مقاله پيش بيني ظرفيت تبادل کاتيوني خاک با استفاده از شبکه عصبي مصنوعي و رگرسيون چند متغيره که چکیده‌ی آن در زیر آورده شده است، در تابستان ۱۳۸۸ در پژوهش در علوم كشاورزي (JOURNAL OF RESEARCH IN AGRICULTURAL SCIENCE) از صفحه ۱ تا ۱۱ منتشر شده است.
نام: پيش بيني ظرفيت تبادل کاتيوني خاک با استفاده از شبکه عصبي مصنوعي و رگرسيون چند متغيره
این مقاله دارای ۱۱ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله شبکه عصبي مصنوعي
مقاله رگرسيون چند متغيره
مقاله توابع انتقالي
مقاله اريديسول
مقاله ظرفيت تبادل کاتيوني

نویسنده(ها):
جناب آقای / سرکار خانم: تقي زاده مهرجردي روح اله
جناب آقای / سرکار خانم: محمودي شهلا
جناب آقای / سرکار خانم: حيدري احمد
جناب آقای / سرکار خانم: اكبرزاده علي

چکیده و خلاصه‌ای از مقاله:
ارزيابي و طراحي سناريو هاي مختلف مديريتي احتياج به داشتن اطلاعات دقيق بانک اطلاعات خاک دارد، ظرفيت تبادل کاتيوني از پارامتر هاي مهم موجود در بانک اطلاعاتي خاک به حساب مي آيد. با توجه به مشکلات اندازه گيري مستقيم ظرفيت تبادل کاتيوني بخصوص در خاک هاي اريديسول ايران در سال هاي اخير از روش هاي غير مستقيم براي برآورد اين پارامتر استفاده مي شود. بدين منظور در اين تحقيق براي برآورد ظرفيت تبادل کاتيوني اقدام به نمونه برداري از منطقه خضرآباد از ۱۲ پروفيل، به تعداد ۴۰ نمونه گرديد. فراواني نسبي ذرات به روش هيدرومتري، کربن آلي به روش والکي و  بلاک و ظرفيت تبادل کاتيوني به وسيله روش باور اندازه گيري شد. سپس با استفاده از روش هاي شبکه عصبي مصنوعي، رگرسيون چند متغيره و چند تابع تجربي و با استفاده از پارامترهاي  درصد رس، شن، سيلت و کربن آلي اقدام به تخمين پارامتر مورد نظر گرديد. در ابتدا پارامترهاي هر يک از مدل ها را تعيين کرده و در مرحله بعد اقدام به برآورد پارامتر مورد نظر گرديد. در نهايت در اين تحقيق با توجه به وجود روابط خطي مابين ورودي ها و خروجي ها شبکه عصبي عملکرد بهتري نسبت به مدل رگرسيون پايه داشته است. ساير مدل هاي رگرسيون پايه با توجه به نوع ورودي-ها و ضرايب آنها عملکرد متفاوتي از خود نشان داده به طوري که در بين اين مدل ها، مدلي که نسبت به ساير مدل ها با توجه به معيارهاي ارزيابي مورد استفاده (RMSE، (AAREبرتري قاطعي داشته باشد، وجود نداشته است. در کل نتايج اين تحقيق نشان دهنده اهميت فرآيند آموزش در تعيين پارامترهاي مدل با استفاده از داده هاي يک منطقه مي باشد.