مقایسه مدل های ” رگراسیون چند متغیره تطبیقی ” و ” شبکه های عصبی مصنوعی ” در پیش بینی آب قابل جذب گیاه

استفاده از کیفیت اراضی ( مثل آب قابل استفاده گیاه ) به جای مشخصات اراضی ( مثل بافت، مواد آلی و غیره ) ، در ارزیابی تناسب اراضی، نتایج بهتری را عاید خواهد کرد . اندازه گیری کیفیت اراضی مشکل تر از اندازه گیری مشخصات اراضی است (5) یکی از خصوصیات خاک که در این مطالعه مورد بحث قرار گرفته است، آب قابل جذب گیاه می باشد . به خاطر وقت گیر بودن و پر هزینه بودن اندازه گیری مستقیم آب قابل جذب گیاه، در بعضی از موارد بهتر است تکنیک هائی را برای پیش بینی آن بکار برد (6) مواردی که پیش بینی آب قابل جذب بر اندازه گیری آن ارجحیت دارد، عبارتند از (2) : 1 - در پیش بینی، خطای جزئی ( کمتر از 10 درصد ) ، قابل قبول باشد، 2 -مشکل کمبود منابع مالی و وقت وجود داشته باشد، 3 -پروژه مطالعاتی، مقدماتی و اجمالی باشد، 4- منطقه مورد مطالعه بسیار وسیع و تغییرات آب قابل جذب در خاک آنقدر زیاد باشد که اندازهگیری مستقیم آن عملاً غیر ممکن باشد . یکی از تکنیک هائی که از آن می توان در پیش بینی آب قابل جذب گیاه استفاده نمود، مدل های هوش مصنوعی Artificial Intelligence models (AI) ، از قبیل مدل رگرسیون چند متغیره تطبیقی Multi-variate Adaptive Regression Splines MARSو مدل شبکه های عصبی مصنوعی Artificial Neural Network (ANN) است (7). هدف از این مطالعه، مقایسه مدل های رگرسیون چند متغیره تطبیقی و شبکه های عصبی مصنوعی در پیش بینی آب قابل جذب گیاه می باشد .