مدل سازي رابطه غلظت آهن در برگ مركبات با برخي خصوصيات خاك با استفاده از شبكه عصبي مصنوعي (مطالعه موردي جنوب استان كرمان)

هدف از اين پژوهش ارزيابي رابطه بين آهن موجود در برگ با برخي ويژگي ‌هاي زود يافت خاك در باغات مركبات منطقه جنوب استان كرمان به‌وسيله روش‌هاي مدل‌سازي شبكه عصبي مصنوعي و رگرسيون گام به گام بود. به همين منظور 40 باغ بارده از كل منطقه انتخاب شده و خصوصيات فيزيكي و شيميايي خاك و آهن موجود در برگ گياه اندازه‌گيري شد. با استفاده از شبكه عصبي مصنوعي و مدل‌هاي مختلف با داده‌هاي متفاوت از ويژگي‌هاي خاك به عنوان ورودي و آهن برگ به عنوان خروجي، توانايي اين مدل‌ها در پيش-بيني غلظت آهن برگ مورد ارزيابي قرار گرفت. نتايج مدل‌سازي نشان داد شبكه عصبي مصنوعي با متغييرهاي كربن آلي، پ‌هاش، رس، فسفر، درصد مواد خنثي شونده و هدايت الكتريكي با ضرايب تبيين 0.86 و 0.81 و ريشه ميانگين مربعات خطا (RMSE)14.60 و 20.13 ميلي‌گرم بر كيلوگرم براي داده‌هاي آموزش و آزمون بهترين در برآورد آهن برگ بود. مقايسه مدل‌هاي رگرسيون و شبكه عصبي در داده‌هاي آزمون نشان داد كه شبكه عصبي دقت بالاتري با ضريب تبيين 0.81 نسبت به رگرسيون گام به گام با ضريب تبيين 0.2 داشت. همچنين مقدار RMSE شبكه عصبي نيز بهبود بهتري داشته و از 27.72 ميلي‌گرم بر كيلوگرم در مدل رگرسيون گام به گام به 20.13 ميلي‌گرم بر كيلوگرم در شبكه عصبي رسيد. شبكه عصبي مصنوعي بر اساس ويژگي‌هاي زوديافت خاك قادر به پيش‌بيني آهن موجود در برگ گياه بوده‌اند به‌گونه‌اي كه با انتخاب كربن آلي به عنوان ورودي اولين مدل تا در بهترين مدل با انتخاب كربن آلي، پ‌هاش، رس، فسفر، درصد مواد خنثي شونده و هدايت الكتريكي، دقت مدل افزايش يافت.