تخمين پايداري خاكدانه در خاك هاي جنگلي استان گيلان بوسيله شبكه عصبي مصنوعي و توابع انتقالي رگرسيوني

Estimation of Soil Aggregate Stability in Forest`s Soils of Guilan Province by Artificial Neural Networks and Regression Pedotransfer Functions

استفاده از شبكه هاي عصبي مصنوعي و توابع انتقالي رگرسيوني در برآورد ويژگي هاي ديريافت خاك از جمله پايداري خاكدانه ها، هزينه و زمان لازم براي اندازه گيري مستقيم اين ويژگي ها را كاهش مي دهد. در اين پژوهش 100 نمونه خاك از جنگل هاي استان گيلان تهيه شد. ماده آلي، جرم ويژه ظاهري، كربنات كلسيم معادل، جرم ويژه حقيقي، تخلخل، مقاومت مكانيكي خاك، رس، شن، سيلت، pH و هدايت الكتريكي به عنوان متغيرهاي مستقل و ميانگين هندسي قطر خاكدانه ها (GMD) به عنوان متغير وابسته تعيين شدند. نمونه ها به صورت تصادفي به دو سري شامل 80 داده براي آموزش و 20 داده براي آزمون مدل ها تقسيم شدند. براي ايجاد توابع انتقالي رگرسيوني از روش گام به گام و به منظور تشكيل شبكه هاي عصبي مصنوعي از الگوريتم آموزشي ماركوارت-لورنبرگ و ساختار پروسپترون سه لايه با شش نرون در لايه پنهان استفاده شد. بر اساس نتايج ماتريس همبستگي بين GMD به عنوان متغير وابسته و متغيرهاي مستقل، تعداد 18 گروه متغير مستقل براي داده ها انتخاب شدند. اين متغيرها يك بار به عنوان متغيرهاي ورودي توابع انتقالي رگرسيوني چندگانه و يك بار به عنوان متغيرهاي ورودي شبكه عصبي مصنوعي به كار رفتند. بر اساس آماره هاي ضريب تبيين تصحيح شده (R2ady)، ريشه دوم ميانگين مربعات خطا (RMSE) و برتري نسبي (RI) مدل با متغيرهاي ورودي pH، جرم ويژه حقيقي، سيلت و مقاومت مكانيكي خاك بهترين مدل شبكه عصبي مصنوعي براي برآورد GMD داده هاي مورد آزمايش شناخته شد.

Using artificial neural networks (ANNs) and regression pedotransfer functions to predict the surrogate soil properties such as aggregate stability reduces time and cost needed for their direct measurements. In this research, 100 soil samples were collected from the forest soils of Guilan province. Organic matter, bulk density, equivalent carbonate calcium, particle density, porosity, soil mechanical resistance, clay, sand, silt, pH and electrical conductivity all were measured as independent variables. Geometric mean diameter (GMD) was computed as dependent variable by appropriate method. The samples were divided into two data subsets randomly: 80 for model calibration and 20 for model test. Regression pedotransfer functions were generated by stepwise method. For establishing ANNs we used Marquardt-Levenburg training algorithm and a 3-layer perceptron structure with 6 neurons in one hidden layer. According to the correlation matrix between GMD as dependent variable and independent variables, 10 groups input variables were selected. The were employed once by multi-variate regression pedotransfer functions and once by artificial neural networks. According to the adjusted coefficient of determination (R2ady), root mean square error (RMSE) and relative improvement (RI) a model resulted from applying ANNs and using input variables of pH, particle density, silt and soil mechanical resistance turned to be the best model for predicting GMD of the examined soils.