اشتقاق توابع انتقالی مناسب برای برآورد برخی ویژگی‎های دیریافت خاک

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.