تعیین درصد اندازه ذرات خاک در کانون داخلی مولد گرد و غبار با استفاده از شبکه- های عصبی مصنوعی و تصاویر ماهواره ای و مقایسه آن با روشهای آزمایشگاهی (مطالعه موردی: تالاب هورالعظیم)

بافت خاک یکی از ویژگیهای مهم فیزیکی آن است که در مطالعات خاکشناسی نقشی کاربردی را ایفا میکند و دارای اثر زیادی بر روی وزن مخصوص خاک، ساختمان سطحی، اندازه اجزای خاک، ظرفیت نگه داری آب در خاک، حاصلخیزی خاک و میزان فرسایش پذیری خاک میباشد. تعیین بافت خاک به روش سنتی و طبقه بندی آن هزینهبر، زمانبر و همچنین متاثر از خطاهای انسان است،که این امر لزوم استفاده از روش های نوین جهت کسب اطلاعات بافتی خاک را روشن می سازد. تحقیق حاضر با هدف تعیین درصد اندازه ذرات خاک با استفاده از تصاویر ماهوارهای و شبکه های عصبی مصنوعی انجام گردیده است. تالاب هورالعظیم در استان خوزستان به عنوان منطقه مورد 5 سانتیمتر صورت - مطالعه انتخاب شد و نمونه برداری از خاکهای سطحی این منطقه از عمق 0 در تاریخ landsat ماهواره 7 etm+ گرفت. پس از تعیین بافت خاک در آزمایشگاه، تصاویر سنجنده نمونه برداری از منطقه مورد نظر تهیه و مورد پیش پردازش قرار گرفت. سپس در محیط نرم افزار با دو الگوریتم یادگیری گرادیان (ffnn) دو نوع شبکه عصبی مصنوعی پبشخور matlab 7.12.0 4 طراحی -15- 4 و 2 - 25- به ترتیب با ساختار 2 (lm) و لونبرگ- ماکوارت (gda) کاهشی (gsi) شاخص اندازه ذرات ،(ci) گردید. در مرحله بعد برای تمامی نقاط پارامترهای شاخص رس ماهواره etm+ و باند پنجم از روی تصویر سنجنده (ndvi) و شاخص نرمال شده پوشش گیاهی لندست 7 محاسبه شد و سپس پارامترهای فوق به عنوان ورودی وارد شبکههای عصبی شدند، انتخاب تعداد مناسب نورونها در لایه میانی بر مبنای مقایسه عملکرد شبکههایی با تعداد مختلف نورونهای لایه میانی انجام گرفت. نورونهای لایه خروجی مقادیر درصد شن و رس بود که در مرحله آموزش از روی نقشه و مقادیر واقعی به شبکه آموزش داده شد و در مرحله آزمون مقادیر پیش بینی شده توسط شبکه های عصبی مصنوعی طراحی شده بودند. پس از مرحله آموزش شبکه در مرحله آزمون مقادیر درصد شن، رس و سیلت پیش بینی شده توسط شبکه با مقادیر واقعی مقایسه شد و میزان خطا بر آورد گردید. نتایج نشان داد که هر دو شبکه طراحی شده با دقت بالایی قادر به با lm پیش بینی درصد اندازه ذرات بودند و شبکه طراحی شده بر اساس الگوریتم یادگیری 4/ با 25 gda نسبت به شبکه طراحی شده بر اساس الگوریتم mae=3/ و 39 rmse=4/02 با دقت بالاتری درصد ذارت را پیش بینی نمود. همچنین بررسی میزان mae=2/ و 91 rmse= خطای به دست آمده در برآورد هریک از ذرات رس، شن و سیلت نشان داد که شبکههای عصبی طراحی شده در پیش بینی ذره رس نسبت به ذرات سیلت و شن از کارایی بیشتری برخودار میباشند. در نهایت بر اساس مقادیر پیش بینی شده توسط شبکههای عصبی نقشه رس، سیلت و شن برای هر یک از شبکههای طراحی شده تهیه گردید. بنابراین استفاده از فناوریهای نوینی مانند سنجش از دور و شبکههای عصبی مصنوعی جهت تعیین بسیاری از خصوصیات مهم خاک به ویژه بافت خاک و سپس تهیه نقشه های خاک مکملی برای روشهای مرسوم و صحرایی محسوب میشوند و سبب تسهیل این روشها برای ایجاد پیش بینیهای با دقت بالا در مقیاسهای وسیع میگردد.