برآورد نقطه اي منحني مشخصه رطوبتي خاك با استفاده از شبكه عصبي مصنوعي و بهينه سازي آن با الگوريتم ژنتيك در كشت و صنعت هاي نيشكر خوزستان

Point estimation of soil moisture characteristic curve using artificial neural networks and its optimizing by genetic algorithm in Agro-Industries of Khouzestan

ويژگي­ هاي هيدروليكي خاك در مديريت اراضي تحت كشت نيشكر نقش به سزايي دارد. هدف از اين تحقيق برآورد نقطه­ اي منحني مشخصه­ ي رطوبتي خاك با استفاده شبكه­ ي عصبي مصنوعي و بهينه­ سازي آنبا الگوريتم ژنتيك مي ­باشد. به اين منظور براساس ويژگي­ هاي مديريت اراضي، درصد مواد آلي، بافت خاك، هدايت الكتريكي و درصد سديم جذب سطحي شده، 4 واحد كاري در كشت و صنعت ­هاي دعبل خزاعي، امير كبير، كارون و هفت ­تپه انتخاب شد. در مجموع تعداد 310 نمونه خاك از دو عمق 40-0 و 80-40 سانتيمتري نيمرخ خاك به طور تصادفي برداشت گرديد. در اين پژوهش پنج مدل به شكل سلسله مراتبي به وسيله ­ي شبكه­ ي عصبي مصنوعي براي برآورد نقطه ­اي منحني مشخصه ­ي رطوبتي خاك مورد پي­ريزي و ارزيابي قرار گرفت. جهت بررسي كارآيي مدل ­ها از ضريب همبستگي اسپيرمن (R)، متوسط مربعات خطاي نرمال شده (NMSE) و متوسط خطاي مطلق (MAE) استفاده شد. از آن جا كه انتخاب هر يك از پارامترهاي متغير شبكه­ ي عصبي مستلزم آزمون و خطاهاي مكرر و در نتيجه آموزش تعداد زيادي شبكه با ساختار مختلف بود، از روش الگوريتم ژنتيك براي بهين ه­يابي اين پارامترها استفاده شد و كارايي اين روش در بهينه ­سازي شبكه­ ي عصبي بررسي گرديد. نتايج نشان داد كه شبكه­ ي عصبي در مدل­ سازي و برآورد نقطه ­اي منحني مشخصه­ ي رطوبتي خاكاز دقت بالايي برخوردار است (R =0.943, MAE=0.019, NMSE=0.054). همچنين تلفيق شبكه ي عصبي با الگوريتم ژنتيك، جهت بهينه سازي شرايط اجرايي آن، مثبت ارزيابي گرديد و روش تلفيقي در تمامي موارد برتري خود را نسبت به اجراي شبكه ي عصبي بدون بهينه سازي نشان داد (R=0.985, MAE=0.01, NMSE =0.0151).

Soil hydraulic properties have key role in sugar cane cultivation management. The purpose of this study is to estimate soil moisture characteristic curve using an artificial neural network and its optimization with genetic algorithm. Therefore, based on the cultivation operations management and soil properties included: organic matter content, soil texture, electrical conductivity, sodium adsorption ratio, 4 land unit tracts in Debel-Khozaii, Amir-Kabir, Karoon and Haft-Tapeh agro-industries were selected. A total of 310 soil samples from both 0-40 and 40-80 cm of soil profiles were collected. In this study, five models were arranged in hierarchy to estimate soil hydraulic properties with ANNs. The performances of the models were evaluated using Spearman's correlation coefficient (r) between the observed and the estimated values, normalized mean square error (NMSE), and mean absolute error (MAE). Owing to the fact that the selection of each of the variable parameters of neural network necessitated recurring trails and errors, and consequently teaching a large number of networks with various topologies, genetic algorithm method was utilized for finding the optimization of these parameters and the efficiency of this method was examined in terms of the optimization of neural network. Results showed that the neural network has a high degree of accuracy in modeling and estimating soil moisture characteristic curve (R =0.943, MAE=0.019, NMSE=0.054). Also, combining artificial neural networks with genetic algorithm for optimizing the conditions of the artificial neural networks implementation was positive and combining approach indicated its superiority over non-optimized implementation of artificial neural networks in all cases (R=0.985, MAE=0.01, NMSE =0.0151).