قابلیت طیف سنجی مرئی-مادون قرمزنزدیکVIS-NIR) ) در پیش بینی درصد ذرات خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی

طیف سنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گسترده­ای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده می­شود. مطالعه حاضر با هدف پیش بینی احتمالی بافت خاک با استفاده از اندازه­گیری­های طیفی و مدل های شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل ۱۱۵ پروفیل شناسایی و سپس نمونه­برداری از افق های خاک انجام گرفت، درصد شن و رس و سیلت نمونه های خاک اندازه گیری شد. رگرسیون حداقل مربعات جزئی (PLSR) و شبکه عصبی مصنوعی (ANN) برای مدل سازی درصد رس، شن و سیلت خاک مقایسه شدند. نتایج این بررسی نشان داد که شبکه عصبی مصنوعی نسبت به رگرسیون حداقل مربعات جزئی کارایی بهتری داشت، برای هر دو مدل از محدوده خاصی از طول موج (بین ۴۰۰ -۲۴۵۰ میکرون با اعمال پیش پردازش ها و حذفیات یکسان) استفاده گردید. هنگامی که مدل رگرسیون مربعات جزئی اجرا شد، دقت بسیار پایینی داشت (R۲ ~۰.۱-۰.۳)، در مقابل، روش شبکه عصبی-مصنوعی مقدار R۲ به ترتیب برای رس، شن و سیلت ۷۰/۰, ۷۶/۰و ۷۳/۰ بود و میانگین ریشه مربعات خطا به ترتیب ۱۴/۹، ۵۴/۵ و ۰۱/۷ گرم بر کیلوگرم براساس داده های آزمون (۲۰ درصد) به دست آمد که نشان دهنده دقت بالاتر و خطای کمتر مدل شبکه عصبی-مصنوعی می باشد. از آنجایی که رابطه بین درصد ذرات خاک و بازتاب طیفی خاک خطی نیست، به نظر می رسد روش شبکه عصبی-مصنوعی برای بررسی و تجزیه و تحلیل رابطه بین اجزای بافت خاک و داده های طیفی مناسب باشد.

Keywords:

رگرسون حداقل مربعات جزئی , پیش بینی , مدل سازی , طیف سنجی مرئی مادون قرمز , شبکه عصبی مصنوعی