مدل‌سازي آب‌شويي نيترات از خاك تحت كشت سيب‌زميني با استفاده از شبكه استنتاج تطبيقي فازي- عصبي در تركيب با الگوريتم ژنتيك

Modeling Nitrate Leaching from a Potato Field Using Adaptive Network-Based Fuzzy Inference System Combined With Genetic Algorithm

كاربرد مرسوم كودهاي نيتروژنه از طريق آب آبياري، يكي از مهم ترين عوامل افزايش غلظت نيترات آب هاي زيرزميني نواحي فارياب مي باشد. اين مسئله، مديريت آب و عناصر غذايي را براي كاهش آلودگي آب هاي زيرزميني و افزايش بازده عناصر غذايي ضروري مي نمايد. براي برآورده نمودن اين نياز، كودآبياري قطره اي يك جايگزين مناسب مي باشد. طراحي و اجراي كود آبياري قطره اي نيازمند به دانستن آب شويي نيترات از محصولات با ريشه ي سطحي نظير سيب زميني كه نمي توانند از لايه هاي پاييني خاك عناصر غذايي را جذب كنند، دارد. در اين پژوهش، آب شويي نيترات از مزرعه ي سيب زميني تحت آبياري و كوددهي قطره اي با استفاده از سيستم استنتاج تطبيقي فازيعصبي (Adaptive Networkbased Fuzzy Inference System:ANFIS) در تركيب با الگوريتم ژنتيك مدل سازي و پيش بيني گرديد. در قسمت اول اين مطالعه با استفاده از HYDRUS2D، آب شويي نيترات از خاك شني تحت كشت سيب زميني درشرايط شدت جريان هاي مختلف قطره چكان و مقادير مختلف كود نيتروژن مدل سازي و شبيه سازي گرديد. نتايج حاصل از شبيه سازي HYDRUS2D براي آموزش و اعتبارسنجي ANFIS جهت پيش بيني آب شويي نيترات استفاده شد. يافتن شعاع دسته ها در ANFIS، با استفاده از الگوريتم ژنتيك انجام گرفت. ضريب همبستگي و درصد خطاي مطلق ميانگين نسبي بين داده هاي حاصل از مدل ANFIS و مشاهده اي براي داده هاي امتحاني به ترتيب 99/0 و64/0 بود. با توجه به معيارهاي ارزيابي مشخص شد كه ANFIS با دقت بالايي مي تواند آب شويي نيترات را در شرايط مطالعه ي حاضر شبيه سازي نمايد. هم چنين ANFIS مي تواند عدم قطعيت ناشي از داده هاي مزرعه اي را پوشش دهد.

The conventional application of nitrogen fertilizers via irrigation is likely to be responsible for the increased nitrate concentration in groundwater of areas dominated by irrigated agriculture. This requires appropriate water and nutrient management to minimize groundwater pollution and to maximize nutrient use efficiency and production. To fulfill these requirements, drip fertigation is an important alternative. Design and operation of drip fertigation system requires understanding of nutrient leaching behavior in cases of shallow rooted crops such as potatoes, which cannot extract nutrient from lower soil depth. This study deals with neurofuzzy modeling of nitrate leaching from a potato field under a drip fertigation system. In the first part of the study, a twodimensional solute transport model (HYDRUS2D) was used to simulate nitrate leaching from a sandy soil with varying emitter discharge rates and various amounts of fertilizer. The results from the modeling were used to train and validate an adaptive networkbased fuzzy inference system (ANFIS) in order to estimate nitrate leaching. Radii of clusters in ANFIS were tuned and optimized by genetic algorithm. Relative mean absolute error percentage (RMAEP) and correlation coefficient (R) between measured and obtained data from HYDRUS were 0.64 and 0.99, respectively. Results showed that ANFIS can accurately predict nitrate leaching in soil. The proposed methodology can be used to reduce the effect of uncertainties in relation to field data.