مقایسه سه تابع عضویت مختلف در ارزیابی تناسب اراضی منطقه آمل به روش فازی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیئت علمی دانشگاه ارومیه

2 عضو هیئت علمی

چکیده

مجموعه‌های فازی، بدون مرزهای تیز و مجزا هستند. به‌طوری‌که، عبور از یک منطقه عضو به غیرعضو در کلاس، تدریجی است. یک مجموعه فازی توسط توابع عضویت‌ فازی تعریف می‌شود که از صفر تا یک متغیر است و نمایان گر افزایش تداومی و پیوسته از غیرعضویت کامل به عضویت کامل می‌باشد، از طرفی، تابع عضویت یکی از پارامترهای تأثیرگذار در ارزیابی تناسب اراضی به روش نظریه مجموعه های فازی است. هدف از این تحقیق، مقایسه سه تابع عضویت کندل، کوچی و ذوزنقه ای در ارزیابی تناسب اراضی شرق منطقه آمل برای گیاه برنج، بر اساس نظریه مجموعه های فازی می باشد. برای نیل به این هدف، ویژگی های اراضی (۸ ویژگی) براساس نظر فائو انتخاب، و ارزیابی تناسب اراضی به روش فازی در 17 واحد اراضی صورت پذیرفت. نتایج نشان داد که بر اساس وزن‌های به‌دست‌آمده، در هر سه نوع تابع عضویت مورد استفاده، اقلیم دارای بیشترین وزن و ظرفیت تبادل کاتیونی ظاهری دارای کمترین وزن (درجه اهمیت) در رشد محصول برنج در منطقه مطالعاتی می باشند. همبستگی بین شاخص اراضی و عملکرد مشاهده ‌شده در سطح منطقه، برای نظریه مجموعه های فازی با تابع عضویت کندل (0.98) بیشتر از توابع کوچی (0.75) و ذوزنقه ای (0.79) بود و اختلاف نسبتاً زیاد ضریب همبستگی محاسبه شده، نشان از دقت بالای تابع عضویت کندل دارد. همچنین در این روش، نرم افزار متلب با توجه به حدود انتقالی انتخاب ‌شده مناسب، توانسته وزن ها را به طور دقیق برآورد نماید. نهایتاً می توان چنین بیان کرد که اگر از توابع عضویت و حدود انتقالی مناسب در روش فازی استفاده گردد، می‌توان از آن به عنوان یک روش کارا در ارزیابی تناسب اراضی استفاده کرد.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of three membership function in land suitability by fuzzy set theory in Amol region, IRAN

نویسنده [English]

  • Moslem Servati 2
چکیده [English]

Fuzzy sets are classes without sharp boundaries; that is, the transition between membershipand non-memberships of a location in the class is gradual. A fuzzy set, is described by a fuzzy membership functions that range from 0.0 to 1.0, representing a continuous increase from non-membership to complete membership.‌ Additionally, membership function is one of important factors on land suitability evaluation by fuzy set theory. The goal ofthis research was the coparison of three membership functions in land suitability by fuzzy set theory in East Amol region for irrigated rice. In order to achive to this goal, 8 properties were selected based on FAO framework approach and then land suitability evaluation was done on 17 land units of study area. The results indicated that climate had higher and cation exchenge capacity had lower weights than other criteria in study reigin for the growth of irrigated rice. Calculated correlation coefficients between land index and observed production by fuzzy method with kandel membership function was (r= 0.98) more than Cauchy (r= 0.75) and Trapezoidal (r=0.79) Membership function and relatively large difference in calculated correlation coefficient had been identified in candele membership function provides better results than others. Additionally, matlab software correctly predicted oweral weithing of this method based on transitional range. Finally, it could be expressed that the appropriate membership functions and transition range in fuzzy set theory can be used as an efficient method in land suitability evaluation.

کلیدواژه‌ها [English]

  • Candle
  • Cauchy
  • Fuzzy
  • Rice
  • Trapezoidal
References                                                     

Ayoubi S.H., and Jalalian A. 2010. Land Evaluation (Agricultural and Natural Resources). 2nd Ed.  Isfahan University of Technology Publication Center, Isfahan, Iran, 385p. (In Persian)

Babaei M., Honarjoo N., and Toomanian N. 2014­. Qualitative land suitability evaluation using in fuzzy method and parametric for rice in Zarrinshahr of Isfahan province. In: The International Conference on New Ideas in Agriculture, Islamic Azad University Khorasgan branch, Isfahan, pp. 282-290.

Baja S., Chapman D.­M., and Dragovich D. 2001. A conceptual model for defining and assessing land management units using a fuzzy modeling approach in a GIS environment. Environmental Management, 29:­ 647-661.

Burrough P.­A. 1989. Fuzzy mathematical methods for soil survey and land evaluation. Journal of Soil Science, 40:­ 447–92.

Eaalem M., Camber A., and Fisher P. 2011 A comparison of Fuzzy AHP and ideal point methods for evaluation land suitability.Transactions in GIS Journal, 15(­3): 29-346.

FAO. 1976.  A framework for land evaluation. FAO Soils Bulletin Series, No. 32. 66p.

Geological survey and Mineral Exploration of Iran. 2006. Geology Map of Iran, 1:100000 series, Shite N, Amol.

Hartati S., and Sitanggang I.­S. 2010. A fuzzy based decision support system for evaluating land suitability and selecting crops.  Journal of Computer Science, 6­ (4): 417-424.

Liu Y., Jiao L., Liu Y., and He J. 2013. A self-adapting fuzzy inference system for the evaluation of agricultural land. Environmental Modelling and Software, 40: 226-234.

Newhall F., and Berdanie C.R. 1996. Calculation of soil moisture regimes from climatic record. Natural Resources Conversations Service, Soil Survey Investigation Report, 18p.

McBratney A.­B., and Odeh I.­O.­A. 1997. Application of Fuzzy sets in soil science: Fuzzy logic, fuzzy measurements and fuzzy decisions. Geoderma, 77: 85–113.

Page A.L., Miller R.H., and Keeney D.R. 2009. Methods of Soil Analysis-Part 1, 2. Physical, Chemical and Microbiological Methodes. 2nd Ed. Agron. Monogr. 9. Soil Science Society of America, Madison, WI. 1186p.

Ruan D. 1990. A critrical study of widely used fuzzy implication operators and their influence on the influence rules in fuzzy expert systems. Ph.D Thesis of State Univecity of Gent, Belgium, 97p.

Sanchez J.F. 2007. Application of knowledge based and fuzzy theory-oriented approaches to suitability for upland rice and rubber. M.Sc Thesis of ITC, Netherland, 112p.

Schoeneberger P.­J., Wysocki D.­A., Benham E.C., and Broderson, W.D. 2006. Field Book for Describing and Sampling Soils. Natural Resources Conservation Service, USDA, National Soil Survey Center, Lincoln, NE, 314p.

Servati M., Jafarzadeh A.­A., Ghorban M. A., Shahbazi F., and Davatgar, N. 2014. Comparison of the FAO and Albero Models in Prediction of Irigated Wheat Production Potentials in the Khajehregion. Journal of Water and Soil Science, 24: 1-14. (In Persian).

Sys C., Van Ranst E., Debaveye J., and Beernaert F. 1993. Land Evaluation-Part 3. Crop Requirements. General Administration for Development Cooperation Place, Brussels, Belgium, 183p.

Tang H., Debaveye J., Ruan D., and Van Ranst E. 1991. Land suitability classification based on fuzzy set theory. Pedologie, 3:­277-290.

USDA. 2014. Keys to Soil Taxonomy. 12th Ed. Soil Survey Staf, Natural Resource Conservation Service, 382p.

Van Ranst E., Tang H., Groenemans R., and sinthurahat S. 1996. Application of fuzzy logic to land suitability for rubber production in peninsular Thailand. Geoderma, 70­: 1-19.

Zhang J., Su Y., Wu Y., and Liang, H. 2015. GIS based land suitability assessment fortobacco production using AHP and fuzzy set in Shandong province of China. Computers and Electronics in Agriculture, 114: ­202–211.

Zhu A.X., Yang L., Li B., Qin C., Pei T., and Liu B. 2010. Construction of membership functions for predictive soil mapping under fuzzy logic. Geoderma, 155: 164-174.