A. Haghverdi; B. Ghahraman; A.A. Khoshnood Yazdi; Z. Arabi
Abstract
چکیده
ظرفیت زراعی و پژمردگی دائم مهمترین نقاط پتانسیلی در مدل سازی و مدیریت آب مورد نیاز محصولات کشاورزی می باشند. روش های مستقیم تعیین میزان رطوبت هزینه بر و گران می ...
Read More
چکیده
ظرفیت زراعی و پژمردگی دائم مهمترین نقاط پتانسیلی در مدل سازی و مدیریت آب مورد نیاز محصولات کشاورزی می باشند. روش های مستقیم تعیین میزان رطوبت هزینه بر و گران می باشد. بنابراین استفاده از توابع انتقالی برای تبدیل خصوصیات زودیافت خاک به خصوصیات هیدرولیکی یک راهکار مناسب برای حل این مشکل است. در این پژوهش کارایی مدل های شبکه عصبی مصنوعی (NNs) آموزش داده شده با نمونه های خاک منتج از جریان خروجی چند مرحله ای (NeuroMultistep outflow) و مدل های نزدیک ترین K همسایه (KNN) در اشتقاق توابع انتقالی به منظور تعیین میزان رطوبت در ظرفیت زراعی و پژمردگی دائم برای 122 نمونه خاک از شمال و شمال شرق ایران مورد بررسی قرار گرفت. همچنین تاثیر عوامل ورودی مختلف و نوع داده به کار رفته برای اشتقاق هر دو روش معین شد. نتایج حاصله نشان دادند که در کل روش KNN (027/0RMSE= ) نسبت به NNs (037/0RMSE= ) نتایج بهتری داشت. همچنین می توان گفت که حساسیت مدل های شبکه عصبی به کیفیت و نوع داده های به کار رفته برای آموزش بسیار بالاست و همگن نبودن داده ها باعث کاهش کارایی مدل های شبکه عصبی و افزایش 100 درصدی خطا می شود. همچنین نتایج نشان دادند که در نظر گرفتن خصوصیات هیدرولیکی به عنوان متغیرهای ورودی در شبکه عصبی باعث ارتقاء نتایج مدل سازی می شود.
واژه های کلیدی: نزدیک ترین K همسایه، شبکه های عصبی مصنوعی، توابع انتقالی، ظرفیت زراعی، پژمردگی دائم
