شبيه‌سازي الگوي خيس‌شدگي منطقه ريشه گياهانِ تحت آبياري قطره‌اي با استفاده از تكنيك شبكه هاي عصبي مصنوعي

The Simulation of wetting pattern of root zone of plants under water irrigation using artificial neural network

الگوي خيس‌شدگي خاك منطقه ريشه گياهان (قطر و عمق خاك خيس خورده) در محل تخليه قطره‌چكان‌ها تابعي از ويژگي‌هاي فيزيكي خاك، دبي و مدت زمان كاربرد آب‌ مي‌باشد. با توجه به گوناگوني فاكتورهاي موثر بر الگوي خيس‌شدگي خاك منطقه ريشه گياهان تحت آبياري قطره‌اي و قابليت شبكه‌هاي عصبي مصنوعي به نظر مي‌رسد با جمع‌آوري اطلاعات براي محدوده به نسبت وسيعي از تغييرات پارامترهاي موثر بتوان شكل و روند پيشروي جبهه رطوبتي در خاك را پيش‌بيني كرد. در اين تحقيق، در سال 1383 از خاك هاي اراضي زراعي حاشيه رودخانه زاينده رود اصفهان و براي تركيب‌هاي مختلف متغيرها (شامل بافت‌ لوم شني و دبي‌هاي كاربردي 2، 4، 8 و12 ليتر در ساعت با حجم آب آبياري 48 ليتر) ابتدا شكل و روند پيشروي جبهه رطوبتي با استفاده از يك مدل فيزيكي اندازه‌گيري ‌شد. سپس با استفاده از نرم‌افزارMatlab Ver 7 يك شبكه عصبي مصنوعي با نام ANN-SL براي پيش‌بيني شكل و روند پيشروي جبهه‌ي رطوبتي در خاك و در محل تخليه قطره‌چكان‌ها طراحي گرديد. نتايج حاصل از مقايسه مدل فيزيكي با شبكه عصبي ANN-SL نشان داد كه در اين خاك براي هر چهار دبي كاربردي، شبكه عصبيANN-SL به خوبي قادر به پيش‌بيني روند پيشروي جبهه‌ي رطوبتي مي‌باشد. در شبكه‌ي طراحي شده، مقدار ريشه‌ي ميانگين مربعات خطا (RMSE) برابر 2602/0 محاسبه شد. هم‌چنين ضريب تبيين شبكه‌ي 991/0= به دست ‌آمد. كوچك بودن RMSE و بزرگ بودن شبكه نشان مي‌دهد كه ميزان هماهنگي بين روند تغييرات جبهه رطوبتي مشاهده شده از آزمايش‌ها و پيش‌بيني‌هاي شبكه‌ي عصبي بسيار خوب بوده است. آناليز حساسيت روي پارامترهاي ورودي به شبكه عصبيANN-SL نشان داد كه حذف پارامترهاي حجم آب آبياري و زمان آبياري باعث ضعيف شدن عملكرد شبكه مي‌شود؛ البته تاثير حذف پارامتر حجم آب آبياري در عملكرد شبكه زيادتر از تاثير حذف پارامتر زمان آبياري مي‌باشد. حذف خصوصيات فيزيكي خاك تاثير اندكي در عملكرد شبكه دارد (0.05 p < ) با توجه به نتايج به دست آمده، ميزان خطاي شبكه‌ي عصبيANN-SL در برآورد روند پيشروي جبهه‌ي رطوبتي حدود يك درصد مي-باشد كه در كارهاي عملي آبياري ناچيز است. لذا استفاده از شبكه‌ي عصبي ANN-SL براي پيش‌بيني الگوي خيس‌شدگي خاك منطقه ريشه گياهان (وضعيت پيشروي جبهه‌ رطوبتي) تحت آبياري قطره‌اي در شرايط مشابه توصيه مي‌شود.

Wetting pattern of root zone of plants (diameter and depth of wetted soil) and trend of advanced wetting front under a trickle is a function of soil properties, discharge and duration of applied water. With respect to numerous effective factors on wetting pattern of root zone of plants and trend of advanced wetting front under drip irrigation, and capability of artificial neural networks, it seems that with collection of information for a relative extensive range of effective parameters, shape and trend of advanced wetting front in soil could be predicted. In this research, in 1383 from cropping soil of Zayanderod river banks of Isfahan for combining various variables (such as sandy loam textured soil and applied discharges of 2, 4, 8 and 12 lit/h with 48 lit of irrigation water), first shape and trend of advanced wetting front was measured with a physical model. Then, using Matlab ver 7 software, an artificial neural network named ANN-SL was designed to predict shape and trend of advanced wetting front under a trickle. The results showed that for this sandy loam soil and each of the four applied discharges, the ANN-SL has the ability to predict trend of wetting front. In the designed network, RMSE was estimated as 0.2602 and the coefficient of determination was R2=0.991. Small RMSE and large R2 values of network shows proper match between trend of observed and predicted wetting fronts. The sensitivity analysis on parameters entered in ANN-SL showed that with omission of irrigation water amount and time of irrigation, the performance of this neural network is weakened. The omission of physical properties of soil have lesser effect on neural network performance (p < 0.05). With regard to the results, the error of ANN-SL network is equal to 1% which is not important in applied cases. Thus, using ANN-SL is recommended for prediction of trend of advanced wetting front under trickle irrigation in similar conditions.