تخمين ظرفيت تبادل كاتيوني در دو خاك بكر و كشاورزي توسط شبكه عصبي مصنوعي و رگرسيون خطي

The Estimation of Soil Cation Exchange Capacity in Disturbed and Undisturbed Soils Using Artificial Neural Networks and Multiple Regressions

در سالهاي اخير استفاده از روشهاي غيرمستقيم مانند شبكه عصبي مصنوعي براي برآورد پارامترهاي خاك مورد توجه قرار گرفته است. در اين پژوهش به منظور تخمين ظرفيت تبادل كاتيوني خاك با استفاده از شبكه عصبي مصنوعي اقدام به نمونه برداري به تعداد 200 نمونه سطحي از منطقه قوشه واقع در استان سمنان گرديد. نيمي از اين تعداد نمونه ها از خاكهاي بكر و نيمي از آنها از اراضي كشاورزي منطقه جمع آوري گرديد. پارامترهاي فيزيكي و شيميايي خاك شامل هدايت الكتريكي، فراواني نسبي ذرات، درصد آهك، نسبت جذب سديم (SAR) و وزن مخصوص ظاهري به عنوان ويژگي هاي زود يافت و ظرفيت تبادل كاتيوني به عنوان پارامتر دير يافت مورد بررسي قرار گرفت. داده ها جمع آوري شده بصورت تصادفي به دو دسته آموزش (70 درصد) و صحت سنجي (30 درصد) تقسيم شدند و از آنها براي آموزش و ارزيابي مدلهاي شبكه عصبي شامل پرسپترون چند لايه (MLP)، توابع پايه شعاعي (RBF) و همچنين رگرسيون خطي استفاده گرديد. دقت پيش بيني به وسيله آماره هاي R2))، (RMSE)، (MAE) و (RSE) بين ظرفيت تبادل كاتيوني اندازه گيري و پيش بيني شده، ارزيابي شد. نتايج كارايي بالاتر مدل پرسپترون چند لايه شبكه عصبي مصنوعي را با مقادير R2 (94/0 و 84/0)، RMSE (69/0 و 56/0) ، RSE (05/0 و 05/0) و MAE (51/0 و 39/0) به ترتيب براي خاكهاي كشاورزي و بكر نسبت به مدل RBF شبكه عصبي مصنوعي و روش رگرسيون خطي نشان مي دهد. همچنين با انجام آناليز حساسيت به همبستگي بالاي درصد رس و مقادير وزن مخصوص ظاهري با ظرفيت تبادل كاتيوني خاكهاي كشاورزي و بكر، دست يافتيم.

With respect to the problem of direct measurement of soil parameters in recent year using indirect method such as artificial neural networks has been considered. In the present study, 200 soil samples were collected from Ghoshe location in Semnan province. Half of samples were collected from disturbed agricultural lands and the other half were collected from undisturbed nearby lands. Some soil chemical as well as physical properties such as electrical conductivity (EC), soil texture, lime percentage, sodium adsorption ration (SAR) and bulk density were considered as easy and fast obtainable features and soil cation exchange capacity as difficult and time consuming feature. The collected data randomly divided in two categories of training (70%) and testing (30%) and they used for train and test of two artificial neural networks, multi-layer perception using back-propagation algorithm (MLP/BP) and Radial basis functions (RBF) and nonlinear regression model. Results of this research show high efficiency of artificial neural network compared with nonlinear regression and also MLP network was better than RBF network. Sensitivity analysis was also performed for all parameters to find out the relationship between soil mentioned parameters and soil cation exchange capacity for both disturbed and undisturbed soils. At last, the correlation between soil parameters and soil cation exchange capacity was determined and most important parameters which could influence the soil cation exchange capacity were described.