جلد 23، شماره 3 - ( علوم آب و خاک - علوم و فنون کشاورزی و منابع طبیعی- پاییز 1398 )
جلد 23 شماره 3 صفحات 394-381 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
AmiriMijan F, Shirani H, Esfandiarpour I, Besalatpour A, Shekofteh H. Identifying the Determinant Factors Influencing S Index in Calcereous Soils Using Anneling Simulated– Artificial Neural Network Hybrid Algorithm. jwss 2019; 23 (3) :381-394
URL: http://jstnar.iut.ac.ir/article-1-3692-fa.html
URL: http://jstnar.iut.ac.ir/article-1-3692-fa.html
امیری میجان فهیمه، شیرانی حسین، اسفندیارپور عیسی، بسالت پور علی اصغر، شکفته حسین. مدل‌سازی شاخص S و تعیین عوامل مؤثر بر آن با استفاده از الگوریتم هیبرید شبیه‌سازی تبرید- شبکه عصبی مصنوعی در خاک‌های آهکی جنوب‌شرق ایران. علوم آب و خاک. 1398; 23 (3) :381-394
1. گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان ، fahime.amiri@gmail.com
چکیده: (5463 مشاهده)
استفاده از شیب منحنی مشخصه رطوبتی خاک در نقطه عطف (شاخص S)، یکی از شاخصهای مهم ارزیابی کیفیت خاک در برنامهریزی مدیریت اراضی زراعی و باغی محسوب می‌شود. هدف از این پژوهش، تعیین مؤثرترین ویژگی‌های خاک در منطقه جیرفت بر تخمین شاخص S با استفاده از الگوریتم هیبرید شبیه‌سازی تبرید - شبکه عصبی مصنوعی بود. به این منظور، 350 نمونه خاک دستخورده و 350 نمونه خاک دستنخورده از اراضی زراعی و باغی برداشت و سپس برخی از ویژگی‌های فیزیکی و شیمیایی خاک، شامل درصد شن، سیلت، رس، قابلیت هدایت‌الکتریکی اشباع، چگالی ظاهری، درصد تخلخل کل، درصد مواد آلی و درصد کربنات کلسیم معادل با استفاده از روشهای استاندارد اندازهگیری شدند. همچنین با استفاده از دستگاه صفحات فشاری، مقدار رطوبت خاک در مکش‌های 0، 30،10، 50، 100، 300، 500، 1000 و 1500 کیلوپاسکال تعیین شد. در ادامه با استفاده از الگوریتم هیبریدی شبکه عصبی مصنوعی- شبیه‌سازی تبرید، ویژگی‌های مؤثر بر مدل‌سازی شاخص S استخراج شدند. در‌نهایت با استفاده از پنج ویژگی استخراج شده (درصد ش و رس، قابلیت هدایت‌الکتریکی، چگالی ظاهری و ظرفیت زراعی)، مدل‌سازی شاخص S توسط شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که با کاهش متغییرهای ورودی، دقت مدل‌سازی افزایش یافت. بهعلاوه، نتایج آنالیز حساسیت نشان داد چگالی ظاهری با بالاترین ضریب حساسیت (ضریب حساسیت 5/0) به‌عنوان مهمترین ویژگی در مدل‌سازی شاخص S محسوب می‌شود. بنابراین، از آنجا که افزایش تعداد ویژگیها لزوماً باعث افزایش دقت مدل‌سازی نمیشود، کاهش ویژگی‌های ورودی بهسبب کاهش هزینه و زمان انجام پژوهش مقرون بهصرفه است.
| بازنشر اطلاعات | |
 | این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
