مقالات آب و خاك (علوم و صنايع كشاورزي)

ظرفيت زراعي و پژمردگي دائم مهمترين نقاط پتانسيلي در مدل سازي و مديريت آب مورد نياز محصولات كشاورزي مي باشند. روش هاي مستقيم تعيين ميزان رطوبت هزينه بر و گران مي باشد. بنابراين استفاده از توابع انتقالي براي تبديل خصوصيات زوديافت خاك به خصوصيات هيدروليكي يك راهكار مناسب براي حل اين مشكل است. در اين پژوهش كارايي مدل هاي شبكه عصبي مصنوعي (NNs) آموزش داده شده با نمونه هاي خاک منتج از جريان خروجي چند مرحله اي (NeuroMultistep outflow) و مدل هاي نزديك ترين K همسايه (KNN) در اشتقاق توابع انتقالي به منظور تعيين ميزان رطوبت در ظرفيت زراعي و پژمردگي دايم براي 122 نمونه خاك از شمال و شمال شرق ايران مورد بررسي قرار گرفت. همچنين تاثير عوامل ورودي مختلف و نوع داده به كار رفته براي اشتقاق هر دو روش معين شد. نتايج حاصله نشان دادند كه در كل روش  (RMSE=0.027) KNNنسبت به (RMSE=0.037) NNs نتايج بهتري داشت. همچنين مي توان گفت كه حساسيت مدل هاي شبكه عصبي به كيفيت و نوع داده هاي به كار رفته براي آموزش بسيار بالاست و همگن نبودن داده ها باعث كاهش كارايي مدل هاي شبكه عصبي و افزايش 100 درصدي خطا مي شود. همچنين نتايج نشان دادند كه در نظر گرفتن خصوصيات هيدروليكي به عنوان متغيرهاي ورودي در شبكه عصبي باعث ارتقا نتايج مدل سازي مي شود.

 نسخه قابل چاپ