برآورد دامنه رطوبتي خاك با حداقل محدوديت (LLWR) با استفاده از شبكه‌هاي عصبي مصنوعي و الگوريتم ژنتيك

Estimating Least Limiting Water Range (LLWR) of Soil Using Artificial Neural Networks and Genetic Algorithms

برآورد سريع و صحيح آب فراهم خاك به‌عنوان يكي از مهم‌ترين شاخص‌هاي كيفيت خاك نقش اساسي در مديريت منابع آب كشاورزي دارد. در پژوهش حاضر با استفاده از روش هوش مصنوعي (تركيب شبكه عصبي و الگوريتم ژنتيك) و بهره‌گيري از ويژگي‌هاي زود‌يافت خاك، مقدار دامنه رطوبتي با حداقل محدوديت (LLWR) در 250 نمونه خاك برداشت شده از دشت خان‌ميرزا در استان چهارمحال و بختياري برآورد شد. در اين مدل‌ها، 9 متغير شامل درصد شن، سيلت، رس، درصد كربن آلي، چگالي ظاهري (BD)، چگالي حقيقي (PD)، pH، رسانايي الكتريكي (EC) و كربنات كلسيم معادل (CCE)، به‌عنوان پارامترهاي ورودي و مقدار LLWR به‌عنوان تابع خروجي در نظر گرفته شده است. از تعداد كل 250 داده، 200 عدد براي آموزش و 50 داده براي آزمون مدل استفاده شد. بررسي نتايج شاخص‌هاي آماري نشان داد كه شبكه عصبي به‌خوبي قادر به برآورد LLWR با ضريب تبيين 0/93 است. در نهايت مشخص شد كه مدل تلفيقي شبكه عصبي مصنوعي-الگوريتم ژنتيك با بيش‌ترين ضريب تبيين (0/96 = R2) براي برآورد LLWR مناسب‌ترين مدل است. به‌طور كلي دو مدل شبكه عصبي مصنوعي و الگوريتم ژنتيك نسبت به معادلات رگرسيوني كارايي مناسب‌تري براي برآورد LLWR را نشان دادند.

Quick and accurate estimation of soil available water as one of the most critical soil quality indices plays an essential role in agricultural water resources management. The present study estimated the least limiting water range (LLWR) for 250 soil samples taken from Khanmirza plain in Chaharmahal and Bakhtiari province. Artificial intelligence method (combining genetic algorithm (GA) with artificial neural network (ANN)) and readily available soil properties were used for this purpose. The LLWR was considered as output variable, and sand, silt and clay percentages, organic carbon content, bulk density (BD), particle density (PD), pH, electrical conductivity (EC) and equivalent calcium carbonate (CCE) were considered as input variables. From 250 data, 200 were allocated to model training and 50 to model testing. The statistical analyses showed that the artificial neural network had a reasonable estimate of LLWR with a coefficient of determination of 0.93. Finally, the combined model of artificial neural network-genetic algorithm (ANNGA) with the highest coefficient of determination (R2 = 0.96) was identified as the most appropriate model for predicting LLWR. The two models of artificial neural network and genetic algorithm generally showed better performance than the regression equations.