TY - JOUR ID - 3286 TI - اشتقاق توابع انتقالی مناسب برای برآورد برخی ویژگی‎های دیریافت خاک JO - مجله پژوهش‌های حفاظت آب و خاک JA - JWSC LA - fa SN - 2322-2069 AU - سیدمحمدی, جواد AU - اسماعیل نژاد, لیلا AU - شعبانپور, محمود AD - دانشجوی دکتری علوم خاک دانشگاه تبریز AD - دانشجوی دکتری گروه علوم خاک دانشگاه تهران AD - Associate Professor, Department of soil science, University of Guilan Y1 - 2016 PY - 2016 VL - 23 IS - 4 SP - 203 EP - 217 KW - توابع انتقالی خاک KW - شبکه عصبی مصنوعی KW - رگرسیون KW - ویژگی‎های دیریافت KW - گیلان DO - 10.22069/jwfst.2016.10360.2480 N2 - سابقه و هدف: اندازه‌گیری مستقیم برخی خواص خاک ممکن است مشکل، هزینه‌بر و وقت‌گیر باشد. بنابراین این خواص می‌توانند به اسانی از داده‌های زودیافت تخمین زده شوند. ظرفیت تبادل کاتیونی یک شاخص مهم حاصل‌خیزی و ظرفیت ذخیره آلاینده‌ها در خاک می‌باشد. ویژگی‌های هیدرودینامیکی خاک تعیین کننده جریان آب در خاک-گیاه- اتمسفر بوده که کنترل کننده فرآیندهایی مانند تغذیه آبی و جریان عناصر مغذی بین خاک و پوشش گیاهی می‌باشد. شناخت خواص هیدرودینامیک خاک برای مدلسازی فرآیندهای فیزیکی مربوط به ذخیره رطوبت خاک دارای اهمیت است. علی‌رغم پیشرفت‌های زیاد در روش‌های اندازه‌گیری، تعیین دقیق خواص هیدرولیکی خاک بخصوص برای خاک‌های دست‌نخورده و در محدوده خشک منحنی رطوبتی همچنان مشکل است. همچنین اندازه‌گیری خواص هیدرولیکی و ظرفیت تبادل کاتیونی خاک زمان‌بر، مشکل و پر‌هزینه است. به همین دلیل، این مطالعه سعی در توسعه توابع انتقالی مناسب برای تخمین رطوبت ظرفیت زراعی، نقطه پژمردگی دایم و ظرفیت تبادل کاتیونی خاک‌های نواحی جنوب استان گیلان دارد. مواد و روش‌ها: محدوده مورد مطالعه درمنطقه گیلوان در جنوب استان گیلان واقع شده است. اقلیم منطقه اریدیک بوده، بارندگی سالیانه 245 میلی‌متر و میانگین درجه حرارت 18 درجه سانتی‌گراد است. 240 نمونه خاک از لایه 0 تا 30 سانتی‌متری جمع آوری شد. سپس خواصی چون رس، شن و سیلت، آهک، مواد آلی، جرم مخصوص ظاهری و گچ اندازه‌گیری شدند. اولین مرحله در مطالعات آماری بررسی نرمال بودن داده‌ها است. برای تعیین نرمال بودن داده‌ها ازآزمون کولموگروف-اسمیرنوف استفاده شد. داده‌ها به دو دسته آزمون (25%) و آموزش (75%) تقسیم شدند. این تقسیم‌بندی به گونه‌ای انجام گرفت که ویژگی‌های آماری هر دو گروه مثل حداقل، حداکثر، انحراف معیار و ... یکسان باشند. سپس مدل‌های رگرسیون و شبکه عصبی بر داده‌های آموزش اعمال شد. برای جلوگیری از خطا در فرآیندهای شبکه عصبی، داده‌ها به مقیاس استاندارد از 1/0 تا 9/0 تبدیل شد. توابع پرسپترون چند لایه، پس انتشار، و لونبرگ-مارکواردت برای توسعه شبکه‌های عصبی مصنوعی توسعه یافت. برای ارزیابی مدلها از معیارهای RMSE، R2، و MEF استفاده شد. یافته‌ها: در تجزیه رگرسیون، برای ظرفیت تبادل کاتیونی، درصد رس و ماده‌آلی، برای مقدار ظرفیت زراعی، رس، سیلت و جرم مخصوص ظاهری و برای نقطه پژمردگی دایم، درصد رس دارای تأثیر معنادار در مدل‌های توسعه یافته بودند. ضرایب تبیین در مدل‌های رگرسیون ایجاد شده برای ظرفیت تبادل کاتیونی، ظرفیت زراعی و نقطه پژمردگی دایم به ترتیب برای خطی 72/0، 84/0 و 73/0 و غیرخطی 78/0، 87/0 و 74/0 بودند. بهترین توابع انتقالی توسعه یافته برای خواص دیر یافت در شبکه عصبی مصنوعی از مدل پرسپترون چندلایه با 2 لایه پنهان، 8 نرون برای ظرفیت زراعی و پژمردگی و 6 نرون برای ظرفیت تبادل کاتیونی با در نظر گرفتن همه ورودی‌ها بدست آمد. ضریب تبیین برای ظرفیت تبادل کاتیونی 98/0، رطوبت ظرفیت زراعی 99/0 و رطوبت نقطه پژمردگی دائم 98/0 بود. مدل‌های شبکه عصبی برای تعیین خواص دیریافت با ورودی از داده‌های زودیافت که دارای بیشترین ضریب حساسیت بودند، طراحی شدند. نتایج این مدل‌ها شبیه به مدل‌های رگرسیون غیرخطی بود. نتایج در استفاده از داده‌های آزمون، نشان داد که مدل‌های بدست آمده از شبکه‌های عصبی با ورودی شامل همه داده‌های زودیافت دقیق‌تر از مدل‌های رگرسیون بود. نتیجه‌گیری: در روش رگرسیون، مدل‌های غیرخطی برای پیش‌بینی خواص دیریافت دقیق‌تر از مدل‌های خطی بودند. در شبکه‌های عصبی مصنوعی مدل‌هایی با تمام ورودی‌های زودیافت دقیق‌تر از مدل‌هایی بودند که شامل ورودی‌های زودیافت که دارای بیشترین ضریب حساسیت بودند. در صورتی‌که تعداد داده‌های زودیافت ورودی کافی نباشند مدل‌های رگرسیونی می‌توانند دقت قابل قبولی داشته باشند. اما اگر این داده‌ها کافی باشند شبکه‌های عصبی مصنوعی دقت بیشتری خواهند داشت. دقت شبکه‌های عصبی با کاهش پارامترهای ورودی کاهش می‌یابد. UR - https://jwsc.gau.ac.ir/article_3286.html L1 - https://jwsc.gau.ac.ir/article_3286_b4d279c4e5ee4e716eeae391e7d0d400.pdf ER -