براورد نسبت جذبی سدیم (SAR) در آبهای زیرزمینی با استفاده از وایازی خطی چند متغیره شبکه‌ی عصبی مصنوعی (مطالعه‌ی موردی دشت بجستان)

محورهای موضوعی : برگرفته از پایان نامه

حلیمه پیری ¹ , ابوالفضل بامری ²

1 - مربی- عضو هیئت علمی دانشگاه زابل- گروه مهندسی آب و دانشجوی دکتری آبیاری و زهکشی دانشگاه فردوسی مشهد
2 - مربی- عضو هیئت علمی دانشگاه زابل

تاریخ دریافت : 1393/06/22 تاریخ پذیرش : 1393/06/22 تاریخ انتشار : 1393/06/01

کلید واژه: بجستان, نسبت جذب سدیم, وایازی خطی, شبکه‌ی عصبی مصنوعی,

چکیده مقاله :

با توجه به نقش نسبت جذبی سدیم (SAR) در مدیریت و پایداری خاک، برآورد این فراسنج در آبهای زیرزمینی استفاده شده در اراضی کشاورزی از اهمیت خاصی برخوردار است. هدف از این پژوهش، مقایسه‌ی عملکرد و کارایی دو شبیه وایازی خطی چند متغیره، و شبکه‌ی عصبی مصنوعی در شبیه‌سازی و براورد نسبت جذبی سدیم در آبهای زیرزمینی دشت بجستان می‌باشد. جهت انجام پیش‌بینی نسبت جذبی سدیم به عنوان متغیر وابسته، و فراسنج­های طول و عرض جغرافیایی، هدایت الکتریکی، میزان کل عناصر محلول و مقادیر pH به عنوان متغیر مستقل به کار گرفته شدند. سپس شبیه وایازی خطی چند متغیره و شبکه‌ی عصبی مصنوعی بین این فراسنج­ها و نسبت جذبی سدیم برقرار گردید. در نهایت، کارایی این شبیه‌ها با استفاده از روش اعتبارسنجی متقابل مورد ارزیابی قرار گرفت. نتایج نشان دادند که روش­های وایازی خطی چند متغیره و شبکه‌ی عصبی مصنوعی به ترتیب می‌توانند9/23 و 80 درصد از تغییرات نسبت جذب سدیم را در منطقه‌ی مورد مطالعه توجیه کنند. نتایج تحلیل حساسیت شبیه شبکه‌ی عصبی مصنوعی نشان دادند که فراسنج pH تاثیر بیش­تری در دقت برآورد نسبت جذب سدیم در منطقه دارد.

چکیده انگلیسی:

As the SAR of irrigation water is a major determinant of the sustainability of agriculture and development on groundwater, the foreknowledge of its value is of utmost importance. As this parameter is highly related to the geological settings, and this in a region maybe somehow dependent on geographical coordinates, the longitude and latitude of 69 wells, along with the pH, electrical conductivity (EC) and total dissolved solids (TDS) of their water were determined. To correlate these data to the SAR of water, this parameter was assigned as the dependent variable and the other 5 as the independent variables. The linear multiple regression (LMR) and artificial neural network (ANN) methods were applied to establish their correlations, and the sensitivity analysis was performed for the ANN to single out the most important independent variable. It was observed that the LMR and ANN explain 23.9 % and 80.0 % of the variations of the SAR, respectively. The sensivity analysis indicated that the water pH was the strong predictor of the groundwater’s SAR value.