دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه فردوسی مشهد

2 دانشگاه تربیت مدرس

3 دانشگاه اراک

4 تهران

چکیده

چکیده
شوری خاک در منطقه توسعه ریشه از مهم ترین مشکلاتی است که در اراضی کشاورزی باعث کاهش محصول می شود. در این پژوهش شوری نیمرخ خاک در شبکه آبیاری و زهکشی دشت تبریز با استفاده از مدل های شبکه عصبی و SaltMod شبیه سازی شد. بر اساس توزیع مکانی اولیه شوری، منطقه مورد مطالعه به چهار گروه مختلف آب و خاک تقسیم شد و شوری برای دو فصل در یک سال پیش بینی شد. مدل SaltMod واسنجی گردید و برای تولید 2400 سری داده برای آموزش شبکه های عصبی مصنوعی به کار گرفته شد. تعدادی از عوامل ورودی SaltMod از جمله داده های عمق آب آبیاری، تبخیر-تعرق، عمق سطح ایستابی، بارندگی و شوری اولیه نیمرخ خاک در شبکه های عصبی استفاده شدند. همچنین کارایی الگوریتم ژنتیک در فرآیند آموزش شبکه های عصبی مورد بررسی قرار گرفت. میانگین ضریب تعیین (2R) و میزان خطای شوری برآورد شده (RMSE) انتهای سال در تمامی گروه ها با استفاده از شبکه های عصبی به ترتیب برابر 8/0 و 032/0 بود. در مجموع می توان گفت شبکه های عصبی مصنوعی به خوبی توانایی مدل سازی و پیش بینی شوری خاک منطقه ریشه را دارند و می توانند جایگزین خوبی برای SaltMod باشند. همچنین نتایج نشان داد که به طور کلی کارکرد شبکه های عصبی با به کارگیری الگوریتم ژنتیک بهبود می یابد.

واژه های کلیدی: دشت تبریز، شوری نیمرخ خاک، الگوریتم ژنتیک، شبکه های عصبی مصنوعی، SaltMod

عنوان مقاله [English]

Estimation of Soil Salinity Profile in Tabriz Irrigation and Drainage Network Using SaltMod and ANN Models

نویسندگان [English]

  • A. Haghverdi 1
  • K. Mohammadi 2
  • S.A. Mohseni Movahed 3
  • B. Ghahraman 1
  • M. Afshar 4

1 Faculty of Agriculture, Ferdowsi University of Mashhad

2 Department of Irrigation and Drainage Engineering, Tarbiat Modares University of Tehran

3 Department of Water Engineering, Faculty of Agriculture, University of Arak

4 Yekom Consulting Engineers, Tehran

چکیده [English]

Abstract
Soil salinity within plant root zone is one of the most important problems that cause reduction in yield in agricultural lands. In this research, salinity in soil profile was simulated in Tabriz irrigation and drainage network using SaltMod and Artificial Neural Networks (ANNs) models. Based on initial spatial distribution of salinity in soil profile, studying area was divided to 4 different soil and water groups and for two seasons in one year salinity was predicted. The SaltMod model was calibrated and then was applied to generate 2400 data sets for training ANN models. Some of the input data of SaltMod were used in ANN models including irrigation water depth, evapotranspiration, water table depth, rainfall, and initial soil salinity. Efficiency of genetic algorithm in training phase of ANNs was analyzed. The mean of correlation coefficient (R2) and root mean square error (RMSE) of estimated salinity in all groups was 0.8 and 0.032 respectively. In conclusion ANNs could perform well in simulation of soil salinity and it could be replaced SaltMod with enough accuracy. The results showed that overall performance of ANN models improve by applying genetic algorithm.

Keywords: Tabriz plain, Soil profile salinity, Genetic Algorithm, Artificial Neural Networks, SaltMod

CAPTCHA Image