سال انتشار: ۱۳۸۸

محل انتشار: همایش ملی علوم آب، خاک، گیاه و مکانیزاسیون کشاورزی

تعداد صفحات: ۴

نویسنده(ها):

هادی عامری خواه – عضو هیئت علمی گروه خاکشناسی دانشگاه شهید چمران اهواز
عطااله خادم الرسول – عضو هیئت علمی گروه خاکشناسی دانشگاه شهید چمران اهواز
لطف اله عبداللهی – عضوهیئت علمی دانشگاه پیام نور استان خوزستان

چکیده:

برآورد خصوصیات هیدرولیکی خاک بوسیله مدلهای آماری و ریاضی مانند شبکه عصبی یکی از راه های کاهش صرف هزینه و زمان اندازه گیری اینگونه عوامل است. استان خوزستان دارای سطح زیادی از رده های انتی سول و اینسپتی سول است که دراین تحقیق، اثر روشها و دسته داده های متفاوت بر کارایی مدلها جهت پیش بینی هدایت هیدرولیکی اشباع اینگونه خاکها پرداخته شده است به منظور تخمین هدایت هیدرولیکی اشباع در مرحله اول اطلاعات ۴۴۸ سری خاک از بانک اطلاعاتی UNSODA و نیز اطلاعات تحقیقاتی مربوط به نقاط مختلف ایران جمع آوری گردید. اطلاعات مربوط به تپه های شنی، خاکهای انتی سول و اینسپتی سول و خاکهای مشابه در دیگر سیستم های طبقه بندی (A) از سایر خاکها جدا شده (B) و ساخت مدلها به دو روش رگرسیون خطی و شبکه عصبی توسط نرم افزار SAS با دو سری داده خاکهای (A) و همه داده های موجود در بانک اطلاعاتی (AB) صورت گرفت. برای بررسی کارایی مدلها از آماره R² تصحیح شده و ریشه دوم میانگین مربعات خطا استفاده گردید. در این تحقیق سه طرح مختلف ورود داده ها به فرایند مدل سازی مورد استفاده قرار گرفت. نتایج نشان میدهد که خاکهای بدون تکامل یا کم تکامل یافته را به خوبی و بطور معنی دار می توان از طریق خصوصیاتشان جدا نمود. مدلهای مبتنی بر شبکه عصبی ایجاد شده بر اساس داده های UNSODA چه در مرحله آموزش و چه در مرحله آزمون پاسخ خوبی برای خاکهای انتی سول و اینسپتی سول خوزستان ایجاد نمی نمایند که این مسئله علاوه بر تخمین دارای دقت پایینی هم بوده اند و دارای RMSE بالای ۰/۵ می باشند. شبکه عصبی ایجاد شده بر اساس داده های ورودی درصد رس ، جرم مخصوص ظاهری و درصد مواد آلی از تخمین و دقت( RMSE=0/11) مناسبی برای برآورد هدایت هیدرولیکی اشباع خاکهای خوزستان برخودار می باشد. روش مبتنی بر شبکه عصبی مصنوعی ایجاد شده از طریق داده های محلی کارایی بهتری نسبت به روشهای خطی در برآورد هدایت هیدرولیکی اشباع خاکهای خوزستان داشته است . بطور کلی می توان بیان نمود که دخیل نمودن مسئله طبقه بندی خاکها در ایجاد مدلهای برآورد خصوصیات خاک در مرحله آموزش و ایجاد این مدلها بر مبنای داده های محلی می تواند بر دقت مدلها افزوده و کارایی آنها را افزایش دهد.