي پيشبيني شوري روش دفازيكردن ميانگين وزني روش يادگيري نوع تابع عضويت پسخور تكرار تعداد توابع عضويت مثلثي 3 00 مثلثي 3000 شوري ( 0-30 سانتيمتر) شوري ( 0-100 سانتيمتر) ميانگين وزني هيبريد الگوریتم ژنتیک در این تحقیق تعداد جمعیت اولیه 50 حداکثر نسل 100 و تعداد گردش برابر با 100 دور در نظر گرفته شد. نتایج خطای این روش بر اساس مقدار ریشة مربعات خطا خطای استاندارد نسبی میانگین خطا و ضریب تبیین برای پارامتر شوری در عمق 30 سانتیمتر بهترتیب 5/3 47 34/54 و 71 و برای شوری در عمق 100 سانتیمتر -7/95 57 31/76 و 74 بهدست آمد. ارزیابی مدلها نتایج مدلهای نروفازی شبکههای عصبی الگوریتم ژنتیک و رگرسیون چندمتغیرة پارامترهای مورد اندازهگیری در جدول 7 ارائه شد. با توجه به این

نشریه مرتع و آبخیزداری مجله منابع طبیعی ایران دوره 66 شماره تابستان 139 از صفحه 07 تا 17 1 0 16 8 1 RI 4 RI 8 4 0 0 نروفازي الگوريتم ژنتيك پرسپترون آبشاري ايسة نتايج در روشهاي مختلف براي پيشبيني شوري در عمق 0-30 شکل 5. مقایسة نتایج RI در روشهای مختلف برای پیشبینی شوری در عمق 0-30 سانتیمتری س نروفازي الگوريتم ژنتيك پرسپترون چند لايه آبشاري مقايسة نتايج در روشهاي مختلف براي پيشبيني شوري در عمق -0 100 سا شکل 6. مقایسة نتایج RI در روشهای مختلف برای پی شبینی شوری در عمق 0-100 سانتیمتری RI 17 13 7 4 0 11 5 1 0 R 0 / 78 0 / 71 0 / 68 0 / 68 0 / 66 0 / 8 0 / 74 0 / 7 0 / 67 خصوصيت خاك شوري خاك ( 0-30 سانتيمتر) شوري خاك ( 0-100 سانتيمتر) خاک خاك شوری شوري شبینی پيشبيني جهت پی جهت مختلف مختلف مدلهای مدلهاي از بهدستآمده از بهدستآمده نتايج نتایج مقايسة مقایسة جدول 7. جدول 7. مدل نروفازي الگوريتم ژنتيك شبكة عصبي پرسپترون شبكة عصبي آبشاري رگرسيون نروفازي الگوريتم ژنتيك شبكة عصبي پرسپترون شبكة عصبي آبشاري رگرسيون ME 5 / 1 5 / 3 6 / 19-6 / 96-9 / 48-5 / 84-7 / 95-9 / 6-8 / 96-1 / 34 RMSE 3 / 69 34 / 54 36 / 67 38 / 10 39 / 68 9 / 66 31 / 76 3 / 5 3 / 90 33 / 8 RSE 0 / 45 0 / 47 0 / 50 0 / 5 0 / 54 0 / 53 0 / 57 0 / 58 0 / 59 0 / 60 جدول مالحظه میشود در کل بهترین عملکرد در پیشبینی شوری در هر دو عمق مورد مطالعه مربوط به مدل نروفازی است که از لحاظ هر سه معیار بهتر از شبکة عصبی و رگرسیون چندمتغیره است. پس از مدل ANFIS الگوریتم ژنتیک شبکة عصبی مصنوعی پسانتشار و آبشاری بهترتیب دارای بهترین عملکرد هستند. مقدار پایین RMSE در اکثر مدلها پایینبودن خطا و دقت باالی مدلهای برازشدادهشده را نشان میدهد. همچنین نتایج نشان داد در سطح %5 بین مدلهایی که شوری را تخمین زدهاند تفاوت معنیداری وجود ندارد. در چنین شرایطی برای ارزیابی کارآیی مد لها میتوان از شاخص RI استفاده کرد. این آماره نشاندهندة میزان کاهش خطا در مدلهای مختلف نسبت به روش رگرسیون است. همان طور که در جدول 7 و شکلهای 5 و 6 ارائه شده مدل نروفازی دقت پیشبینی را نسبت به روش رگرسیون خطی چندگانه برای شوری در عمق 30 سانتیمتری به میزان 17 درصد و برای شوری در عمق 100 سانتیمتری 11

... در چندمتغیره رگرسیون و عصبی شبکة ژنتیک الگوریتم نروفازی روشهای مقایسة 18 دیاگرامهای 8 و 7 اشکال در است. داده افزایش درصد نروفازی مدل برای تست و آموزش دادههای پراکنش آورده داده اختصاص خود به را عملکرد بهترین که میشود مالحظه شکل این به توجه با است. شده هب نزدیک زاویهای دارای برازشدادهشده خط بهترین توسط برآورد باالی دقت نشاندهندة که است درجه 45 است. نروفازی مدل عمق شوريدر آزمون دادههاي شبيهسازيشدة و مشاهداتي مقادير براي كنش 140 10 100 80 60 40 0 0 R = 0.80 50 00 150 100 50 0 R = 0.78 شده بيني پيش مقادير شده بيني پيش مقادير 0 0 40 60 80 100 10 140 مشاهداتي مقادير 00 عمق در آزمون دادههاي شبيهسازيشدة و مشاهداتي مقادير براي پراكنش شبیهسازیشدة و مشاهداتی مقادیر برای پراکنش نمودار 8. شکل سانتیمتری 0-100 عمق در آزمون دادههای 0 50 100 150 00 50 مشاهداتي مقادير عمق شوريدر آزمون دادههاي شبيهسازيشدة و مشاهداتي مقادير براي كنش شبیهسازیشدة و مشاهداتی مقادیر برای پراکنش نمودار 7. شکل سانتیمتری 0-30 عمق در شوری آزمون دادههای نتیجهگیری و بحث شبکههای نروفازی مدلهای از استفاده با تحقیق این در مقادیر چندمتغیره رگرسیون و ژنتیک الگوریتم عصبی شد. برآورد سانتیمتری 100 و 30 اعماق در شوری آنتروپی تکنیک اساس بر ورودی پارامترهای انتخاب قرائتهای ترتیب این به گرفت. صورت شانون بر تأثیرگذار عوامل مترین مه EM38 افقی عمودی- بسیاری مطالعات شدند. معرفی خاک شوری تغییرات مقادیر با EM38 قرائتهای زیاد بسیار ارتباط از حاکی طریق از )1996(.Johnston et al است. خاک شوری برای را EM38 دستگاه باالی کارآیی رگرسیونی روابط Sharma & کردند. تأیید افریقا در خاک شوری پایش و خاک شوری تقشة تهیة برای نیز )000( Gupta کردند. استفاده EM38 دادههای از نقشه دقت باالبردن پیشبینی جهت EM دادههای از نیز )009(.Saey et al این کارآیی و کرده استفاده بلژیک کشور در خاک بافت کردند. تأیید را دادهها با مدلها از یک هر بهینة ساختار تعیین از پس خصوصیات پیشبینی به RMSE آماری معیار از استفاده این نتایج شد. اقدام مربوطه مدل از استفاده با خاک شبکههای مطالعهشده مورد در که داد نشان بررسی کارآیی رگرسیونی معادالت به نسبت مصنوعی عصبی توابع کارآیی طرف یک از احتماال زیرا داشتند بهتری متفاوتاند هم با مختلف مناطق در بهدستآمده انتقالی )1998(.Schap et al نظر اساس بر دیگر طرف از و معادالت از خاصی نوع عصبی شبکههای طراحی در ورودی دادههای بین مناسب رابطة ایجاد با و نیست الزم به و یافت دست مناسبی نتایج به یتوان م خروجی و و وابسته متغیرهای میان غیرخطی روابط وجود علت به نسبت بهتری عملکرد عصبی شبکة پیشبینیشونده در که طور همان همچنین داشت. رگرسیون مدلهای مربعات ریشة تغییرات میشود دیده 4 و 3 شکلهای عصبی شبکة چون نیست. مشخصی روند دارای خطا انتخاب تصادفی وزنها و است سیاه جعبه مدل یک توضیح کامال را موجود روند این نمیتوان میشوند بهدست را ساختار بهترین خطا و سعی با باید فقط داد.

19 تا 07 صفحه از 139 تابستان شماره 66 دوره ایران طبیعی منابع مجله آبخیزداری و مرتع نشریه که است آن داد دست به میتوان که توجیهی اما آورد. آموزش حد از بیش عصبی شبکة مدل پیچیدهترشدن با جدید دادههای روی بر مناسب برازش به قادر و میبیند )005(.Amini et al آنچه با تحقیق این نتایج نیست. آوردند دست به اصفهان منطقة در CEC برآورد در استفاده با )1996(.Pachepsky et al دارد. همخوانی مربعات میانگین ریشة و همبستگی ضریب آمارههای از رگرسیون آنالیز و مصنوعی عصبی شبکة بررسی به خطا برآورد عصبی شبکة که گرفتند نتیجه آنها پرداختند. زودیافت دادههای اساس بر کمتری خطای و بهتر.Tammari et al توسط مشابهی نتایج دارد. خاک کمتری RMSE مقدار نیز آنها آمد بهدست )1996( مصنوعی عصبی شبکة با خاک خصوصیات برآورد از آوردند. بهدست چندگانه خطی رگرسیون به نسبت باشد باال دادهها ناپایداری اگر که دادند نشان همچنین نخواهد بهتر خطی رگرسیونی مدلهای از عصبی شبکة شبکة دقت با دادهها از استفاده صورت در اما بود نتیجه میتوان و یدهد م نشان را باالتری کارآیی عصبی نیز حاضر تحقیق در بهکاربردهشده دادههای که گرفت )010(.Cockx et al برخوردارند. باالیی بسیار دقت از از خاک شوری و EM دادههای ارتباطدادن برای نیز کردند. استفاده مصنوعی هوش شبکة فرض بر تحقیق این در ذکرشده روشهای همة مربوط مشاهدههای و مطالعه مورد متغیرهای دقیقبودن فرض دقیق نیز متغیرها بین روابط و است استوار آنها به خاک مانند طبیعی سیستمهای در آنکه حال میشود. مطرح متغیرها بین ناشناخته روابط یا مشاهدات عموما گرفت بهره باید مدلهایی از شرایطی چنین در است. که گونهای به باشند بتر مناس الگوهای ارائة به قادر که داشته بیشتری انطباق واقعی دنیای با بتوانند مدلها این نروفازی مدل دقت داد نشان بررسی این نتایج باشند. عصبی شبکههای انواع همة از خاک شوری پیشبینی در غیرخطی ساختار دلیل به است. بیشتر استفاده مورد مدلهای متغیرهای در ابهام و عصبی شبکة مدلهای تجزیه در محققان بیشتر امروزه فازی استنتاج سیستم متمایلاند دارند مکانی توزیع که متغیرهایی تحلیل و تطبیقپذیر فازی سیستم مانند هیبریدی مدلهای از Mohammadi )& کنند استفاده عصبی شبکة بر مبتنی نشان )009(.Aali et al نمونه برای.)005,Taheri رطوبت درصد پیشبینی در ANFIS مدل که دادند عصبی شبکة مدل به نسبت بیشتری دقت خاک اشباع دارد. مخوانی ه تحقیق این نتایج با که دارد مصنوعی پدیدههای در قطعیت عدم به توجه با ترتیب بدین اندازهگیریشدة مقادیر تقریبیبودن یا خاک با مرتبط باالتر کارآیی میرسد نظر به خاک مختلف خصوصیات توابع پردازش در فازی مجموعههای بر مبتنی ل مد باشد. علت همین به خاک انتقالی

مقایسة روشهای نروفازی الگوریتم ژنتیک شبکة عصبی و رگرسیون چندمتغیره در... 0 References [1]. Aali, K. A., Parsinejad, M. and Rahmani, B. (009). Estimation of saturation percentage of soil using multiple regression, ANN, and ANFIS techniques. Computer and Information Science,, 17 136. []. Ahmed, S. and Simonovic, S. P. (005). An artificial neural network model for generating hydrograph from hydro meteorological parameters. Journal of Hydrology, 315, 36-51. [3]. Amini, M., Afyuni, M., Fathianpourb, N., Khademi, H. and Fluchler, H. (005). Continuous soil pollution mapping using fuzzy logic and spatial interpolation. Geoderma, 14, 3 33. [4]. Amini., M., Abbaspour, K. C., Khademi, H., Fathianpour, N., Afyuni, M. and Schulin, R. (005). Neural network models to predict cation exchange capacity in arid regions of Iran. European Journal of Soil Science, 53, 748 757. [5]. Bouma, J. (1989). Using soil survey data for quantitative land evaluation. Soil Science, 9, 177 13. [6]. Cockx, L., M. Van Meirvenne, U.W.A. Vitharana, F.M.B. Vancoillie, L.P.C. Verbeke, D. Simpson, and Saey, T. (010). A neural network approach to topsoil clay prediction using an EMI-Based soil sensor, Proximal Soil Sensing, Springer press, 444 p. [7]. Drake, J. T. (000). Communications phase synchronization using the adaptive network fuzzy inference system. Ph.D. dissertation, New Mexico State University, Las Cruces, New Mexico, USA. [8]. Eklund, P. W., Kirkby, S. D. and Salim, A. (1998). Data mining and soil salinity analysis. International Journal of geographical information science, 3, 47-68. [9]. Feng, Q., Zhu, A., Harrower, M. and Burt, J. E. (006). Fuzzy soil mapping based on prototype category theory. Geoderma, 136, 774 787. [10]. Ghorbani-Dashtaki, Sh. and Homaei, M. (00). Prediction of parametric hydraulic function in unsaturated soils using pedotransfer functions. Agriculture Engineering Research Journal, 3, 3-15. [11]. Hengel, T., Huvelink, G. B. M. and Stein, A. (004). A generic framework for spatial prediction of soil variables based on regression-kriging. Geoderma, 10, 75 93. [1]. Jang, J., Sun, C. and Mizutani, E. (1997). Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice Hall, Upper Saddle River, New Jersey, USA. [13]. Johnston, M. A., Savage, M. J., M. J., Moolman, J. H. and Du-Plessis, H.M. (1996). Calibration models for interpretation of soil salinity measurements using an electromagnetic induction technique. South Africa Journal, 1, 1-6. [14]. Kisi, O. (005). Suspended sediment estimation using neuro-fuzzy and neural network approaches. Hydrological Sciences Journal des Sciences Hydrologiques, 50, 683 696. [15]. Lesch, S.M., Strauss, D.J. and Rhoades, J. D. (1995). Spatial prediction of soil salinity using

نشریه مرتع و آبخیزداری مجله منابع طبیعی ایران دوره 66 شماره تابستان 139 از صفحه 07 تا 1 electromagnetic induction techniques 1. Statistical prediction models: A comparison of multiple linear regression and cokriging. Water Resources Research, 31, 373 386. [16]. McBratney, A. B. and Odeh I. O. A. (1997). Application of fuzzy sets in soil science: fuzzy logic, fuzzy measurements and fuzzy decisions. Geoderma, 77, 85-113. [17]. McKenzie, N. J. and Austin, M. P. (1993). A quantitative Australian approach to medium and small scale surveys based on soil stratigraphy and environmental correlation. Geoderma, 57, 39 355. [18]. Mcneill, J. D. (1980). Electromagnetic terrain conductivity measurements at low induction numbers. Technical note TN-5 Geonics Ltd. Mississauga, Ontario, Canada, p.15 [19]. Menhaj, M. (009). Fundamental of Artificial neural networks, Amirkabir Press, 45p. [0]. Minasny, B. and McBratney A. B. (006). A conditioned Latin hypercube method for sampling in the presence of ancillary information. Computer & Geosciences, 3, 1378 1388. [1]. Minasny, B. and McBratney, A. B. (00). The Neuro-m method for fitting neural network parametric pedotransfer functions. Journal of Soil Science Society of America, 66, 35 361. []. Minasny, B., McBratney, A. B. and Bristow, K. L. (1999). Comparison of different approaches to the development of pedotransfer functions for water-retention curves. Geoderma, 93, 5 53. [3]. Mohammadi, J. (000). Testing an artificial neural network for predicting soil water retention characteristics from soil physical and chemical properties. 17th World Congress of Soil Science. Thailand. Paper No. 1. [4]. Mohammadi, J. and Taheri, M. (005). Estimation of pedotransfer function using fuzzy regression. Journal of Agriculture Science and Technology,, 51-60. [5]. Moore, I. D., Grayson. R. B. and Landson, A. R. (1991). Digital terrain modeling. A review of hydrological, geomorphological, and applications. Hydrology, 5, 3 30. [6]. Navabian, M., Liaghat, A. and Homari, M. (003). Determination of soil saturated hydraulic conductivity using pedotransfer function. Agriculture Engineering Research Journal, 4, 1-1. [7]. Pachepsky, Y. A., Timilin, D. and Varallyay, G. (1996). Artificial neural networks to estimate soil water retention from easily measurable data. Journal of Soil Science Society of America, 60, 77-733. [8]. Parasuraman, K., Elshorbagy, C. and Si, B. (006). Estimating saturated hydraulic conductivity in spatially variable fields using neural network in Ensembles. Journal of Soil Science Society of America, 70, 1851-1859. [9]. Rhoades, J. D. (1976). Measuring, mapping and monitoring field salinity and water depths with soil resistance measurements. FAO Soils Bulletin, 31, 69-1 09. [30]. Rhoades, J. D. and Ingvalson, R. D. (1971). Determining salinity in field soils with soil resistance measurements. Journal of Soil Science Society of America, 35, 54-60. [31]. Saey, T., Van Meirvenne, M., Vermeersch, H., Ameloot, N. and Cockx, L. (009). A pedotransfer function to evaluate the soil profile textural heterogeneity using proximally sensed apparent electrical conductivity. Geoderma, 150, 389 395. [3]. Schap, M. G., Leij, F. J. and Van Genuchten, M. T. (1998). Neural network analysis for hierarchical prediction of soil hydraulic properties. Journal of Soil Science Society of America, 6, 847 855.

مقایسة روشهای نروفازی الگوریتم ژنتیک شبکة عصبی و رگرسیون چندمتغیره در... [33]. Sharma, D. P. and Gupta S. K. (000). Application of EM38 for soil salinity appraisal: an Indian experience, EM38 Workshop, New Delhi, India. [34]. Sheng, J., Ma, L., Jiang, P., Li, B., Huang, F. and Wu, H. (009). Digital soil mapping to enable classification of the salt-affected soils in desert agro-ecological zones. Agricultural Water Management, 35, 54-60. [35]. Soleimani-damaneh, M. and Zarepisheh, M. (009). Shannons entropy combining the efficiency results of different DEA models: Method and application. Expert System with Applications, 47-51. [36]. Sommer, M., Wehrhan, M., Zipprich, M., Castell, Z.W., Weller, U., Castell, W., Ehrich, S., Tandler, B. and Selige, T. (003). Hierarchical data fusion for mapping soil units at field scale. Geoderma, 11, 179 196. [37]. Sparks, D. L., Page, A. L., Helmke, P. A., Leoppert, R. H., Soltanpour, P. N., Tabatabai, M. A., Johnston, G. T. and Summer, M. E. (1996). Methods of soil analysis, SSSA, Madison, Wisconsin. [38]. Sudduth, K. A., S. T. Drummond and Kitchen, N. R. (001). Accuracy issues in electromagnetic induction sensing of soil electrical conductivity for precision agriculture. Computers and Electronics in Agriculture, 31, 39 64. [39]. Tamari, S., Wosten, J. H. M. and Ruz-suarez, J. C. (1996). Testing an artificial neural network for predicting soil hydraulic conductivity. Journal of Soil Science Society of America, 60, 173-1741. [40]. Tomasella, J., Hodnett, M. G. and Rossato, L. (000). Pedotransfer functions for the estimation of soil water retention in Brazilian soils. Journal of Soil Science Society of America, 49, 1100-1105. [41]. Triantafilis, J., I. O. A. Odeh. and McBratney A. B. (001). Five Geostatistical Models to Predict Soil Salinity from Electromagnetic Induction Data across Irrigated Cotton. Journal of Soil Science Society of America, 65, 869 878. [4]. Vos, B. D., Meirvenne, M. V., Quataert, P., Deckers, J. and Muys, B. (005). Predictive quality of pedotransfer functions for estimating bulk density of forest soils. Journal of Soil Science Society of America, 69, 500 510. [43]. Wilson, J. P. and J. C. Gallant. (000). Terrain analysis. Wiley and Sons press, 479 p. [44]. Zevebergen, L. W. and Thorne, C. R. (1987). Quantitative analysis of land surface topography. Earth Surface Processes Landforms, 1, 47-56. [45]. Zhu, X., Hudson, B., Burt, J., Lubich, K. and Simonson, D. (001). Soil Mapping Using GIS, Expert Knowledge, and Fuzzy Logic. Journal of Soil Science Society of America, 65, 1463-147.