مشخصات پژوهش

عنوان	ترکیب درون یابی کریجینگ با مدل های یادگیری ماشینی جهت پیش بینی میزان فلزات سنگین (آرسنیک) خاک در دشت های قروه
نوع پژوهش	پایان نامه
کلیدواژه‌ها	مدل های هیبریدی، پیش بینی، MLPRK، GRNNRK، فلزات سنگین
چکیده	امروزه یکی از مسائل مهم در زمینه انواع آلودگی ها، آلودگی ناشی از فلزات سنگین است. در سال های اخیر به علت گسترش فعالیت های صنعتی، غلظت این فلزات در محیط زیست، خاک و همچنین مواد غذایی افزایش یافته است. غلظت فلزات سنگین به علت تهدیداتی که می تواند متوجه سلامت جانداران کند، دارای اهمیت فراوانی است. یکی از انواع آلودگی های فلزات سنگین، آلودگی خاک به آرسنیک است که به خاطر استفاده از خاک در تهیه محصولات کشاورزی و باغی دارای اهمیت فراوانی است. بدین منظور در این تحقیق به مطالعه ترکیب مدل-های یادگیری ماشینی با کریجینگ باقی مانده جهت پیش بینی میزان فلزات سنگین (آرسنیک) در دشت های شهر قروه پرداخته شد. در این راستا داده های مربوط به غلظت فلز آرسنیک منطقه موردمطالعه از اداره صنعت و معدن استان تهیه شد و سپس با استفاده از مدل های کریجینگ عام و پرسپترون چندلایه (MLP) و رگرسیون عمومی (GRNN) به برآورد میزان فلزات سنگین پرداخته شد و در نهایت با ترکیب مدل های MLP و GRNN با کرجینگ معمولی میزان آرسنیک موجود در خاک برآورد شد. به جهت بررسی میزان دقت و نحوه عملکرد و همچنین انتخاب برترین و کارآمدترین مدل، مدل های استفاده شده مورد مقایسه قرار گرفتند، نتایج نشان داد که مدل انفرادی MLP با معیارهای ارزشیابی خطا شامل: (RMSE=18/85)، (MAE=13/1) و (R2=0/46) در مرحله آموزش و (RMSE=10/93)، (MAE=9/22) و (R2=0/11) در مرحله آزمون بدترین نتیجه و مدل انفرادی GRNN و مدل ترکیبی (GRNNRK) نتایج نزدیک به هم و قابل قبولی داشتند. به صورت کلی، مدل GRNNRK با میزان (RMSE=0/5742)، (MAE=0/4320) و (R2=0/99) در مرحله آموزش و (RMSE=6/9061)، (MAE=5/2654) و (R2=0/72) در مرحله آزمون، عملکرد بهتر و دقت مناسب تری نسبت به سایر مدل های مورد بررسی داشته است.
پژوهشگران	جمیل امان اللهی (استاد راهنما)، رفیق گلی (دانشجو)