برآورد رطوبت های ظرفیت زراعی، پژمردگی دائم و قابل استفاده در خاک های دشت اردبیل با استفاده از مدل های رگرسیونی و شبکه عصبی مصنوعی

اندازه گیری مستقیم ویژگی های هیدرولیکی خاک وقت گیر، پرهزینه و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک غیر واقعی است. در عوض، این ویژگی ها می توانند از روی ویژگی های زودیافت خاک مانند توزیع اندازه ذرات خاک، جرم ویژه ظاهری، کربن آلی و کربنات کلسیم معادل با استفاده از توابع انتقالی خاک برآورد شوند. هدف از این پژوهش، ارائه مدل های رگرسیونی و شبکه عصبی مصنوعی بر اساس ویژگی های زودیافت یاد شده برای برآورد ویژگی های دیریافت شامل رطوبت های ظرفیت زراعی، پژمردگی دائم و قابل استفاده در شماری از خاک های دشت اردبیل بود.برای این منظور 100 نمونه خاک برداشته شد سپس برخی ویژگی های فیزیکی و شیمیایی آنها اندازه گیری شد. داده ها به دو سری داده های آموزشی (80 نمونه) و داده های آزمونی (20 نمونه) تقسیم شدند. برای ایجاد مدل های شبکه عصبی از نرم افزار 5 Neurosolution و برای ایجاد مدل های رگرسیونی از نرم افزار SPSS استفاده شد. مقادیر ضریب تبیین (R2) و مجذور میانگین مربعات خطا (RMSE) در تخمین پارامترهای دیریافت شامل رطوبت های ظرفیت زراعی، پژمردگی دائم و قابل استفاده به ترتیب برابر 82/0 و 29/2، 82/0 و 38/1، 57/0 و 97/1 برای بهترین مدل رگرسیونی و به ترتیب برابر 87/0 و 9/1، 90/0 و 02/1، 73/0 و 56/1 برای بهترین مدل شبکه عصبی مصنوعی بود. مقادیر R2 و RMSE برای نتایج مدل های رگرسیونی و شبکه عصبی مصنوعی نشان داد که هر دو روش می توانند ضرایب رطوبتی خاک را با دقت مناسبی برآورد کنند. با این حال، مدل های رگرسیونی در برآورد رطوبت قابل استفاده کارآیی لازم را نداشتند. دقت تخمین ضرایب رطوبتی توسط مدل های شبکه عصبی مصنوعی بیشتر از مدل های رگرسیونی بود.