كاربرد شبكه عصبي مصنوعي با استفاده از طيف سنجي مرئي و مقايسه با رگرسيون حداقل مربعات جزئي براي پيش بيني درصد رس،شن و سيلت خاك

داده هاي ميداني وآزمايشگاهي براي برآورد اجزاي بافت خاك و تعيين بافت خاك زمان بر و پر هزينه مي باشد.در حالي كه داده هاي طيفي محدوده مرئي – مادون قرمز كه باحداقل هزينه و صرف وقت تهيه مي شوند ، كار برد وسيعي در براورد خصوصيات فيزيكي و شيميايي خاك دارند. طيف سنجي مرئي و مادون قرمز نزديك (vis-NIR) به طور گسترده اي براي تخمين خصوصيات فيزيكي خاك واخيرا برآورد بافت خاك استفاده مي شود. مطالعه حاضر با هدف پيش بيني احتمالي بافت خاك با استفاده از اندازه گيري هاي طيفي و مدلهاي شبكه عصبي مصنوعي و رگرسيون حداقل مربعات جزئي انجام گرفته است. بر اساس تكنيك هايپركيوب، محل 115 پروفيل شناسايي و سپس نمونه برداري از افق هاي خاك انجام گرفت ، درصد شن و رس و سيلت نمونه هاي خاك اندازه گيري شد.رگرسيون حداقل مربعات جزئي (PLSR) و شبكه عصبي مصنوعي (ANN) براي مدل سازي درصد رس،شن و سيلت خاك مقايسه شدند. نتايج اين بررسي نشان داد كه شبكه عصبي مصنوعي نسبت به رگرسيون حداقل مربعات جزئي كارايي بهتري داشته است. ما براي هر دو مدل از محدوده خاصي از طول موج استفاده كرديم. هنگامي كه مدل PLSR اجرا شد، دقت بسيار پاييني داشت (R2 ~0.1-0.3) ،در مقابل، روش ANN مقدار R2 به ترتيب براي رس،شن و سيلت 84/ 0 ،83/ 0 و 81 /0 بود و ميزان خطا به ترتيب 42/3،3 /6 و3/ 4 بود كه نشان دهنده دقت بالاتر و خطاي كمتر مدل ANN مي باشد. از مزيت هاي اين روش مي توان به عدم پيش پردازشي قبل از اعمال مدل به داده هاي طيفي اشاره كرد. از آنجايي كه رابطه بين درصد ذرات خاك (رس و شن وسيلت) و بازتاب طيفي خاك خطي نيست، به نظر مي رسدروش ANN براي بررسي و تجزيه و تحليل رابطه بين اجزاي بافت خاك و داده هاي طيفي مناسب باشد.