مدل‌سازي پارامترهاي موثر بر دقت سامانه‌هاي اندازه‌گيري هدايت الكتريكي خاك به روش شبكه عصبي RBF در شرايط آزمايشگاهي

از جمله سامانه‌هايي كه در تهيه نقشه هدايت الكتريكي خاك مزارع به‌كار مي‌روند، سامانه‌هاي مبتني بر روش تماس مستقيم الكترود با خاك مي‌باشند. در اين تحقيق با علم به اينكه علاوه بر شوري پارامترهاي فيزيكي و شيميايي خاك نيز در هدايت‌پذيري الكتريكي خاك تاثيرگذارند، به كمك روش شبكه عصبي RBF در طرح آماري باكس- بنكن به بررسي تاثير پارامترهاي اثرگذار بر نتايج روش تماس مستقيم در اندازه­گيري هدايت الكتريكي ظاهري خاك پرداخته و مدلي جهت تخمين هدايت الكتريكي واقعي خاك با داشتن هدايت الكتريكي ظاهري، دما، درصد رطوبت و چگالي توده تعيين شد. اندازه‌گيري همزمان پارامترهاي موثر مي‌تواند مرحله كاليبراسيون را حذف كند. مدل شبكه عصبي به‌دست آمده توانست به‌خوبي با ضريب تبيين 0.99، ECe را تخمين بزند. ضمن بررسي الگوريتم‌هاي مختلف آموزش شبكه عصبي عملكرد الگوريتم آموزشي بيزين بهتر از ساير الگوريتم‌ها تشخيص داده شد. نتايج تحليل حساسيت شبكه نشان داد به‌ترتيب متغيرهاي ECa، رطوبت، دما و چگالي توده بيشترين تاثير را در تخمين مقدار ECe خاك دارند، به‌طوري‌كه با حذف آنها از مدل ضريب تبيين از 0.99 به‌ترتيب به 0.30، 0.35، 0.56 و 0.63 كاهش مي‌يابد. پس از مرحله مدل‌سازي، مدل شبكه عصبي به‌دست آمده با يك گروه داده مزرعه‌اي مورد اعتبارسنجي قرار گرفت. نتايج اعتبارسنجي مدل ضريب تبيين 0.986 بين خروجي مدل و مقادير ECe اندازه‌گيري شده در آزمايشگاه را نشان داد. بدين ترتيب با استفاده از اين مدل ضمن اندازه‌گيري هم‌زمان پارامترهاي ذكر شده همراه با هدايت الكتريكي مي‌توان دقت سامانه‌هاي اندازه‌گيري هدايت الكتريكي ظاهري خاك در تخمين و تهيه نقشه‌هاي شوري خاك افزايش داد. همچنين با توجه به عدم نياز به داده‌برداري مجدد جهت كاليبراسيون سامانه‌ها، استفاده از اين مدل زمان تحليل داده‌ها و هزينه تهيه نقشه هدايت الكتريكي خاك را كاهش مي‌دهد.