دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

در سالهای اخیر استفاده از روشهای غیرمستقیم مانند شبکه عصبی مصنوعی برای برآورد پارامترهای خاک مورد توجه قرار گرفته است. در این پژوهش به منظور تخمین ظرفیت تبادل کاتیونی خاک با استفاده از شبکه عصبی مصنوعی اقدام به نمونه برداری به تعداد 200 نمونه سطحی از منطقه قوشه واقع در استان سمنان گردید. نیمی از این تعداد نمونه ها از خاکهای بکر و نیمی از آنها از اراضی کشاورزی منطقه جمع آوری گردید. پارامترهای فیزیکی و شیمیایی خاک شامل هدایت الکتریکی، فراوانی نسبی ذرات، درصد آهک، نسبت جذب سدیم (SAR) و وزن مخصوص ظاهری به عنوان ویژگی های زود یافت و ظرفیت تبادل کاتیونی به عنوان پارامتر دیر یافت مورد بررسی قرار گرفت. داده ها جمع آوری شده بصورت تصادفی به دو دسته آموزش (70 درصد) و صحت سنجی (30 درصد) تقسیم شدند و از آنها برای آموزش و ارزیابی مدلهای شبکه عصبی شامل پرسپترون چند لایه (MLP)، توابع پایه شعاعی (RBF) و همچنین رگرسیون خطی استفاده گردید. دقت پیش بینی به وسیله آماره های R2))، (RMSE)، (MAE) و (RSE) بین ظرفیت تبادل کاتیونی اندازه گیری و پیش بینی شده، ارزیابی شد. نتایج کارایی بالاتر مدل پرسپترون چند لایه شبکه عصبی مصنوعی را با مقادیر R2 (94/0 و 84/0)، RMSE (69/0 و 56/0) ، RSE (05/0 و 05/0) و MAE (51/0 و 39/0) به ترتیب برای خاکهای کشاورزی و بکر نسبت به مدل RBF شبکه عصبی مصنوعی و روش رگرسیون خطی نشان می دهد. همچنین با انجام آنالیز حساسیت به همبستگی بالای درصد رس و مقادیر وزن مخصوص ظاهری با ظرفیت تبادل کاتیونی خاکهای کشاورزی و بکر، دست یافتیم.

کلیدواژه‌ها

عنوان مقاله [English]

The Estimation of Soil Cation Exchange Capacity in Disturbed and Undisturbed Soils Using Artificial Neural Networks and Multiple Regressions

نویسندگان [English]

  • H. Kashi
  • H. Ghorbani
  • S. Emamgholizadeh
  • S.A.A. Hashemi

چکیده [English]

With respect to the problem of direct measurement of soil parameters in recent year using indirect method such as artificial neural networks has been considered. In the present study, 200 soil samples were collected from Ghoshe location in Semnan province. Half of samples were collected from disturbed agricultural lands and the other half were collected from undisturbed nearby lands. Some soil chemical as well as physical properties such as electrical conductivity (EC), soil texture, lime percentage, sodium adsorption ration (SAR) and bulk density were considered as easy and fast obtainable features and soil cation exchange capacity as difficult and time consuming feature. The collected data randomly divided in two categories of training (70%) and testing (30%) and they used for train and test of two artificial neural networks, multi-layer perception using back-propagation algorithm (MLP/BP) and Radial basis functions (RBF) and nonlinear regression model. Results of this research show high efficiency of artificial neural network compared with nonlinear regression and also MLP network was better than RBF network. Sensitivity analysis was also performed for all parameters to find out the relationship between soil mentioned parameters and soil cation exchange capacity for both disturbed and undisturbed soils. At last, the correlation between soil parameters and soil cation exchange capacity was determined and most important parameters which could influence the soil cation exchange capacity were described.

کلیدواژه‌ها [English]

  • Artifical neural network
  • Cation exchange capacity
  • linear regression
  • Modeling
  • sensitivity analysis
CAPTCHA Image