براورد نسبت جذبي سديم (SAR) در آبهاي زيرزميني با استفاده از وايازي خطي چند متغيره شبكه‌ي عصبي مصنوعي (مطالعه‌ي موردي دشت بجستان)

Estimation of Sodium Absorption Ration (SAR) in Groundwater Using the Artificial Neural Network and Linear Multiple Regression: Case Study: The Bajestan Plain

با توجه به نقش نسبت جذبي سديم (SAR) در مديريت و پايداري خاك، برآورد اين فراسنج در آبهاي زيرزميني استفاده شده در اراضي كشاورزي از اهميت خاصي برخوردار است. هدف از اين پژوهش، مقايسه‌ي عملكرد و كارايي دو شبيه وايازي خطي چند متغيره، و شبكه‌ي عصبي مصنوعي در شبيه‌سازي و براورد نسبت جذبي سديم در آبهاي زيرزميني دشت بجستان مي‌باشد. جهت انجام پيش‌بيني نسبت جذبي سديم به عنوان متغير وابسته، و فراسنج هاي طول و عرض جغرافيايي، هدايت الكتريكي، ميزان كل عناصر محلول و مقادير pH به عنوان متغير مستقل به كار گرفته شدند. سپس شبيه وايازي خطي چند متغيره و شبكه‌ي عصبي مصنوعي بين اين فراسنج ها و نسبت جذبي سديم برقرار گرديد. در نهايت، كارايي اين شبيه‌ها با استفاده از روش اعتبارسنجي متقابل مورد ارزيابي قرار گرفت. نتايج نشان دادند كه روش هاي وايازي خطي چند متغيره و شبكه‌ي عصبي مصنوعي به ترتيب مي‌توانند9/23 و 80 درصد از تغييرات نسبت جذب سديم را در منطقه‌ي مورد مطالعه توجيه كنند. نتايج تحليل حساسيت شبيه شبكه‌ي عصبي مصنوعي نشان دادند كه فراسنج pH تاثير بيش تري در دقت برآورد نسبت جذب سديم در منطقه دارد.

As the SAR of irrigation water is a major determinant of the sustainability of agriculture and development on groundwater, the foreknowledge of its value is of utmost importance. As this parameter is highly related to the geological settings, and this in a region maybe somehow dependent on geographical coordinates, the longitude and latitude of 69 wells, along with the pH, electrical conductivity (EC) and total dissolved solids (TDS) of their water were determined. To correlate these data to the SAR of water, this parameter was assigned as the dependent variable and the other 5 as the independent variables. The linear multiple regression (LMR) and artificial neural network (ANN) methods were applied to establish their correlations, and the sensitivity analysis was performed for the ANN to single out the most important independent variable. It was observed that the LMR and ANN explain 23.9 % and 80.0 % of the variations of the SAR, respectively. The sensivity analysis indicated that the water pH was the strong predictor of the groundwater’s SAR value.