پیش‌بینی بافت خاک با استفاده از شبکه‌های عصبی مصنوعی
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاریعلی محمدی ترکاشوند 1 , الناز خانباباخانی 2 , محمدعلی محمودی 3
1 - Science and Research Branch, Islamic Azad University, Tehran
2 - دانشجوی کارشناسی ارشد خاکشناسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3 - استادیارگروه خاکشناسی، دانشکده کشاورزی، دانشگاه کردستان
کلید واژه: سیلت, شن, شبکه عصبی مصنوعی, رس, بافت خاک,
چکیده مقاله :
بافت خاک یکی از مهم ترین ویژگی‌های خاک است که بر روی بسیاری از خصوصیات فیزیکی و شیمیایی مانند ظرفیت نگهداری آب، ظرفیت تبادل کاتیونی، حاصلخیزی خاک و تهویه خاک اثر می گذارد. امروزه از فناوری هوش مصنوعی مانند شبکه های عصبی و عصبی فازی برای حل مسائل مربوط به مدل سازی سیستم ها و فرآیند ها استفاده می شود. در این پژوهش کارآیی شبکه‌های عصبی مصنوعی در پیش‌بینی بافت خاک بررسی شد. بدین منظور 150 نمونه خاک از عمق 15- 0 سانتی‌متری از حوزه آبخیز سد گاوشان در استان کردستان جمع آوری گردید. موقعیت جغرافیایی، ارتفاع و درصد شیب در هر نقطه ثبت شد. بافت خاک در آزمایشگاه به‌روش هیدرومتری اندازه‌گیری شد. با استفاده از شبکه‌های عصبی مصنوعی رابطه بین طول و عرض جغرافیایی، ارتفاع و شیب و درصد هر کدام از گروه‌های ذرات خاک با استفاده از نرم‌افزار MATLAB به‌دست آمد. دقت شبکه ساخته شده با استفاده از شاخص‌های آماری مانند شاخص ریشه میانگین مربعات خطا (RMSE)، شاخص نسبت خطای متوسط هندسی (GMER) و ضریب همبستگی (R) ارزیابی گردید. نتایج به‌دست آمده نشان داد که کارآیی روش استفاده شده برای برآورد مقدار شن و رس خاک نسبتاً یکسان و برای برآورد مقدار سیلت کم‌تر بود؛ با این حال در سطح برآورد بافت خاک روش استفاده شده از کارآیی بالایی برخوردار نبود.
Soil texture is one of the most important soil properties that affect many physico-chemical properties such as water storage, cation exchange capacity (CEC), soil fertility and soil ventilation. Today, artificial intelligence technology such as neural and neuro-fuzzy networks is used to solve problems in modeling systems and processes. For this purpose, 150 soil samples from a depth of 0 - 15 cm of Gavshan Dam watershed in the Kurdistan province were collected. The geographic locations, height and slope percent of every sampling point were recorded. The particle size distribution of samples was measured in the laboratory using hydrometer method. The longitude and latitude, height, slope percent and soil texture particles of training points were introduced to artificial neural networks to estimate soil texture particles by MATLAB software. The accuracy of model was evaluated by scoring, using statistical indicators such as root mean square error (RMSE), the ratio of geometric mean error (GMER) and correlation coefficient (R2). According to the results, the values for estimating sand and clay are approximately the same and for predicting the silt, less than sand and clay, and 37.0, although less error. The accuracy and accuracy of the model show that the neural network does not have any accuracy and accuracy in estimating the percentage of soil texture components and the soil texture mapping.
_||_