مقایسه روش های شبکه عصبی مصنوعی و رگرسیون چند متغیره در تخمین مقادیر آرسنیک خاک

آرسنیک از عناصر بسیار سمی است که مشکلات زیست محیطی و بهداشتی زیادی را در برخی نقاط جهان بوجود آورده است. بافت خاک، ظرفیت تبادل کاتیونی، کربنات ها، آنیون های محلول، اکسیدهای آهن و زمین شناسی اصلی ترین خصوصیات کنترل کننده آرسنیک خاک می باشند. 227 نمونه از منطقه آلوده به آرسنیک شهرستان بیجار جمع آوری و علاوه بر خصوصیات فیزیکوشیمیایی معمول مقادیر اکسیدهای آهن و آرسنیک کل خاک اندازه گیری شد. داده ها به سه سری داده، شامل سری آموزش (80% داده ها) ، صحت سنجی (10% داده ها) و آزمون (10% داده ها) تقسیم گردید. مدلهای شبکه عصبی مصنوعی و رگرسیون چند متغیره برای تعیین پارامترهای موثر بر میزان توزیع مکانی آرسنیک خاک و تخمین مقدار آرسنیک خاک استفاده شدند. شاخص های ارزیابی ریشه مربعات خطا، میانگین خطا، خطای استاندارد نسبی و کارایی مدل نشان دادند که مدل شبکه عصبی مصنوعی 1 (به ترتیب با 37/54، 37/9، 33/0 و 81/0 برای کل خاک و 28/54، 44/12، 36/0 و 95/0 برای خاک عمقی و 89/72، 33/27، 49/0 و 82/0 برای خاک سطحی) و مدل شبکه عصبی مصنوعی 2 (به ترتیب با 16/21، 73/5، 24/0 و 88/0 برای کل خاک و 62/17، 22/10، 14/0 و 96/0 برای خاک عمقی و 83/44، 34/17، 28/0 و 92/0 برای خاک سطحی) در مقایسه با مدل رگرسیون خطی چندگانه (به ترتیب با 94/83، 29، 52/0 و 64/0 برای کل خاک و 68/88، 58/30، 58/0 و 77/0 برای خاک عمقی و 18/76، 56، 52/0 و 73/0 برای خاک سطحی) دارای کارایی بالاتری در تخمین آرسنیک می باشند و استفاده از فاکتور زمین شناسی در کنار خصوصیات فیزیکوشیمیایی سبب افزایش دقت تخمین آرسنیک می گردد.