신경망을 이용한 토양 구조 분류

390개의 토양 샘플에서 3가지 유형의 토양 구조(입자형, 블록형, 대규모)를 분류하기 위해 역전파가 있는 다양한 전방향 인공신경망(ANNs)을 테스트했습니다. 샘플은 미국 농무부(USDA, NRCS) 데이터베이스의 일부인 Ustoll 분류 하부서의 토양을 대표합니다. 토양 구조를 예측하는 데 가장 효과적인 신경망은 3개의 입력 노드, 2개의 은닉 노드, 3개의 출력 노드를 가진 것으로, 정확도는 약 79%에 달했습니다. 입력 변수는 유기 탄소 비율, 실트, 점토였습니다. 은닉 노드가 없는 단순 퍼셉트론 및 단순 선형 퍼셉트론(3 å 3과 같은)의 정확도는 단 46%에 불과했습니다. 따라서, ANNs는 토양 특성 데이터로부터 토양 구조를 학습할 수 있으며, 더 간단하고 선형적인 방법보다 토양 구조 유형을 분류하는 능력이 더 뛰어납니다. 일반적으로 측정되는 정량적 토양 매개변수로부터 토양 구조를 분류하는 것은 구조가 다른 토양 특성을 결정하는 역할을 하기 때문에 중요한데, 이는 토양 시스템 모델링에 필수적인 요소입니다. 이 연구는 인공신경망이 정량적 토양 매개변수 간의 복잡한 관계를 인식하고 학습하여 토양 구조를 올바르게 분류하는 데 사용할 수 있는 가능성을 보여주며, 토양 특성 데이터를 모델링 활동에 더 효과적으로 사용할 수 있게 합니다.