در سالهای اخیر استفاده از روشهای غیرمستقیم برای برآورد خصوصیات خاک مورد توجه قرار گرفته است. در روشهای معمول، اندازهگیری نفوذپذیری نیاز به وقت و هزینه زیادی دارد از طرفی وجود عبارات غیرخطی در روابط نفوذپذیری، مدلسازی آنها را با مشکل همراه کرده است. امروزه روش شبکه عصبی مصنوعی با کارایی بالا در مدلسازی مسایل غیرخطی کاربرد روزافزون آن را سبب شده است. در این پژوهش 200 نمونه خاک جمعآوری شده از منطقه قوشه واقع در استان سمنان مورد آزمایش قرار گرفت. نیمی از نمونهها از اراضی بکر با کاربری مرتع دست نخورده و نیمی از اراضی کشاورزی منطقه جمعآوری شد. پارامترهای فیزیکی و شیمیایی خاک شامل هدایت الکتریکی، فراوانی نسبی ذرات، درصد آهک، نسبت جذب سدیم (SAR) و وزن مخصوص ظاهری به عنوان ویژگیهای زودیافت و نفوذپذیری نهایی به عنوان پارامتر دیریافت مورد بررسی قرار گرفت. دادههای جمع آوری شده به دو دسته آموزش و صحتسنجی تقسیم شدند و از آنها برای آموزش و ارزیابی مدلهای شبکه عصبی شامل پرسپترون چند لایه MLP)) و توابع پایه شعاعی RBF)) و همچنین رگرسیون خطی استفاده شد. نتایج حاصل از این تحقیق کارایی بالاتر مدل شبکه عصبی مصنوعی را نسبت به روش رگرسیون خطی نشان میدهد. علاوه بر آن شبکه MLP دارای عملکرد بهتری نسبت به شبکه RBF در دو مرحله آموزش و صحتسنجی بوده است. همچنین به منظور تعیین همبستگی هر یک از پارامترهای ورودی مستقل با مقدار نفوذپذیری خاک از آنالیز حساسیت نیز استفاده گردید. |
بازنشر اطلاعات | |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |