A közleményben bemutatott módszer egyik nagy előnye, hogy nagy általánossággal bír (más tájegységekre is alkalmazható) és egy bizonyos mértékben kiküszöböli a romániai táblázatos módszer szubjektivitásából adódó bizonytalanságokat. Pontosabban mondva, ha egy szakértőkből álló csoport meghatározza a példabemenetekhez tartozó talajértékeket, akkor a továbbiakban minden más tényezőhöz tartozó talajérték egyértelműen kiszámolható a súlyok segítségével megadott P-függvény (8) által. Az általunk megadott TP-típusú függvény (8. képlet) viszonylag sok (17) tényező alapján tudja csak megbecsülni egy adott pontban a talajértéket. Ha megfigyeljük a tanuló táblázatot (2. táblázat), észrevehető, hogy egy tájegységen belül bizonyos tényezők nem változnak. Ezeket ki lehet iktatni a gépi tanulás alkalmazásakor és így egyszerűsíthető a P-függvény. A hálózat által adott eredmények kiértékelése során (3. ábra) azt tapasztaltuk, hogy a Csíki-medence tájegységre a P-függvény (8) egy tizedes pontossággal meghatározza a talajértéket. A módszer által kapott TP-függvény csak a mintavételi pontok tartományán belül alkalmazható. Így pl. a Csíki-medencére meghatározott súlyok csak e tájegység talajértékeinek kiszámítására használhatók. Más tájegységre az ottani mintavételi adatok alapján a hiba-visszaterjesztési algoritmusával új súlymátrixokat kell szerkeszteni. A módszer egy fontos eredménye, hogy a kapott súlyok egy tájegységet jellemeznek talajérték szempontjából. Érdekes következtetések vonhatók le, ha több különböző tájegységre meghatározzuk a súlyokat és megvizsgáljuk ezek között a korrelációkat. Ennek megvalósításához létrehozunk az ESRI Arcview térinformatikai programcsomaghoz egy kiegészítő modult (Arcview extension) az Avenue script nyelv segítségével. Ez a modul egy tájegységre az ismert példabemenetek és talajértékek alapján megszerkeszt egy megfelelő számú neuronból álló hálózatot és meghatározza a súlyokat. A súlyok segítségével és a talajértéket befolyásoló tényezők ismeretében a tájegység bármely pontjában a talajérték kiszámítható és összehasonlítható a más módszerek által adott eredményekkel. A pontosság növelése nem szükséges, mivel a talajok osztályokba való csoportosítása a talajérték nagyobb léptékű változása szerint történik. Így elégséges, hogy bizonyos tényezőkre a hálózat által megtanult súlyok jól osztályozzanak. Ezt a hálózat statisztikai értelemben meg is valósítja, mivel a hálózati osztályozók aszimptotikusan egyenértékűek a Bayes-féle statisztikai osztályozó eljárásokkal (Ruck et al., 1990).
Schaap, M. G., Leij, F. L. & van Genuchten, M. Th., 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Sci. 62. 847--855.
'Neural network analysis for hierarchical prediction of soil hydraulic properties. ' () 62 Soil Sci. : 847 -855 .
Ruck, D. et al., 1990. The Multi-Layer Perceptron as an Approximation of a Bayes Optimal Discriminant Function. IEEE Trans. Neural Networks. 1. 296--298.
'The Multi-Layer Perceptron as an Approximation of a Bayes Optimal Discriminant Function. ' () 1 IEEE Trans. Neural Networks. : 296 -298 .
Russell, S. & Norvig, P., 2000. Mesterséges intelligencia. Panem—Prentice Hall. Budapest.
Mesterséges intelligencia , ().
Wösten, J. H. M., Finke, P. A. & Jansen, M. J. W., 1995. Comparison of class and continuous pedotransfer functions to generate soil hydraulic characteristics. Geoderma. 66. 227--237.
'Comparison of class and continuous pedotransfer functions to generate soil hydraulic characteristics. ' () 66 Geoderma. : 227 -237 .
Bouma, J., 1989. Using soil survey data for quantitative land evaluation. Adv. Soil Science. 9. 177--213.
'Using soil survey data for quantitative land evaluation. ' () 9 Adv. Soil Science. : 177 -213 .
Bryson, A. E. & Ho, Y. C., 1969. Applied Optimal Control. Blaisdell. New York.
Applied Optimal Control , ().
Györfi J. et al., 2004. Földértékelés térinformatikai és statisztikai módszerek alkalmazásával a Csíki-medencében. Sapientia KPI kutatási tanulmány.
McBratney, A. B. et al., 2002. From pedotransfer function to soil inference system. Geoderma. 109. 41--73.
'From pedotransfer function to soil inference system. ' () 109 Geoderma. : 41 -73 .
Pachepsky, Ya. A. & Rawlas, W. J., 1999. Accuracy and reliability of pedotransfer functions as affected by grouping soils. Soil Sci. 63. 1748--1756.
'Accuracy and reliability of pedotransfer functions as affected by grouping soils. ' () 63 Soil Sci. : 1748 -1756 .
Pásztohy, Z., 1998. Studiu pedologic complex din com. Sânmartin. Arhiva O. S. P. A. Miercurea. Ciuc.