نام پژوهشگر: فریدون سارانی

ارزیابی درصد سدیم تبادلی(esp) و نسبت جذب سدیمی(sar) در منطقه ی میانکنگی زابل بوسیله ی روش های زمین آمار و هوش مصنوعی
پایان نامه وزارت علوم، تحقیقات و فناوری - دانشگاه زابل - دانشکده کشاورزی 1393
  فریدون سارانی   احمد غلامعلی زاده آهنگر

با توجه به وسعت خاکهای شور و سدیمی درکشور و اینکه زمینهای کشاورزی ما روز به روز شورتر شده و مسأله کمبود منابع زمینی مناسب برای کشاورزی پیش آمده روشهای مختلفی برای بهسازی این خاکها مد نظر است. امروزه استفاده از روشهای شبکه عصبی مصنوعی و زمین آمار برای پیش بینی ویژگی های خاک بسیار رایج می باشد. esp و sar دو ویژگی شوری و سدیمی بودن خاک ها می باشد. تحقیق حاضر به منظور ارزیابی دو ویژگی نسبت جذب سدیمی و درصد سدیم تبادلی با استفاده از دو روش زمین آمار و شبکه عصبی مصنوعی در منطقه میانکنگی استان سیستان و بلوچستان انجام گرفت. به این منظور تعداد 189 نمونه خاک از سطح منطقه به صورت شبکه بندی منظم جمع آوری و خصوصیات فیزیکوشیمیایی آنها مورد مطالعه قرار گرفت. برای تهیه نقشه شوری و سدیمی خاک با استفاده از شاخص rmse بهترین مدل انتخاب و سپس نقشه esp و sar تهیه شد. برای پیش بینی این دو ویژگی با استفاده از شبکه عصبی mlp و با استفاده از دو ویژگی ec و ph که بیشترین همبستگی را با esp و sar داشتند بهترین شبکه بوسیله ی r2 و rmse انتخاب شد.برای esp بهترین مدل، مدل کروی انتخاب شد و برای پهنه بندی روش میانیابی کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی و 686/6=rmse بهترین روش برای تهیه نقشه انتخاب شد.برای sar بهترین مدل، مدل کروی و برای پهنه بندی روش میانیابی کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی و 662/6=rmse بهترین روش انتخاب شد. برای esp شبکه عصبی mlp با تعداد 10 نرون در لایه پنهان، مقدار بیشینه 97/0=r2 و مقدار ریشه میانگین مربعات خطا 0453/0=rmse، برآورد بهتری ارائه داده است. و برای sar شبکه عصبی mlp با تعداد 7 نرون در لایه پنهان، مقدار بیشینه 95/0=r2 و کمترین مقدار ریشه میانگین مربعات خطا 0187/0=rmse، برآورد بهتری ارائه داده است. نتایج مقایسه روش زمین آمار و شبکه عصبی مصنوعی نشان داد که برای esp شبکه عصبی با 86/0=r2 و 207/3=rmse نسبت به روش کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی با 53/0=r2 و 899/6=rmse ارزیابی بهتری داشته است. و برای sar شبکه عصبی با 83/0=r2 و 859/2=rmse نسبت به روش کوکریجینگ ساده با متغیر کمکی هدایت الکتریکی با 52/0=r2 و 988/6=rmse ارزیابی بهتری داشته است. با توجه به هزینه بالا و زمان بر بودن اندازه گیری دو ویژگی sar و esp می توان از طریق روشهای زمین آمار و شبکه عصبی مصنوعی هم برای شناسایی و تعیین نقاط حساس به شوری و سدیمی و هم برای پیش بینی و مدل سازی استفاده کرد.