رگیری کلیـ ه عوامـلدر فرآیند مدلسازی امکانپذیر نیست، از اینرو باتوجه به نکاتیمانند مقیاس، دقت و هدف مورد نظـر ،شـرا یط منطقـه و م یـ زان تاثیرگذاری هر یک از متغیرها، عوامل مناسـب جهـت ورود بـهفرآیند مدلسازی مشخص میشود. در این تحقیق بـا اسـتفاده ازآنالیز مؤلفههای اصلی و آزمون همبستگی، مهمتـرین متغیرهـایمستقل اثرگذار شناسایی و وارد مدل گردید.
مدل شبکه عصبی مصنوعی
گورنی(12)، یک شبکه عصبی مصنوعی موسوم به ANN، را در ۴۴

شکل 1 .ساختار یک شبکه ساده پیشخور
برگیرنده مجموعهای بههم پیوسته از واحدهای پردازشـ ی سـادهتوصیف کـرده اسـت کـه الهـام گرفتـه از کـارکرد نـورونهـا یجانوری می باشـد . امـروزه شـبکههـا ی عصـب ی در بسـ یاری از زمین هه ا از جمل ه طبق هبن دی، تش خیص الگ و، پ یشبین ی و مدلسازی فرایندها بهکار گرفته شده است(7). طبق شـکل 1 دریــک شــبکه عصــب ی مصــنوعی چنــد لایــه ای پرســپترون(Perceptron)، جریان دادهها بهطور پیوسـته از لا یـ ه ورودی بـهخروجی و بدون هیچ بازخوردی جریان دارد. در حقیقـت لا یـ ه ورودی، دادههای ورودی از متغیرهای مستقل را بهصورت اعداد نقطهای شناور دریافـت مـیکننـد . در ایـ ن حالـت ابتـدا دادههـادستهبندی شده و سپس بهحالـت بـولین (صـفر و یـ ک) تبـد یلمیشوند. لایه خروجی نتایج حاصل از پردازش دادهها را نشـانمیدهد. بین لایه ورودی و خروجی یک یـ ا چنـد لا یـ ه مخفـ یوجود دارد. هر لایه شـامل یـ ک تعـداد متغ یـ ر از نـورون هـا یـ ا شبکههای عصبی می باشند(13).
گام بعدی در اجرای یک شبکه عصبی آمـوزش (Training)آن است. هدف از آموزش یک شبکه حداقل کردن خطـا ی بـ ین خروجی شبکه و مقدار مطلوب آن (هدف) است. در این فرایندمقدار خروجی با مقدار مطلوب آن مقایسه وخطای بین ایـ ن دو مقدار حداقل میگردد. بر ایـ ن اسـاس الگـوریتمهـا ی آموزشـ یمختلفی ابداع شده که از ماتریسهـا ی وزنـ ی متفـاوت ی اسـتفادهمیکنند. هر یک از این الگوریتمهـا کـه بتوانـد خطـای کمتـر یتولید نماید بهعنوان الگوریتم برتر انتخاب میگردد. با توجه بـهآنچه گفتـه شـد مشخصـه اصـلی یـ ک شـبکه معمـاری و تـابعفعالساز آن میباشد (17). در بومشناسـ ی، بیشـتر اقسـامANN بهصورت لایه نهفته نظارت شده میباشد و شـبکه هـا ی عصـب یمصـنوع ی توسـط الگـوریتم پـس انتشـار(Back propagation algorithm) آم وزش داده م یش وند (8). باتوج ه ب ه ش کل 2ورودیهای یک نورون مصنوعی (متغیرهـای محیطـی) در یـ ک وزن ارتباطی ضرب شده و سپس جمع میشوند.
ورودی وزندار شده بهصورت روبهرو میباشد :
1Y = W0+ W1 Xیک سیگنال خروجی درصورتی ایجاد میشود کـه مجمـوعآن از حد آستانه عبور کند. سیگنال خروجـی توسـط یـک تـابعفعالساز درجهبندی میشود. باتوجـه بـهاینکـه احت مـال رخـدادگونهها بین 0 و 1 تغییر مـی کنـد در تهیـه نقشـههـای پـراکنشگونهای معمولامعمولاً از تابع سیگموئیدی استفاده میشود (17).
44953752570

تابع سیگموئیدی:(f x( )  1e1(x
حاصل جمع وارد تـابع سـیگموئیدی شـده و ایـن تـابع شـدتسیگنال خروجی را تنظیم میکند.

شکل 2. ساختار یک شبکه ساده پیشخور با سه نورون

شکل 3. مدل واریوگرام برازش شده بر متغیر درصد شن
(h) بیانگر مقدار واریوگرام،(h) فاصله به متر ،(0A) دامنه تاثیر، (0C) اثر قطعهای، (C0+C) آستانه میباشد.
988670160592

1( 1 0h= f (w0 + w1 x) = 1e (w wxتعداد لایههای مخفی تعیین کننـده نـوع مسـائلی اسـت کـهشبکه می تواند حل کند. از نظر تئوری، امکان استفاده از بیش از دو لایه مخفی وجود دارد با این حال اکثر مسائل را میتـوان بـایک لایه مخفی حل کرد (17). در فرآیند مـدل سـازی رویشـگاهبالقوه گونه F. ovina بااستفاده از شبکه عصبی مصنوعی از یـکلایه مخفی با 7 نورون بههمراه تابع سیگموئید اسـتفاده گردیـد.
دامنه اعداد پیشبینی شده در محدوده صفر و یک تغییر میکنـد ،به این ترتیب که مقادیر کـم بیـ انگـر احتمـال رخـداد پـایین و مقادیر نزدیک بهیک بیانگر احتمال رخداد زیاد گونه مـ یباشـد .
ارتباط گونه گیاهی کما با عوامـل مح یطـ ی بـا اسـتفاده از مـدلشبکه عصـب ی مصـنوع ی در محـ یط نـرم افـزارStatistica مـوردبررسی قرارگرفتـه و سـپس نقشـه پـیشبینـ ی مـدل در محـیطArc GIS با اندازه پیکسل 70×70 متر تهیه شد.
126873867918Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

ارزیابی مدل با استفاده ازماتریس خطا به دو روش جانشینی(Resubstitution) (استفاده از یک مجموعه داده بـرای سـاختمدل و سپس ارزیابی مدل با همـان داده هـا ) و روش اسـتفاده ازدادههای مستقل (Independent data) (اسـتفاده از دو مجموعـهداده مجزا، یک مجموعـه داده بـرای سـاخت مـدل و مجموعـهدیگـر بـرای ارزی ابی مـدل) انجـام گرف ت (19). در روش اول ارزیابی با 278 سایت استفاده شده در فرآینـد مدلسـازی انجـامگرفت و در روش دوم ارزیابی با استفاده از 25 سایت حضور و
۴۵
126873867918Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: 10.18869/acadpub.ijae.4.11.41 ]

25 سایت غیاب که بهصـورت تصـادفی انتخـاب شـده، انجـامگردی د. ه مچن ین دو ش اخص آم اری ض ریب کاپ ا و س طح زیرمنحنی پلاتهایReceiver operating characteristic) ROC)جهت اعتبارسنجی مدل استفاده شد. ارزیابی مدل بـا اسـتفاده ازنرمافزارMEP (طراحی توسط ترکش و یتشـکه ) انجـام گرفـت
(16، 18 و 19).
نتایج
مدلهای واریوگرام
باتوجه بهمقـاد یر ریشـه دوم مربعـات خطـا (RMSE)، بهتـرینمدلهای واریوگرام بـرای متغیرهـای محیطـی انتخـاب گردیـد.
۴۶
جدول 1. اجزای مدل واریوگرام خصوصیات خاک
RMSE دامنه تأثیر کلاس
وابستگی C0/(C+C0) درصد آستانه اثر قطعهای مدل واریوگرام نوع مدل نام متغیر
1/36 12340 متوسط 49/99 3/36100 1/68 کروی همسانگرد Sand
6/7 9400 متوسط 46/7 70/66 33 نمایی همسانگرد Silt
0/73 13520 قوی 15/02 1/22500 0/18400 کروی همسانگرد Clay
0/16 610 قوی 0/04 0/02262 0/00001 نمایی همسانگرد EC
0/44 380 قوی 12/54 0/2042 0/02560 نمایی همسانگرد pH
9/26 880 قوی 22/66 108/1 24/5 نمایی همسانگرد SP
1/13 15100 قوی 9/52 2/16400 0/20600 کروی همسانگرد Caco3
جدول 2. نتایج حاصل از اعتبارسنجی متقابل و نوع روش میانیابی متغیرهای خاک
RMSE MBE MAE روش میانیابی نام متغیر
1/36 – 0/016 1/1 کریجینگ معمولی Sand
6/7 -0/39 5/2 کریجینگ ساده Silt
1/29 0/2 0/94 معکوس فاصله وزنی OM
1/13 0/003 0/81 کریجینگ معمولی Caco3
0/73 0/02 0/56 کریجینگ معمولی Clay
0/16 0/004- 0/13 کریجینگ ساده EC
0/63 0/11 0/48 معکوس فاصله وزنی OC
0/44 0 0/34 کریجینگ ساده pH
9/26 0/02- 7/31 کریجینگ معمولی SP
بهعنوان نمونه مدل بـرازش شـده بـرروی متغیرهـای خـاک درجدول 1 آورده شده است. شکل3 مدل واریوگرام برازش شـدهبر متغیر درصد شن را نشان مـ یدهـد . ایـن واریـ وگرام از نـوعهمســانگرد و بــه شــکل کــرو ی مــیباشــد. در دامنــه تــ أثیر(0A )12340مت ر ب ا اف زایش فاص له مق دار واری وگرام تغیی رمعنیداری نمیکند و با حدآستانه (0C+C )36/3 و اثـر قطعـهای (0C )68/1 دارای ساختار مکانی متوسط در محدوده دامنه تـاثیرمیباشد.
نقشههای محیطی
با توجه به شاخصهای میانگین انحراف خطا (MBE)، میـ انگینقدر مطلق خطا (MAE) و ریشـه دوم مربعـات خطـا (RMSE)بهترین روش میانیابی جهت تولید نقشههـای محیطـی انتخـابگردیــد. جــدول 2 نشــاندهنــده شــاخصهــای مــذکور بــرای خصوصیات خاک میباشد. با اعمال عملیـات میـانیـابی نقشـهپراکنش مکانی هرمتغیر محیطی تولید گردیـد . بـه عنـوان نمونـهشکل 4، پراکنش مکانی درصد شن بهروش کریجینگ معمـول یرا نشان میدهد.
تعیین ورودی مدل

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

شکل4. نقشه پراکنش مکانی شن
باتوجه به آنالیز مؤلفههای اصلی ،ماتریس همبستگی از 31 متغیر محیطی، تعداد 5 متغیر مستقل شامل درصد شن، درصد سـیلت ،درصد ماده آلی، ارتفاع و شیب بهعنـوان ورودی مـدل انتخـابگردید. باتوجه به بیشترین مقادیر آنالیز مؤلفههای اصلی، درصـدشن و سیلت بهعنوان متغیرهـای معـرف محـور اول، متغیرهـایارتفاع و شیب معرف محور دوم و درصد ماده آلی و کربن آلـیبهعنوان معرف محور سوم شناخته شدند. سه محور اول حاصل از آنالیز مؤلفههای اصلی 76 درصد کل تغییرات را توجیه کردندکه بهترتیب سهم محور اول 7/50 درصد، محور دوم5/17درصد و محورسوم 6/7 درصد میباشد(جدول 3). لازم به ذکـر اسـتبراساس آنالیز همبستگی از بین متغیرهایی که دارای همبسـتگیبیش از 85 درصد بودند یکی از متغیرها از فرآیند آنـالیز حـذفشد. براین اساس بهعلت همبستگی 99 درصد بـین مـاده آلـی وکربن آلی، درصد ماده آلی بهعنوان متغیر مسـتقل در نظـر گرفتـهشد.
126873867918Downloaded from ijae.iut.ac.ir at 16:15 IRST on Saturday October 28th 2017 [ DOI: