كليدواژه :
رگرسيون , شبكه عصبي مصنوعي , ويژگي هاي ديريافت , توابع انتقالي خاك
چكيده فارسي :
اندازه‌گيري برخي از ويژگي‌هاي مهم خاك، ممكن است دشوار، بسيار وقت‌گير و پرهزينه باشد. بنابراين، تخمين اين گونه از ويژگي هاي خاك با استفاده از ويژگي هاي زوديافت خاك، مي تواند مفيد باشد. به اين روابط، توابع انتقالي خاك (PTFs) مي گويند. اين پژوهش به منظور ايجاد توابع انتقالي خاك براي برآورد گنجايش زراعي (FC)، نقطه پژمردگي دايم (PWP) و گنجايش تبادل كاتيوني خاك (CEC) براي خاك هاي استان كرمان انجام شد. بنابراين، تعداد 100 نمونه خاك از مناطق مختلف استان كرمان (كرمان، بردسير، رفسنجان، شهربابك، سيرجان و ارزوييه بافت) و از لايه صفر تا 30 سانتي متر گرفته شد. سپس ويژگي هاي ديريافت (FC ، PWP و CEC) و زوديافت (درصد رس، سيلت، شن، آهك، ماده آلي و گچ) خاك ها اندازه گيري گرديد. در روش رگرسيون، براي FC درصد رس، شن و گچ، براي PWP درصد رس و براي CEC درصد رس و ماده آلي، اثرات معني-داري در مدل هاي ايجادشده نشان دادند. ضرايب تبيين (R2) به ترتيب براي FC، PWP و CEC برابر 86/0، 45/0 و 94/0 محاسبه شدند. بهترين PTFs ها توسط شبكه عصبي مصنوعي براي FC، PWP و CEC با 6 لايه ي پنهان و در نظر گرفتن تمامي ورودي ها به دست آمد (ضريب تبيين به-ترتيب برابر 98/0، 93/0 و 99/0). دقت در روش شبكه عصبي نسبت به روش رگرسيون بيش تر بود. نتايج نشان داد كه اگر تعداد ويژگي هاي زوديافت اندازه گيري شده زياد نباشند، مي توان از مدل هاي رگرسيوني با دقت قابل قبولي استفاده كرد. اگر تعداد ويژگي هاي زوديافت اندازه گيري-شده زياد بود، آن گاه مدل شبكه عصبي، نتايج بسيار دقيق تري ارايه مي نمايد. دقت مدل شبكه عصبي با كاهش تعداد پارامترهاي زوديافت (ورودي-ها)، كاهش يافت.
چكيده لاتين :
Measurement of some important soil characteristics may be difficult, time-consuming, and expensive. Thus, it is helpful to predict these properties using easily-available soil properties. These relationships and/or functions are called pedotransfer functions (PTFs). This study was conducted to derive PTFs for estimating field capacity (FC), permanent wilting point (PWP), and cation exchange capacity (CEC) of soils in Kerman Province. Hundred soil samples (0?30 cm layer) were collected from different locations in Kerman Province including: Kerman, Bardsir, Rafsanjan, Shahre-Babak, Sirjan and Orzoueiyeh of Baft. Then, FC, PWP, CEC, clay, silt, sand, carbonate, organic matter and gypsum contents of the soils were measured. In the regression method, clay, sand, and gypsum contents significantly affected the FC prediction, whereas clay content entered as effective input in the derived model for PWP, and clay and organic matter contents had significant effects on the CEC. Coefficients of determination (i.e. R2) of 0.86, 0.45 and 0.94 were calculated for FC, PWP, and CEC regression models, respectively. The best PTFs were obtained by artificial neural network (ANN) for FC, PWP and CEC with 6 hide layers and including all the input variables (R2 values of 0.98, 0.93 and 0.99, respectively). The accuracy of ANN predictions was greater than that of regression method. Results revealed that regression models can be applied with acceptable accuracy if a few easily-available characteristics are measured. The ANN method presented highly accurate results when the number of known easily-available characteristics increased. The accuracy of ANN decreased with reducing the number of inputs.
