توسعه و ارزیابی روش های تکاملی زمین آماری در مدل سازی رطوبت خاک با تاکید بر عدم قطعیت در محیط gis

چکیده بررسی ویژگی های هیدرولیکی خاک هم چون رطوبت خاک برای مطالعه و مدل سازی حرکت آب و املاح بسیار مهم می باشد. اگر چه این خصوصیات هم اکنون جزء مهم ترین عوامل مورد استفاده در تحقیقات کشاورزی، اکولوژیکی و مدل های آبیاری-زه کشی هستند، اما به آسانی در دسترس نمی باشند. در تحقیق حاضر، قابلیت شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی در بهبود تخمین میزان رطوبت خاک بررسی می شود. داده های به کار گرفته شده در این مطالعه، شامل: بافت خاک، کربن آلی و جرم مخصوص ظاهری هستند که از مزرعه ای در شمال شهرستان شیروان جمع آوری شده اند. این داده ها به عنوان ورودی های شبکه عصبی مصنوعی و سیستم عصبی-فازی مورد استفاده قرار می گیرند. همچنین در این راستا جهت تعیین بهترین مدل، از پارامتر های آماری نظیر ضریب همبستگی (r)، جذر میانگین مربعات خطا (rmse) و میانگین خطای مطلق (mae) و نظیر آن استفاده می شود. طبق نتایج به دست آمده شبکه عصبی مصنوعی با الگوریتم bayesian regulization، عملکرد بهتری در تخمین رطوبت خاک دارد. در این رابطه، عملیات میدانی و نمونه برداری به صورت محدودی انجام شده؛ لذا برای تعمیم نتایج آزمایش به منطقه ای گسترده تر از الگوریتم زمین آماری کریجینگ می توان بهره برد. در این الگوریتم با استفاده از منطق فازی عملکرد بررسی تغییرات مکانی بهبود می یابد. لذا تغییرات مکانی رطوبت خاک از طریق روش های زمین آماری مدل سازی شده و تشریح می گردد. در این راستا از مقادیر اندازه گیری شده از 100 نقطه نمونه برداری استفاده شده است. در نتیجه با استفاده از پارامتر های آماری بهترین مدل جهت تعمیم اطلاعات انتخاب می شود. در نهایت، نتایج مبین آن بود که فازی کریجینگ، بهترین الگوریتم جهت پیش بینی و تهیه نقشه رطوبت می باشد.