برآورد رطوبت حجمي خاك با استفاده از شبكه عصبي مصنوعي

Estimation of Soil Moisture Content Using Artificial Neural Network

اندازه گيري مقدار رطوبت خاك در مطالعات خاك شناسي و هيدرولوژي بسيار حايز اهميت مي باشد. استفاده از فناوري زمان بازتاب امواج (TDR) براي اندازه گيري رطوبت خاك مطرح شده است. رطوبت خاك به عنوان يك محيط متخلخل را مي توان به وسيله دستگاه TDR با استفاده از پالس (طول موج) برگشتي در پروب نصب شده در آن محيط اندازه گيري نمود. از آنجايي كه انعكاس موج برگشتي تحت تاثير محيط و سيستم اندازه گيري مي باشند، به كارگيري روش ساده و كاربردي مي تواند كمك موثري در دستيابي به نتايج مورد نياز و كاهش هزينه ها را دربرداشته باشد. لذا استفاده از روشي كه بتوان رطوبت خاك را در شرايط طبيعي و بدون دست خوردگي با سرعت و دقت بالا به دست آورد، بسيار با اهميت و كاربردي مي باشد. هدف از اين مطالعه مقايسه مدل هاي موجود در بافت هاي (رسي، لوم رسي، لوم، رس شني، رس سيلتي) و مقايسه اين مدل ها با مدل شبكه عصبي براي اندازه گيري مقدار رطوبت حجمي خاك مي باشد. در اين پژوهش از مدل شبكه عصبي براي ارتباط بين ضريب دي الكتريك-رطوبت حجمي (?v -Ka) با استفاده از پارامترهاي فيزيكي استفاده شد. پارامترهاي جرم مخصوص ظاهري و مقدار رس بيشترين تاثير را در شبكه داشتند و شبكه با اين دو پارامتر ورودي، كمترين مقدار RMSE را در بين توپولوژي هاي بررسي شده نشان داد. نتايج نشان داد كه مدل شبكه عصبي بهتر از مدل هاي بيرچاك و همكاران، دلر، ماليكي و همكاران، والي، تاپ و همكاران با مقدار RMSE كمتر، مقدار رطوبت خاك را پيش بيني مي كند. در ميان مدل هاي بررسي شده معادله تاپ، نتايج ضعيف تري نسبت به ديگر مدل ها نشان داد. با استفاده از مدل شبكه عصبي بدون استفاده از واسنجي مخصوص براي هر خاك مي توان به نتايج قابل قبولي در اندازه گيري مقدار رطوبت خاك به دست آورد.

Estimating soil moisture content is very important in soil science and hydrologic studies. Time domain reflectometry (TDR) has been suggested for measuring soil moisture. Soil moisture as a porous environment can be predicted by TDR (wavelength) with probe installed in the environment. Since the reflected wave back under the influence of environment, soil moisture content can be measured. Therefore, the method can be used in the natural conditions of soil moisture without time consuming and with high accuracy and it is important application. Our objectives were to evaluate the ability of published models to fit TDR calibration data for the soils of different texture (clay, clay loam, loam, sandy clay, silty clay). An artificial neural network (ANN) was used to predict the Ka–?v relationship considering soil physical parameters. The parameters that give the most significant reduction in the root mean square error (RMSE) are bulk density and clay content. The results showed that ANN predictions are better than other models such as Birchak et al. (2), De Loor (3), Malicki et al. (4), Topp et al. (4), Whalley (5) with comparable coefficient of determination and RMSE. Topp et al. model is showed poor result among models under study. Thus, by using ANN, highly accurate data can be obtained without need for elaborating soil specific calibration experiments.