برآورد رطوبت های ظرفیت زراعی، پژمردگی دائم و قابل استفاده در خاک های دشت اردبیل با استفاده از مدل های رگرسیونی و شبکه عصبی مصنوعی
Abstract
اندازهگیری مستقیم ویژگیهای هیدرولیکی خاک وقتگیر، پرهزینه و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک غیر واقعی است. در عوض، این ویژگیها میتوانند از روی ویژگیهای زودیافت خاک مانند توزیع اندازه ذرات خاک، جرم ویژه ظاهری، کربن آلی و کربنات کلسیم معادل با استفاده از توابع انتقالی خاک برآورد شوند. هدف از این پژوهش، ارائه مدلهای رگرسیونی و شبکه عصبی مصنوعی بر اساس ویژگیهای زودیافت یاد شده برای برآورد ویژگیهای دیریافت شامل رطوبت های ظرفیت زراعی، پژمردگی دائم و قابل استفاده در شماری از خاکهای دشت اردبیل بود.برای این منظور 100 نمونه خاک برداشته شد سپس برخی ویژگیهای فیزیکی و شیمیایی آنها اندازهگیری شد. دادهها به دو سری دادههای آموزشی (80 نمونه) و دادههای آزمونی (20 نمونه) تقسیم شدند. برای ایجاد مدلهای شبکه عصبی از نرمافزار 5 neurosolution و برای ایجاد مدلهای رگرسیونی از نرم افزار spss استفاده شد. مقادیر ضریب تبیین (r2) و مجذور میانگین مربعات خطا (rmse) در تخمین پارامترهای دیریافت شامل رطوبتهای ظرفیت زراعی، پژمردگی دائم و قابل استفاده به ترتیب برابر 82/0 و 29/2، 82/0 و 38/1، 57/0 و 97/1 برای بهترین مدل رگرسیونی و به ترتیب برابر 87/0 و 9/1، 90/0 و 02/1، 73/0 و 56/1 برای بهترین مدل شبکه عصبی مصنوعی بود. مقادیر r2 و rmse برای نتایج مدلهای رگرسیونی و شبکه عصبی مصنوعی نشان داد که هر دو روش میتوانند ضرایب رطوبتی خاک را با دقت مناسبی برآورد کنند. با این حال، مدلهای رگرسیونی در برآورد رطوبت قابل استفاده کارآیی لازم را نداشتند. دقت تخمین ضرایب رطوبتی توسط مدلهای شبکه عصبی مصنوعی بیشتر از مدلهای رگرسیونی بود.