مدل سازی پایداری خاکدانه‌ها با استفاده از ماشین‌های بردار پشتیبان و رگرسیون خطی چند متغیره

آب و خاک

مقاله 6، دوره 29، شماره 2، بهار 1394، صفحه 406-417  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.22620

نویسندگان

علی اصغر بسالت پور ¹؛ حسین شیرانی²؛ عیسی اسفندیارپور²

¹ولیعصر (عج) رفسنجان

²ولی عصر (عج) رفسنجان

چکیده

ماشین های بردار پشتیبان، ابزاری امیدبخش برای روش های مبتنی بر آموزش می باشند که برای مسایل تشخیص الگو بر اساس کمینه کردن احتمال بروز اشتباه، ایجاد شده اند. در این پژوهش، کارآیی روش ماشین های بردار پشتیبان در مدل سازی برآورد پایداری خاکدانه ها (از طریق محاسبة میانگین هندسی قطر خاکدانهها، GMD) با رگرسیون خطی چند متغیره مقایسه شد. برای این منظور از داده های زودیافت مؤثر بر پایداری خاکدانه ها شامل برخی ویژگیهای توپوگرافیکی، پوشش گیاهی و خاک استفاده گردید. برای بررسی کارآیی مدل ها نیز از برخی شاخص‌‌های آماری نظیر ضریب همبستگی (r)، میانگین مربعات خطا (MSE) و درصد خطا (ERROR%) بین مقادیر اندازهگیری شده و برآورد شده استفاده شد. نتایج نشان داد که کارایی مدل های مبتنی بر ماشین های بردار پشتیبان در تخمین پایداری خاکدانه ها، بسیار بیشتر از روش رگرسیون خطی چند متغیرة مرسوم بود. مقادیر MSE و r مدل ماشین های بردار پشتیبان طراحی‌‌شده برای برآورد پایداری خاکدانه ها به‎ترتیب، برابر 005/0 و 86/0 بودند. درصد خطا برای تخمین پایداری خاکدانه ها با استفاده از مدل ماشین های بردار پشتیبان برابر 7/10 درصد بود درحالی که مقدار درصد خطا برای مدل رگرسیونی برازش داده شده، حدود 7/15 درصد بود. بنابراین به نظر می رسد که بتوان از ماشین های بردار پشتیبان برای برآورد برخی ویژگی های فیزیکی خاک (نظیر میانگین هندسی قطر خاکدانهها) در منطقه‌ی مورد بررسی استفاده نمود.

کلیدواژه‌ها

ساختمان خاک؛ ماشین‌های بردار پشتیبان؛ میانگین هندسی قطر خاکدانه ها؛ ویژگی های فیزیکی خاک

مراجع

1- Amezketa E. 1999. Soil aggregate stability: A review. Journal of Sustainable Agriculter, 14: 83-151.

2- Andesodun J.K., Mbagwu J.S.C., and Oti N. 2005. Distribution of carbon, nitrogen and phosphorus in water-stable aggregates of an organic waste amended Ultisol in southern Nigeria. Bioresoure Technology, 96: 509-516.

3- Besalatpour A., Hajabbasi M.A., Ayoubi S., Afyuni M., Jalalian A., and Schulin R. 2012. Soil shear strength prediction using intelligent systems: artificial neural networks and adaptive neuro-fuzzy inference system. Journal of Soil Science and Plant Nutrition, 58: 149-160.

4- Besalatpour A.A., Ayoubi S., Hajabbasi M.A., Gharipour A., and Yousefian Jazi A. 2014. Feature selection using parallel genetic algorithm for the prediction of geometric mean diameter of soil aggregates by machine learning methods. Arid Land Researche and Management, 28:383-394.

5- Calero N., Barron V., and Torrent J. 2008. Water dispersible clay in calcareous soils of southwestern Spain. Catena, 74: 22-30.

6- Canasveras J.C., Barron V., Del Campillo M.C., Torrent J., and Gomez J.A. 2010. Estimation of aggregate stability indices in Mediterranean soils by diffuse reflectance spectroscopy. Geoderma, 158: 78-84.

7- Canton Y., Sole-Benet A., Asensio C., Chamizo S., and Puigdefabregas J. 2009. Aggregate stability in range sandy loam soils: relationships with runoff and erosion. Catena, 77: 192-199.

8- Chenu C., Le Bissonnais Y., and Arrouays D. 2000. Organic matter influence on clay wettability and soil aggregate stability. Soil Science Society of American Journal, 64:1479-1486.

9- Dexter A.R., and Kroesbergen B. 1985. Methodology for determination of tensile strength of soil aggregates. Journal of Agricultural Engineering Research, 31: 139-147.

10- Gee G.W., and Bauder J.W. 1986. Particle size analysis. In: Klute, A. (Ed.), Methods of Soil Analysis: Part 1., Agronomy Handbook No 9., American Society of Agronomy and Soil Science Society of America, Madison, WI, pp. 383-411.

11- Kemper W.D., and Rosenau K. 1986. Size distribution of aggregates. In: Klute, A. (Ed.), Methods of Soil Analysis: Part 1: Physical and Mineralogical Methods, American Society of Agronomy, Madison, WI, pp. 425-442.

12- Khalilmoghadam B., Afyuni M., Abbaspour K.C., Jalalian A., Dehghani A.A., and Schulin R. 2009. Estimation of surface shear strength in Zagros region of Iran-A comparison of artificial neural networks and multiple-linear regression models. Geoderma, 153: 29-36.

13- Lamorski K., Pachepsky Y., Slawinski C., and Walczak R.T. 2008. Using support vector machines to develop pedotransfer functions for water retention of soils in Poland. Soil Science Society of American Journal, 72: 1243-1247.

14- Lamorski K., Pastuszka T., Krzyszczak J., Slawinski C., and Witkowska-Walczak B. 2013. Soil water dynamic modeling using the physical and support vector machine methods. Vadose Zone Journal, 12 (4):

15- Li H., Liang Y., and Xu Q. 2009. Support vector machines and its applications in chemistry. Chemometrics Intelligent Labratory Systems, 95: 188-198.

16- Liao K., Xu S., Wu J, Zhu Q., and An L. 2014. Using support vector machines to predict cation exchange capacity of different soil horizons in Qingdao City, China. Journal of Plant Nutrition and Soil Science, 177 (5): 775-782.

17- Nelson D.W. and Sommers L.E. 1982. Total carbon, organic carbon, and organic matter. In: Page, A. L. (Ed.), Methods of Soil Analysis, American Society of Agronomy, Madison, Wis, pp. 539-579.

18- Nelson R.E. 1982. Carbonate and gypsum. In: Page, A.L. (Ed.), Methods of Soil Analysis: Part I: Agronomy Handbook No 9, American Society of Agronomy and Soil Science Society of America, Madison, WI, pp. 181-197.

19- Six J., Paputian K., Elliot E.T., and Combrink C. 2001. Soil structure and organic matter. I. Distribution of aggregate-size classes and aggregate-associated carbon. Soil Science Society of American Journal, 64: 681-689.

20- Sobhani J., Najimi M., Pourkhorshidi A.R., and Parhizkar T. 2010. Prediction of the compressive strength of no-slump concrete: A comparative study of regression, neural network and ANFIS models. Journal of Construction and Building Materials, 24: 709-718.

21- Tisdall J. M., and Oades J.M. 1982. Organic matter and water-stable aggregates in soils, Soil Sci., 33: 141-163.

22- Twarakavi N.K.C., Simunek J., and Schaap M.G. 2009. Development of pedotransfer functions for estimation of soil hydraulic parameters using support vector machines. Soil Science Society of American Journal, 73: 1443-1452.

23- Van Bavel C.H.M. 1950. Mean-weight diameter of soil aggregates as a statistical index of aggregation. Proceeding of Soil Science Society of American, 14: 20-23.

24- Vapnik V. 1995. The Nature of Statistical Learning Theory, Springer-Verlag, New York.

25- Vapnik V. 1998. Statistical Learning Theory, Wiley, New York.

26- Wang L. 2005. Support Vector Machines: Theory and Applications. Springer-Verlag, New York.

27- Wang W.C., Chau K.W, Cheng C.T., and Qiu L. 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology, 374: 294-306.

28- Yilmaz I., and Yuksek G. 2009. Prediction of the strength and elasticity modulus of gypsum using multiple regression, ANN, and ANFIS models. International Journal of Rock Mechanics and Mining Sciences, 46: 803-810.