استفاده از شبكه عصبي، شاخص پايداري خاكدانه‌ها و شكل‌هاي شيميايي مس و روي در برآورد غلظت اين عناصر در يك گياه مرتعي

Using neural network, aggregate stability indices and chemical forms of copper and zinc in estimating the concentration of these elements in a rangeland plant

مديريت منابع خاك و گياه با استفاده از روشهاي نوين، از جمله روش هاي هوش مصنوعي، در سال هاي اخير به عنوان يكي از مهمترين راهكارهاي كاهش هزينه هاي مديريتي معرفي شده است. تحقيق حاضر تلاش دارد تا بتواند با استفاده از يكي از روش هاي شبكه عصبي، به پيش بيني مناسبي از وضعيت تغذيه اي دو عنصر مس و روي در گياه شكر تيغال با استفاده از داده هاي شكل هاي شيميايي عناصر مس و روي خاك و همچنين شاخص هاي پايداري خاكدانه ها، بپردازد. بدين منظور شكل هاي شيميايي دو عنصر مس و روي و همچنين شاخص هاي ميانگين وزني قطر خاكدانه ها و ميانگين هندسي قطر خاكدانه ها در 34 نمونه خاك و غلظت روي و مس در گياه شكر تيغال نزديك به هر نمونه خاك مورد تجزيه قرار گرفته و در نهايت مدل سازي پرسپترون چند لايه با الگوريتم لونبرگ- ماركوارت با چهار ورودي مجزا در هر بخش انجام گرفت. نتايج بدست آمده نشان داد كه مجموع دو شكل كربناتي و تبادلي به عنوان داده هاي ورودي داراي بيشترين ضريب تببين و كمترين خطاي استاندارد در پيش بيني غلظت روي گياه بوده است. در طرف مقابل، مجموع شكل هاي تبادلي و كريناتي به همراه پايداري خاكدانه ها به عنوان ورودي، بهترين پيش بيني را از وضعيت مس در گياه شكر تيغال دارا بود. برخلاف عنصر روي، ورود داده هاي فيزيكي خاك (شاخص هاي پايداري خاكدانه) توانست تاثير قابل ملاحظه اي بر در گياه بگذارد

Soil and plant resource management has been introduced in recent years as one of the most important ways to reduce management costs using modern methods, including artificial intelligence techniques. The present study attempted to use the neural network method to predict the nutritional status of the two copper and zinc elements in the Echinops plant using the data of the chemical forms of the copper and zinc elements, as well as the stability indicators of the aggregates. For this purpose, the chemical forms of the two elements of copper and zinc, as well as the average of weight diameter and geometric mean diameter of aggregates in 34 soil samples, and zinc and copper concentrations in the Echinops plant were analyzed for each soil sample and eventually Multilayer perceptron modeling was performed using Levenberg-Marquardt algorithm with four separate inputs in each section. The results showed that the sum of carbonate and exchangeable forms as the input data had the highest coefficient of variation and the lowest standard error in predicting Zn concentration of the plant. On the other hand, the total exchange and carbonate forms with the stability of aggregates as inputs had the best prediction of the copper status of the plant. Unlike zinc, soil physical data (aggregate stability indicators) could have a significant effect on predicting the state of copper in the plant.