فهرست نشریات علمی دسترسی آزاد ایران

اندازه­گیری مستقیم ویژگی­های هیدرولیکی خاک وقت­گیر، پرهزینه­ و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک غیر واقعی است. در عوض، این ویژگی­ها می­توانند از روی ویژگی­های زودیافت خاک مانند توزیع اندازه ذرات خاک، جرم ویژه ظاهری، کربن آلی و کربنات کلسیم معادل با استفاده از توابع انتقالی خاک برآورد شوند. هدف از این پژوهش، ارائه مدل­های رگرسیونی و شبکه عصبی مصنوعی بر اساس ویژگی­های زودیافت یاد شده برای برآورد ویژگی­های دیریافت شامل رطوبت ­های ظرفیت زراعی، پژمردگی دائم و قابل استفاده در شماری از خاک­های دشت اردبیل بود.برای این منظور 100 نمونه خاک برداشته شد سپس برخی ویژگی­های فیزیکی و شیمیایی آنها اندازه­گیری شد. داده­ها به دو سری داده­های آموزشی (80 نمونه) و داده­های آزمونی (20 نمونه) تقسیم شدند. برای ایجاد مدل­های شبکه عصبی از نرم­افزار 5 Neurosolution و برای ایجاد مدل­های رگرسیونی از نرم افزار SPSS استفاده شد. مقادیر ضریب تبیین (R2) و مجذور میانگین مربعات خطا (RMSE) در تخمین پارامترهای دیریافت شامل رطوبت­های ظرفیت زراعی، پژمردگی دائم و قابل استفاده به ترتیب برابر 82/0 و 29/2، 82/0 و 38/1، 57/0 و 97/1 برای بهترین مدل­ رگرسیونی و به ترتیب برابر 87/0 و 9/1، 90/0 و 02/1، 73/0 و 56/1 برای بهترین مدل­ شبکه عصبی مصنوعی بود. مقادیر R2 و RMSE برای نتایج مدل­های رگرسیونی و شبکه عصبی مصنوعی نشان داد که هر دو روش می­توانند ضرایب رطوبتی خاک را با دقت مناسبی برآورد کنند. با این حال، مدل­های رگرسیونی در برآورد رطوبت قابل استفاده کارآیی لازم را نداشتند. دقت تخمین ضرایب رطوبتی توسط مدل­های شبکه عصبی مصنوعی بیشتر از مدل­های رگرسیونی بود.