مدلسازی شاخص S و تعیین عوامل موثر بر آن با استفاده از الگوریتم هیبرید شبیهسازی تبرید- شبکه عصبی مصنوعی در خاکهای آهکی جنوبشرق ایران
Publish place: Journal of Water and Soil Science، Vol: 23، Issue: 3
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 234
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWSS-23-3_029
تاریخ نمایه سازی: 21 اردیبهشت 1400
Abstract:
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 موثرترین ویژگیهای خاک در منطقه جیرفت بر تخمین شاخص S با استفاده از الگوریتم هیبرید شبیهسازی تبرید - شبکه عصبی مصنوعی بود. به این منظور، ۳۵۰ نمونه خاک دستخورده و ۳۵۰ 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 ۰، ۳۰،۱۰، ۵۰، ۱۰۰، ۳۰۰، ۵۰۰، ۱۰۰۰ و ۱۵۰۰ کیلوپاسکال تعیین شد. در ادامه با استفاده از الگوریتم هیبریدی شبکه عصبی مصنوعی- شبیهسازی تبرید، ویژگیهای موثر 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 ۵/۰) بهعنوان مهمترین ویژگی در مدلسازی شاخص S محسوب میشود. بنابراین، از آنجا که افزایش تعداد ویژگیها لزوما باعث افزایش دقت مدلسازی نمیشود، کاهش ویژگیهای ورودی بهسبب کاهش هزینه و زمان انجام پژوهش مقرون بهصرفه است.
Keywords:
Authors
فهیمه امیری میجان
۱. Department of Soil Science, College of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran.
حسین شیرانی
۱. Department of Soil Science, College of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran.
عیسی اسفندیارپور
۱. Department of Soil Science, College of Agriculture, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran.
علی اصغر بسالت پور
۲. Inter ۳ GmbH - Institut for Ressources management, Berlin, Germany.
حسین شکفته
۳. Department of Soil Science, Faculty of Agriculture, University of Jiroft, Jiroft, Kerman, Iran.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :