اشتقاق توابع انتقالی مناسب برای برآورد برخی ویژگی های دیریافت خاک

اندازه‎گیری مستقیم برخی خواص خاک ممکن است مشکل، هزینه‎بر و وقت‎گیر باشد. بنابراین این خواص می‎توانند به اسانی از داده های زودیافت تخمین زده شوند. ظرفیت تبادل کاتیونی یک شاخص مهم حاصل‎خیزی و ظرفیت ذخیره آلاینده ها در خاک می‎باشد. ویژگی های هیدرودینامیکی خاک تعیین کننده جریان آب در خاک-گیاه- اتمسفر بوده که کنترل کننده فرآیندهایی مانند تغذیه آبی و جریان عناصر مغذی بین خاک و پوشش گیاهی می‎باشد. شناخت خواص هیدرودینامیک خاک برای مدلسازی فرآیندهای فیزیکی مربوط به ذخیره رطوبت خاک دارای اهمیت است. علی‎رغم پیشرفت‎های زیاد در روش‎های اندازه‎گیری، تعیین دقیق خواص هیدرولیکی خاک بخصوص برای خاک‎های دست‎نخورده و در محدوده خشک منحنی رطوبتی همچنان مشکل است. همچنین اندازه‎گیری خواص هیدرولیکی و ظرفیت تبادل کاتیونی خاک زمان‎بر، مشکل و پر‎هزینه است. به همین دلیل، این مطالعه سعی در توسعه توابع انتقالی مناسب برای تخمین رطوبت ظرفیت زراعی، نقطه پژمردگی دایم و ظرفیت تبادل کاتیونی خاک‎های نواحی جنوب استان گیلان دارد.
مواد و روش‎ها: محدوده مورد مطالعه درمنطقه گیلوان در جنوب استان گیلان واقع شده است. اقلیم منطقه اریدیک بوده، بارندگی سالیانه 245 میلی‎متر و میانگین درجه حرارت 18 درجه سانتی‎گراد است. 240 نمونه خاک از لایه 0 تا 30 سانتی‎متری جمع آوری شد. سپس خواصی چون رس، شن و سیلت، آهک، مواد آلی، جرم مخصوص ظاهری و گچ اندازه‎گیری شدند. اولین مرحله در مطالعات آماری بررسی نرمال بودن داده ها است. برای تعیین نرمال بودن داده ها ازآزمون کولموگروف-اسمیرنوف استفاده شد. داده ها به دو دسته آزمون (25%) و آموزش (75%) تقسیم شدند. این تقسیم‎بندی به گونه‎ای انجام گرفت که ویژگی های آماری هر دو گروه مثل حداقل، حداکثر، انحراف معیار و... یکسان باشند. سپس مدل‎های رگرسیون و شبکه عصبی بر داده های آموزش اعمال شد. برای جلوگیری از خطا در فرآیندهای شبکه عصبی، داده ها به مقیاس استاندارد از 1/0 تا 9/0 تبدیل شد. توابع پرسپترون چند لایه، پس انتشار، و لونبرگ-مارکواردت برای توسعه شبکه های عصبی مصنوعی توسعه یافت. برای ارزیابی مدلها از معیارهای RMSE، R2، و MEF استفاده شد.
یافته ها: در تجزیه رگرسیون، برای ظرفیت تبادل کاتیونی، درصد رس و ماده‎آلی، برای مقدار ظرفیت زراعی، رس، سیلت و جرم مخصوص ظاهری و برای نقطه پژمردگی دایم، درصد رس دارای تاثیر معنادار در مدل‎های توسعه یافته بودند. ضرایب تبیین در مدل‎های رگرسیون ایجاد شده برای ظرفیت تبادل کاتیونی، ظرفیت زراعی و نقطه پژمردگی دایم به ترتیب برای خطی 72/0، 84/0 و 73/0 و غیرخطی 78/0، 87/0 و 74/0 بودند. بهترین توابع انتقالی توسعه یافته برای خواص دیر یافت در شبکه عصبی مصنوعی از مدل پرسپترون چندلایه با 2 لایه پنهان، 8 نرون برای ظرفیت زراعی و پژمردگی و 6 نرون برای ظرفیت تبادل کاتیونی با در نظر گرفتن همه ورودی ها بدست آمد. ضریب تبیین برای ظرفیت تبادل کاتیونی 98/0، رطوبت ظرفیت زراعی 99/0 و رطوبت نقطه پژمردگی دائم 98/0 بود. مدل‎های شبکه عصبی برای تعیین خواص دیریافت با ورودی از داده های زودیافت که دارای بیشترین ضریب حساسیت بودند، طراحی شدند. نتایج این مدل‎ها شبیه به مدل‎های رگرسیون غیرخطی بود. نتایج در استفاده از داده های آزمون، نشان داد که مدل‎های بدست آمده از شبکه های عصبی با ورودی شامل همه داده های زودیافت دقیق‎تر از مدل‎های رگرسیون بود.
نتیجه گیری: در روش رگرسیون، مدل‎های غیرخطی برای پیش‎بینی خواص دیریافت دقیق‎تر از مدل‎های خطی بودند. در شبکه های عصبی مصنوعی مدل‎هایی با تمام ورودی های زودیافت دقیق‎تر از مدل‎هایی بودند که شامل ورودی های زودیافت که دارای بیشترین ضریب حساسیت بودند. در صورتی‎که تعداد داده های زودیافت ورودی کافی نباشند مدل‎های رگرسیونی می‎توانند دقت قابل قبولی داشته باشند. اما اگر این داده ها کافی باشند شبکه های عصبی مصنوعی دقت بیشتری خواهند داشت. دقت شبکه های عصبی با کاهش پارامترهای ورودی کاهش می‎یابد.