قابلیت طیف سنجی مرئی-مادون قرمزنزدیکVIS-NIR)) در پیش بینی درصد ذرات خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی

طیف سنجی مریی و مادون قرمز نزدیک (VIS-NIR) به طور گسترده ای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده می شود. مطالعه حاضر با هدف پیش بینی احتمالی بافت خاک با استفاده از اندازه گیری های طیفی و مدل های شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزیی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس نمونه برداری از افق های خاک انجام گرفت، درصد شن و رس و سیلت نمونه های خاک اندازه گیری شد. رگرسیون حداقل مربعات جزیی (PLSR) و شبکه عصبی مصنوعی (ANN) برای مدل سازی درصد رس، شن و سیلت خاک مقایسه شدند. نتایج این بررسی نشان داد که شبکه عصبی مصنوعی نسبت به رگرسیون حداقل مربعات جزیی کارایی بهتری داشت، برای هر دو مدل از محدوده خاصی از طول موج (بین 400 -2450 میکرون با اعمال پیش پردازش ها و حذفیات یکسان) استفاده گردید. هنگامی که مدل رگرسیون مربعات جزیی اجرا شد، دقت بسیار پایینی داشت (R2 ~0.1-0.3)، در مقابل، روش شبکه عصبی-مصنوعی مقدار R2 به ترتیب برای رس، شن و سیلت 70/0, 76/0و 73/0 بود و میانگین ریشه مربعات خطا به ترتیب 14/9، 54/5 و 01/7 گرم بر کیلوگرم براساس داده های آزمون (20 درصد) به دست آمد که نشان دهنده دقت بالاتر و خطای کمتر مدل شبکه عصبی-مصنوعی می باشد. از آنجایی که رابطه بین درصد ذرات خاک و بازتاب طیفی خاک خطی نیست، به نظر می رسد روش شبکه عصبی-مصنوعی برای بررسی و تجزیه و تحلیل رابطه بین اجزای بافت خاک و داده های طیفی مناسب باشد.