研究文章|开放访问
Samir Hadj Miloud, Kaddour Djili, Mohamed Benidir, "阿尔及利亚分类Solchaks的模糊逻辑专家系统",应用与环境土壤科学, 卷。2018年, 文章的ID8741567, 11 页面, 2018年. https://doi.org/10.1155/2018/8741567
阿尔及利亚分类Solchaks的模糊逻辑专家系统
摘要
在非洲北部干旱和半干旱地区,被认为是盐土的土壤含有碳酸钙和石膏。当这些元素大量存在时,这些盐土就接近于钙石或石膏石。土壤分类的世界参考基础(WRB)没有把土壤作为一个连续体考虑进去。相反,这种国际土壤系统分类是基于定义分级诊断标准的阈值。因此,Solonchaks, Calcisol和Gypsisol之间的区别仍然不清楚。为了避免这种情况,基于Mamdani推理系统(MFIS)的模糊逻辑被用于确定在WRB中属于Solonchak的土壤对Calcisols和Gypsisols的干扰程度。为此,本文从WRB中划分为Solonchak (Is)、Calcisols (Ic)和Gypsisols (Ig)的194个剖面中计算了Solonchak (Is)、Calcisols (Ic)和Gypsisols (Ig)的隶属度。数据分析表明,盐土可细分为盐土(61%)、钙质土(1%)、石膏土(0.5%)、盐土-钙质间质(29%)、盐土-石膏土间质(5%)和盐土-钙质-石膏土间质(2%)。此外,Is、Ic和Ig与几乎所有WRB诊断标准均呈高度显著相关().在我们的研究中,利用MFIS获得的土壤分类与WRB提供的相似;然而,MFIS对土壤与其过渡质之间的隶属度值具有较高的精度。因此,将MFIS应用于世界其他土壤分类是可能的,并可能导致传统土壤分类的改进。
1.介绍
土壤分类被视为国家和国际层面的重要沟通方式[1,2].但是,已经发表了很少的土壤分类研究[3.].土壤分类的缺乏降低了我们的知识,影响了我们的土地利用决策。层次分类往往是建立在不同标准的基础上的,这一事实加剧了这一困难。Baize和Girard提出的经典参考[4]减少了层次层次的数量,缓解了这些挑战,并代表了一个显著的改进。两种传统分类(即,层次和经典参考)是最常用的。然而,还有许多其他的国家分类,如澳大利亚分类系统[5),加拿大(6]和法语[7].目前,国际土壤科学联合会正在推动一个通用的土壤分类系统的发展[8世界上所有的土壤都在它的等级体系中占有一席之地。初步结果表明,客观和计步法的方法可以支持一个通用的土壤分类系统的计划发展。
由于土壤是一个生态连续体的一部分,通常的分类正面临着重大挑战,需要做出选择,通常是值得怀疑的[9]、基本性状之间的关系以及它们在分类单位层次上的重要性。传统的分类在主要单位之间定义了几个相互转换的等级。层次分类系统部分是基于土壤形成专家的判断。40年前,对土壤进行数值分类的第一次尝试[10,11].麦克拉特尼和odeh [12],认为离散的土壤分类系统不足以进行土壤分类,并提出了基于模糊集的数值分类方法。数值方法可以同时处理大量性质。目前,有一些数字分类系统试图成为一个客观的分类,这是基于土壤的形态和分析特征之间的实际差异。他们的主要目标是根据客观标准最小化组内差异,最大化组间差异[13].方面(14]一直受到国际土壤科学联盟和欧盟的青睐,认为它是土壤之间的一个相关系统[15].它根据参考文献、特性和诊断材料定义了不同的土壤层组;每一项标准都是定量的,差别很大。一些研究表明,WRB与土壤分类学相比[16]非常适合为钙质土壤分类[17]和石膏土壤[18,19].
同样,在第16届世界土壤科学大会结束时,建议通过模糊逻辑和人工智能等其他方法来加强传统制图方法,以评估土壤制图中固有的不确定性[20.].近年来,模糊逻辑在许多科学领域得到广泛应用,如土壤科学[21.- - - - - -23.].它的目的是处理由于不精确而产生的不确定性[24.].模糊系统属于基于知识或专家系统的一类系统。它们的主要目的是通过计算机程序实现人类的技能或语言规则。模糊逻辑提供了一种具有不确定语言概念的数学形式主义。这种基于集合理论的数学方法由Zadeh [25.].因此,许多研究都将模糊逻辑应用于土壤及其分类的研究。由此可见,模糊逻辑允许创建由其重心定义的非分层连续类[12].过渡性土壤的概念已通过模糊集的概念得到正式认可[12].基于模糊逻辑的算法可以估计土壤综合等级的数量[26.].目前,将模糊聚类与其他技术相结合,用于开发预测土壤性质的模型[27.,28.].总的来说,这一理论在土壤科学中有很大的潜力[12].使用该系统的使用可以取代布尔变量,这是适合于呈现最自然现象的呈现,通过使用将转化为多语言值的语言概念。在不同的应用中使用了几种模糊推理系统;最常用的是Mamdani模糊推理系统(MFIS),将在本研究中使用。MFI的优势被誉为直观;这是最普遍的接受,更适合人类认知[29.].
在非洲北部的干旱和半干旱地区,碳酸钙的积累经常与石膏和可溶性盐有关。在许多情况下,土壤同时是盐性、钙质和石膏质[30.].Rahmouni [31.]利用WRB对阿尔及利亚(半干旱区)土壤分类进行了研究。本文认为,石膏土和盐土具有高度的相似性,研究的土壤可以看作是石膏土和盐土之间的中介群体。为了改进WRB土壤分类,将所有土壤类型用隶属度值进行连续分类的模糊(连续)分类十分重要[12,以避免不精确和含糊的分类。在此背景下,使用基于MFIS的专家系统(1)根据WRB标准确定阿尔及利亚北部Solonchaks与Calcisols和Gypsisols之间的隶属度,(2)看看这些Solonchaks在多大程度上可能构成Calcisols或Gypsisols。
2。材料和方法
2.1.研究土壤特性
该研究专注于Djili识别的194个概况的研究[30.)(图1)位于阿尔及利亚北部。使用方面[14标准,所有这些型材都被视为Solonchaks。表格中显示了所有轮廓的诊断视野的特征1.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
请注意.E:诊断视野的厚度;电子商务e:电导率;SD:标准差;CV:变异系数。 |
整体视界的主要特征概括如下:(我)电导率(ECe)饱和的土壤浆料在15至96ds / m之间,平均为30ds / m。这些Solonchaks标有一个非常高的盐度[32.]从土壤到另一个土壤的高度(cv = 56%)变化。(2)碳酸钙当量是可变的(CV = 56%),其平均值为1%至67%,为23%。因此,这些索伦克斯可以很少钙质,或者相反,非常大量地填充碳酸钙等同物。其中一些视野遵循钙化地平线的标准。(3)石膏含量高度变量(CV = 115%)。它们的范围不到1%至73%(质量),平均为9%。因此,这些土壤的诊断视野是极其含可的。其中一些视野遵循吉普赛人地平线的标准。(iv)饱和萃取物的土壤pH值在7 ~ 8.9之间,平均值为7.83,表明土壤发生了碱性反应。(v)诊断视野的厚度(E)是高度可变的(CV = 55%),这些盐土可能有中等厚度到非常厚的诊断层。这些特征表明这些盐土与钙质土有关,而与石膏土有关。
表中列出了用于三组研究土壤(盐土、钙质土和石膏土)的变量或物理值2.所有学习的Solonchak都有ECe≥15 dS/m,因此根据WRB分类不考虑pH。
|
在194年学习的Solonchaks型材中,74%是钙硅蛋白,10%是吉普赛人Solonchak,4%是吉普赛人钙塞Chak,12%是Solonchak,既不是吉普赛人也不是钙。尽管碳酸钙含量高,但由于没有更多的诊断标准,我们观察到缺乏蠕虫性和瘀点的预选率。
2.2.决策
基于MFIS的专家系统需要三个步骤,即模糊化、推理和去模糊化,如图所示2.
2.2.1。模糊化
模糊化是将每组土壤的数值(或诊断标准的物理参数)进行转换的过程2)进入模糊变量。与其他数值分类相比距离度量方法[33.],既不需要清晰的数据(非模糊),也不需要模型假设[34.- - - - - -37.],被认为是MFI的主要优势之一。
在此步骤中,我们首先定义了所有变量的成员函数,然后,我们从物理量到语言变量的段落。隶属函数描述模糊变量的隶属度(ECe模糊子集a(小ECe值、中ECe值或大ECe值),记为
利用高斯隶属函数和模糊集对所有物理变量进行模糊化。模糊变量(输入)采用语言变量(小值(L)、中值(M)、大值(G))划分为三个子集。另一方面,输出也被划分为三个子集(小值(L),中值(M),大值(G))(表2,数据3.和4).使用语言变量的这种方法的优点是避免不适合连续土壤的阈值。
碳酸钙等同物,石膏,电导率,二次碳酸钙(SC)的语言变量的界限,以及诊断地平线L(0-30%),m(30-80%)和g(80-100%)如图所示3..电导率分为L (0 ~ 30 dS/m)、m (30 ~ 80 dS/m)和G (80 ~ 100 dS/m)语言变量。诊断层位厚度分为3个子集(L (0-30 cm), M (30-80 cm), G (80-100 cm)),最后分别为诊断层位厚度× ECe和诊断层位厚度×石膏,语言变量分别为L(0-2000)、M(2000-7000)和G(7000-9000)。这些语言变量的边界是基于人类从实地经验中获得的知识。对输出变量进行了同样的处理,这些输出变量已被翻译成Solonchaks指数、Calcisols指数和Gypsisols指数,如图所示4.
2.2.2。推理规则
推理规则是利用9个输入数据(诊断标准或物理变量)开发的,之前被分为三个亚组,分别代表Solonchak, Calcisol,和Gypsisol(表2).如果所有的诊断标准都很好,则将土壤分类为盐土(G)。例如,如果我们的土壤中碳酸钙等价物和(SC)含量很低(表征钙酚),石膏含量中等(表征石膏酚),EC含量很高e(这是盐土的特征),土壤将被分类为盐土。这些规则被表示为单个条件(IF)或与其他条件(AND, or)相结合以获得语言结果。每条规则由IF表示的先行部分(条件或输入)和THEN表示的实质性部分(结论或输出)组成。例如,如果电子商务e是g(EC.e×E)是gE是g(solonchak标准),和碳酸钙当量是l和SC.是L (Calcisol标准),AND石膏的内容是l和(E×石膏)l(gypsisol标准)那么Solonchak.g,Calcis.是L,Gypsisol是L.
在本研究中,使用9个物理变量(每个土壤3个)和3个语言变量(小,中,大)突出了研究土壤之间的隶属度。(1)总共171条表示所有诊断标准组合的推理规则,其关系如下: 在哪里是组合。
2.2.3。去模糊化
推理方法提供成员函数为输出变量“y”(Solonchak, Calcisol, Gypsisol)。去模糊化就是将模糊信息转化为被测信息。质心(Z)使用方法[38.)(图5).表达Z为下式:
在这项研究中,为MFIS获得的Solonchak指数、Calcisol指数或Gypsisol指数。
由MFIS获得的土壤索引与WRB考虑的所有土壤分类标准(ECe如碳酸钙当量、石膏含量和诊断层厚度)。在我们的条件下,从估计的171条规则中只选择了21条推理规则。这21条推理规则的选择是基于高度显著相关()不同的Solonchaks(IS),Calcisol(IC)和Gypsisol(IG)指数和WRB诊断标准(诊断地平线厚度标准除外)。最后,获得的关键规则如下:
规则1:如果电子商务e是g(EC.e×E)是gE是g碳酸钙当量是l和SC.是l和石膏的内容是L(E×石膏)那是lSolonchak.g,Calcis.是L,Gypsisol.是L。
规则2:如果电子商务e是l和(ECE.×E)是l和E是l和碳酸钙当量是gSC.是g石膏的内容是L(E×石膏)那是lSolonchak.是L,Calcis.g,Gypsisol.是L。
规则3.:如果电子商务e是m和(EC.e×E)是m和E是m和碳酸钙当量是gSC.是g石膏的内容是L(E×石膏)那是lSolonchak.是m,Calcis.g,Gypsisol.是L。
规则4.:如果电子商务e是l和(EC.e×E)是l和E是l和碳酸钙当量是m和SC.是m和石膏的内容是L(E×石膏)那是lSolonchak.是L,Calcis.是m,Gypsisol.是L。
规则5.:如果电子商务e是l和(EC.e×E)是l和E是l和碳酸钙当量是l和SC.是l和石膏的内容是G(E×石膏)然后是GSolonchak.是L,Calcis.是L,Gypsisol.是g。
如上所述,对其余规则使用相同的程序。
最小-最大值法[25.,39.,40用来计算模糊推理。将加权系数(Wi)分配给每个推理规则。这种系数取决于规则的结构,即表示或和和和和和和和。并用于最小操作员和最大操作员。加权系数用作输出隶属函数的恒定剪辑。
2.3。解读指数
MFIS分类法有利于较高指标的分类。而当各指标值相同时,则表明土壤具有相同的隶属度。因此,土壤被认为是过渡性的。因此,我们可以这样解释证据:(我)如果是> IC,并且是> Ig,那么土壤是分类的Solonchak。(2)如果Ic > Is和Ic > Ig,则土壤分类为Calcisol。(3)如果Ig>是和Ig> IC,则土壤是分类的石膏。(iv)如果是= IC = Ig,则土壤是分类的互生皂蛋白-calicisol-gypsisol。(v)如果Is = Ic and Ig < Ic and Ig < Is,则该土壤属于盐渍化-钙化过渡性土壤。(vi)如果Is = Ig and Ic < Gypsisol,且Ic < Is,则该土壤属于盐碱土-Gypsisol过渡性土壤。(七)若Ic = Ig, Is < Ic, Is < Ig,则为钙石膏质过渡性土壤。
3。结果与讨论
数据分析表明,三个计算指标之间存在一些差异。这些数据在Is的0.15到0.53之间变化,Ic的0.13到0.50之间变化,Ig的0.14到51之间变化3.).总的来说,在我们的研究中,Solonchaks与Calcisols(分别为0.31和0.25)的相关性高于与Gypsisols(分别为0.31和0.19)。结果表明,盐土与钙溶土的隶属度比与石膏土的隶属度更重要。如图所示,盐土的隶属度指数占41%,钙溶土的隶属度指数占33%,石膏土的隶属度指数占25%6.结果表明,研究的土壤由Solonchak占主导地位。
|
Solonchaks和Calcisols之间的高层化表明,所研究的土壤可以被归类为Calcisols。图中所示的结果6和7显示以下事实:(我)盐土是最主要的,其次是Calcisols。(2)类似于石膏土的盐土仅用土壤89表示,其指数为0.5。89号土壤在WRB中是合格的石膏盐土。(3)只有39、107和138土壤与盐土、钙质土和石膏土同时具有相同程度的相似性,因为它们的指数分别为0.21、0.18和0.15。因此,土壤39、107、138在WRB中属于石膏钙盐土。(iv)相反,土壤78是通过与WRB不同的模糊分类分类的石膏。我们解释了土壤78在石膏中非常丰富的差异(58%质量)(表4).这种土壤是以WRB为吉普赛人索伦克的合格。
|
||||||||||||||||||||||||||||||||||||||||
笔记。E:诊断视野的厚度;电子商务e:导电性。 |
土壤15和126与钙质土的相似程度高于土土(图)7).因此,这些土壤被MFIS分类为Calcisols而不是Solonchaks。此外,土壤15和土壤126富含碳酸钙等价物(67%),富含SC,土壤15和土壤126的值(按体积计算)分别为20%至25%(见表)4).这2个土壤由WRB作为钙索诺克挑战。WRB和MFI之间观察到的差异是由于MFIS不考虑分类的阈值和优先顺序。
根据三条曲线的总体趋势(图7),我们得出结论,大多数吉普赛人受低于0.2的值影响。0.2 ~ 0.4之间的指数影响的土壤在盐土和钙质土之间具有几乎相同的优势。这表明,与Solonchaks和Gypsisol相比,Solonchaks和Calcisols之间存在主要的重叠。指数高于0.4基本上代表盐湖。因此,我们可以分配索引(IG.ydF4y2Ba),以确定每一组研究的土壤隶属度水平的频率,如下图所示:(我)第1组(低指标):IG.ydF4y2Ba < 0.2(2)第二组(平均指数):0.2 <IG.ydF4y2Ba≤0.4(3)第3组(高指数):IG.ydF4y2Ba> 0.4
3.1.所研究土壤之间的隶属度
数字8研究区50%的石膏土、32%的钙土和19%的盐土均属于低指数(IG.ydF4y2Ba< 0.2)。这一结果表明,在该群体中,所研究的盐土具有较低的Gypsisols隶属度,而具有较高的Calcisols隶属度。同样,这一群体中的一些盐土与钙溶土和石膏溶土同时具有相同程度的成员。第1组的大部分土壤经WRB鉴定为石膏盐土,少数为石膏钙盐土。组2 (0.2 <IG.ydF4y2Ba≤0.4),43.% of the average indices are assigned to Solonchaks, 39% to Calcisols, and 18% to Gypsisols. According to WRB, the qualifier Calcic is predominant for this group comparing the qualifier Gypsic.
这一结果表明,同样在这一群体中占主导地位的Solonchaks与Calcisols的关系比与Gypsisols的关系更密切。第三组(IG.ydF4y2Ba> 0.4),67.% of the indices are assigned to Solonchaks against 26% and 6% to Calcisols and Gypsisols, respectively. This result means that Solonchaks clearly dominate this group. It also suggests that, compared to groups 1 and 2, the degrees of membership between soils (Solonchaks with both Calcisols and Gypsisols) in group 3 were low, and there are some Solonchaks that have no membership with either Calcisols or with Gypsisols. On the other hand, the proportions of the soil qualifiers in group 3 are distributed in the following way: Calcic (80%), Gypsic (12%), Gypsic Calcic Solonchak (3%), and 5% of Solonchaks, which are neither Calcic nor Gypsic.
总体而言,这些结果表明,研究的土壤由Solonchak占主导地位;这些Solonchak中的74%是钙索诺克赛。根据所考虑的组,Solonchaks至Calcisols或Gypsisols的成员的成员程度不同。Solonchaks和Calcisols之间的成员程度比Solonchaks和Gypsisols之间的成员更强。因此,具有较高隶属度的Solonchaks与Calcisols有资格,作为钙Solonchaks。
每组指数的数据分析(图8计算用于确定索伦盾,钙质和石膏频率以及所有可能的互化土壤。数字9表明,索伦克频率在第2组中的1至64%的39%增加到3〜64%,组3中的78%仅在第3组(3%且小于2%)中检测到钙黄糖和石膏。在每组中,既不是索妥克斯,也不是石膏,也不是石油的土壤,也可以被视为具有Solonchaks的整体土壤。结论,基于MFIS的算法可以估计这些土壤的土壤互化数量和这些土壤的成员价值观(索引)的数量更加精确[12- - - - - -25.]与WRB土壤分类相比。
数字9显示三种类型的互化土壤,Solonchaks-Calcisols,Solonchaks-Gypsisols和Solonchaks-Calcisols-Gypsisols。这些融合土壤占第1组的60%的溶龙蛋白酶,其索尔科基克斯 - 钙(45%)占据了索尔科克斯 - 石膏(11%)和Solonchaks-Calcisols-gypsisols(3%)。这些融合土壤仅占第2组和16%的土壤中的34%和第3组。使用MFI的使用揭示了WRB以前分类的Solonchak与钙质和石粉病具有强烈的相似性。
根据MFI的说法,Solonchaks与Calcisols有更高程度的成员(29%)(图10(5%), solonchks - calcsol -Gypsisols仅占1%。因此,盐酸盐过渡带的分类为盐酸盐-钙质土、盐酸盐-石膏土和盐酸盐-钙质-石膏土。MFIS还表明,61%的土壤是严格的盐土,只有1%和0.5%的土壤是严格的Calcisols和Gypsisols。根据WRB,在MFIS检测到的61%的盐土中,只有26%为盐土,43%为钙质盐土,3%为石膏质盐土,1%为石膏钙质盐土。
3.2.MFIS土壤指标与WRB诊断标准的相关性分析
进行相关数据分析以确定MFI获得的指标之间的关系,其诊断标准由WRB定义(ECe、碳酸钙当量、SC、石膏、层厚(E), (E×ECe), (E×石膏)).表中呈现的这些关系的统计参数5表明所有相关性都是积极且显着的(0.49 < r < 0.77;)除了(E)(0.01 < r< 0.06;).Solonchaks Indices(是)与EC呈现显着且正相关e(0.76)、石膏土指数(Ig)与石膏含量(0.70)呈高度相关,钙质土指数(Ic)与碳酸钙当量和SC呈极显著相关(分别为0.77和0.70)。大多数WRB诊断标准与MFIS获得的指标高度相关。这些结果表明,MFIS给出了与WBR相同的土壤分类;然而,它的应用提供了更精确的隶属度值之间的土壤(参考组土壤)。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||
请注意.在概率上显着
;
r:相关系数;R:决定系数;df: 自由度。 |
数据分析表明,3个土壤指标之间呈显著正相关() (桌子6).关系为× Ic (r= 0.7)比is × Ig (r = 0.52) and Ic × Ig (r= 0.32)。IC和Ig之间的高相关性表明我们在我们的条件下存在一些整体土壤(Solonchak-Calcisol,Solonchak-Gypsisol和Solonchak-Calcisol-Gypsisol)(图10).
|
||||||||||||||||||||||||||||
请注意.在概率上显着
.
|
因此,所研究的Solonchaks实际上是Solonchaks,Calcisols和Gypsisols的混合物。然而,结果表明,分配给Solonchaks的指标是最占优势(约41%),然后分配给石油(33%)和石粉虫(25%)。一般来说,Solonchaks呈现了最高指标,然后是石油和石膏。
总的来说,Solonchaks与石油(29%的土壤或Solonchak-Calcisol)具有比含有石粉虫(5%)的占会员更高的会员资格。数据分析还通过Solonchaks和Calcisols之间的高相关性证实了这些结果(r= 0.7;)在Solonchaks和Gypsisol之间(r= 0.52;).在阿尔及利亚北部,与solonchak - gypsisols(5%)相比,solonchak - calcisols(29%)间质土壤最为重要。这些结果证实了Hughes等人的结论[26.他证明了模糊逻辑允许确定综合组。此外,Viscarra Rossel等人[41.]使用模糊方法提供有关土壤群体的信息。MFIS表明,这些Solonchaks-Gypsisols-Calcisols introlds的重叠成员程度差异很差(<2%)。类似地,发现由WRB分类的1%和0.5%的194年Solonchaks分别被MFI识别为Calcisols和Gypsisols。两个分类系统之间的这种小差异是由于传统分类定义的诊断标准的阈值不适合被视为连续体系的土壤[9].因此,重要信息丢失了[42.,特别是在分类破碎化和土壤制图方面。然而,模糊分类是连续的和数值的[12]使用语言变量和高斯成员函数。
这些结果表明,两种二手系统(WRB和MFI)提供了相同的分类(Solonchak组的优势)。基于模糊逻辑,WRB分类为钙斯科克的土壤为Calcisol的核算高度,这些钙索克斯的一些人现在被MFIS分类为Calcisol。以WRB为吉普赛人Solonchak的Solonchaks作为Gypsisol具有高度的成员,其中一些土壤由MFIS作为Gypsisol归类。两种土壤系统分类之间所指出的差异归因于WRB取决于归因于诊断标准的优先级和权重的顺序。与WRB相比,MFIS展示了更多的细分土壤和成员程度。这种精度在土壤管理实践和土地评估系统中非常有用[23.- - - - - -43.].
4.结论
由WRB分类为194年的MFIS的土壤分类,以WRB分类为SolonChaks(钙索诺克,Gypsic Solchak和Gypsic Calcic Solonchak),揭示了6种不同的土壤团体,由Solonchaks-Calcisols互化,Solonchaks-Gypsisols intergrades,Solonchaks-Calcisols-Gypsisols凝固,计算和石膏。此外,该研究表明,IC,IG和Ig与WRB建立的几乎诊断标准高度相关性,除了地平线厚度。此外,is和IC之间的相关性(r = 0.7) was more important than Is and Ig (r = 0.52) and Ic and Ig (r= 0.32)。这些指标之间的关系表明了过渡性土壤的存在。另一方面,这些结果证实了solonchak - calcisols的整合比solonchak - gypsisols的整合更占优势,正如haltim之前所报道的[44.]及Djili [30.].我们的研究结果表明,由WB确定的土壤基团类似于由MFI确定的那些。但是,MFI的申请为我们提供了所有这些土壤之间的成员程度及其整合,并考虑了土壤的持续复杂性质。作为一般性结论,MFIS通过使用成员程度来改善土壤分类。因此,模糊逻辑可被视为分类和土壤绘图的基本工具以及精密农业的不可遗述支持。由于推理规则的灵活性,可以将MFIS应用于世界其他土壤。
利益冲突
作者声明他们没有利益冲突。
参考
- T. Zádorová和V. Penížek,“捷克国家土壤分类与世界基准库相关性问题,2006,”格索德米卡, vol. 167-168, pp. 54-60, 2011。查看在:出版商网站|谷歌学者
- “中国土壤遗传分类与WRB相关的交叉参考研究”,格索德米卡,卷。155,没有。3-4,PP。344-350,2010。查看在:出版商网站|谷歌学者
- A. E. Hartemink,“1975年至2014年间,土壤分类在期刊论文中的应用”,Geoderma地区, vol. 5, pp. 127-139, 2015。查看在:出版商网站|谷歌学者
- D. Baize和M. C. Girard,RéférentielPédologique,法国凡尔赛版,2008年。
- 英联邦科学和工业研究组织,澳大利亚的分类系统,2015年8月,http://www.clw.csiro.au/aclep/asc_re_on_line/soilhome.htm.
- 土壤分类工作组,加拿大土壤分类系统,农业与农业食品,渥太华,加拿大,1998。
- 国家农艺研究所,RéférentielPédologique,Inra,巴黎,法国,1995年。
- 粮农组织、SystèmeUniversel de Classifications des Sols,2017年,http://www.fao.org/soils-portal/soil-survey/soil-classification/universal-soilclassification/en/.
- P. Duchaufour, " Réflexions sur les classification des sols, "Sols练习曲, 1998年第5卷,第201-205页。查看在:谷歌学者
- J. H. Rayner,“通过数值方法分类土壤”,“土壤科学杂志,卷。17,不。1,pp。79-92,1966。查看在:出版商网站|谷歌学者
- a . W. Moore, J. S. Russell,和W. T. Ward,“土壤的数值分析:三种土壤剖面模型与野外分类的比较”,土壤科学杂志,第23卷,第2期。2,第193-209页,1972。查看在:出版商网站|谷歌学者
- A. McBratney和I. O. A. Odeh,“模糊集在土壤科学中的应用:模糊逻辑、模糊测量和模糊决策”,格索德米卡第77期2-4,第85-113页,1997。查看在:出版商网站|谷歌学者
- 粮农组织、lessystèmesnumériques.,2017年,http://www.fao.org/soils-portal/soil-survey/soil-classification/numerical-systems/en/.
- Iuss工作组WRB,“土壤资源世界参考基地。国际土壤分类系统命名土壤和土壤地图创造传说,“粮农组织,罗马,意大利,2014年,世界土壤资源报道,没有。106。查看在:谷歌学者
- A. Jones,L. Montanarella和R. Jones,欧洲土壤地图册,联合研究中心,Ispra,意大利,2005年。
- 土壤调查人员,土壤分类美国农业部国家资源保护署。服务,华盛顿特区,美国,第二版,1999。
- I. Esfandiarpour, M. H. Salehi,和a . Karimi,“石灰性土壤分类中土壤分类与世界土壤资源参考基础的相关性:(伊朗干旱和半干旱地区的案例研究)”,格索德米卡,卷。197-198,PP。126-136,2013。查看在:出版商网站|谷歌学者
- N. Toomanian和A. Jalalian Karimian,“WRB (FAO)和美国分类系统在伊朗伊斯法罕西北部的含灰质土壤中的应用”,作者:王莹,中国农业科技, 2003年第5卷第51-66页。查看在:谷歌学者
- A. Mojiri, A. Jalalian, N. Honarjoo,“伊朗塞格齐平原土壤分类的关键和WRB的比较”,杂志科学,第11卷,第5期。3, pp. 579-583, 2011。查看在:出版商网站|谷歌学者
- “Compte rendu succenceddes travaux”。16me Mondial de la Science du Sol,蒙彼利埃,20 au 26 Août 1998, "Sols练习曲,第6卷,第1-3页,1999。查看在:谷歌学者
- J. V. Vliet, A. Hagen-Zanker, J. Hurkens,和H. V. Delden,“一种评估土地利用模拟预测准确性的模糊集方法”,生态建模,卷。261-262,pp。32-42,2013。查看在:出版商网站|谷歌学者
- M. Elaalem,“参数和模糊多标准方法对利比亚Jeffara Plain评估橄榄土地适用性的比较”APCBEE Procedia,卷。5,pp。405-409,2003。查看在:出版商网站|谷歌学者
- A. shariffar, H. Ghorbani,和F. sarmaddian,“使用模糊集方法进行作物选择的土壤适宜性评价”,Acta Agriculturae Slovenica, vol. 107, pp. 32-35, 2016。查看在:谷歌学者
- h·j·齐默尔曼模糊集理论及其应用,Kluwer学术出版商,伦敦,英国,第4版,2001年。
- l.a. Zadeh,《模糊集》信息与控制杂志,第8卷,第2期3,页338-353,1965。查看在:出版商网站|谷歌学者
- P. Hughes, A. McBratney, B. Minasny,“数值土壤分类中的端点、端点和外缘”,格索德米卡,卷。226-227,pp。365-375,2014。查看在:出版商网站|谷歌学者
- P.Verma,P. Singh和K.George,“使用模糊设定理论,”不饱和分层土壤中的水和农药运输的不确定性分析“应用数学建模第33卷第3期2, pp. 770-782, 2009。查看在:出版商网站|谷歌学者
- M. Fajardo,A. McBratney和B. Whelan,“VIS-NIR光谱的模糊聚类,用于客观识别土壤剖面土壤形态视野”,“格索德米卡,卷。263,pp。244-253,2015。查看在:出版商网站|谷歌学者
- 马达尼,“模糊逻辑在语言综合近似推理中的应用”,IEEE计算机汇刊,卷。26,PP。1182-1191,1977。查看在:出版商网站|谷歌学者
- K. Djili,“贡献àlaconnaissance des sols du nord d'apalérie。CréationD'Une Banque deDonnéesformatiséeset利用D'联合国Systèmed'InformationGéogroughiquePleapaTialationetlavalorisation desDonnéesPédologiques,“Ensa,El-Harrach,阿尔及利亚,2000,Thèse博士。查看在:谷歌学者
- A. Rahmouni,“Morphologie etPropriétésdesGypsisolsRéférencesdu Hodna,”Superior National农艺学院,穆德Smar,Algeria,2010,Magister论文。查看在:谷歌学者
- 美国盐度实验室Staf,盐碱地的诊断与改良,农业手册,第2期。60,政府。印刷办公室,华盛顿,直流,美国,1954年。
- F. Carré和M. Jacobson,“使用距离度量的土壤剖面数据的数值分类”,格索德米卡,卷。148,没有。3-4,pp。336-345,2009。查看在:出版商网站|谷歌学者
- E. H. Mamdani,“简单动态植物的模糊算法应用”,IEEE的诉讼程序号,第121卷。12, pp. 1585-1588, 1974。查看在:出版商网站|谷歌学者
- A. Uyumaz,A. Altunkaynak和M. Ozger,“水坝垂直门下游均衡冲刷的模糊逻辑模型”中国水力工程杂志CHINESCE,卷。132,不。10,pp。1069-1075,2006。查看在:出版商网站|谷歌学者
- M. Özger,“水流预测的模糊推理系统的比较”,液压科学杂志第54卷第5期2,页261 - 273,2009。查看在:出版商网站|谷歌学者
- A. Ahumada, A. Altunkaynak,和A. Ashraf,“基于模糊逻辑的强震记录衰减关系”,应用专家系统,卷。42,不。3,pp。1287-1297,2015。查看在:出版商网站|谷歌学者
- j·t·罗斯,模糊逻辑与工程应用, McGraw-Hill, Inc.,纽约,纽约,美国,1995。
- C. Negoita,专家系统和模糊系统Benjamin Cummings, Redwood City, CA, USA, 1985。
- G. Klir和T. Folger,模糊集,不确定性和信息,Prentice-Hall,Englewood Cliffs,NJ,美国,1988年。
- R. A. Viscarra Rossel, T. Behrens和E. Ben-Dor,“一个描述世界土壤的全球光谱库”,地球科学评论, 2016, vol. 155, pp. 198-230。查看在:出版商网站|谷歌学者
- A.朱亚,E.律师,B。D. Band,D. Thomas和J. Nimlosd,“模糊逻辑下的自动化土壤推断”生态建模,第2卷,第2期90,页123-145,1996。查看在:出版商网站|谷歌学者
- E. Van Ranst和H. Tang,“土地适宜性评估中的模糊推理与布尔逻辑”,马来西亚土壤学报,卷。3,pp。39-58,99。查看在:谷歌学者
- A. Halitim,Sols desRégions是D'Algérie, OPU,阿尔及利亚阿尔及尔,1988年。
版权
版权所有©2018 Samir Hadj Miloud等。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作,则允许在任何媒体中的不受限制使用,分发和再现。