برآورد نقطه‌ای منحنی مشخصه‌ی رطوبتی خاک با استفاده از شبکه عصبی مصنوعی و بهینه‌سازی آن با الگوریتم ژنتیک در کشت و صنعت‌های نیشکر خوزستان

جنادله, نبی; نادیان, حبیب اله; خلیلی مقدم, بیژن; قربانی دشتکی, شجاع

doi:10.22092/wmej.2016.112501

برآورد نقطه‌ای منحنی مشخصه‌ی رطوبتی خاک با استفاده از شبکه عصبی مصنوعی و بهینه‌سازی آن با الگوریتم ژنتیک در کشت و صنعت‌های نیشکر خوزستان

نوع مقاله : پژوهشی

نویسندگان

¹ دانشجوی کارشناسی ارشد خاکشناسی دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

² دانشیار گروه خاکشناسی دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

³ استادیار گروه خاکشناسی دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

⁴ استادیار گروه خاکشناسی دانشگاه شهرکرد

10.22092/wmej.2016.112501

چکیده

ویژگیهای هیدرولیکی خاک در مدیریت اراضی تحت کشت نیشکر نقش به سزایی دارد. هدف از این تحقیق برآورد نقطهای منحنی مشخصهی رطوبتی خاکبااستفاده شبکهی عصبی مصنوعیوبهینهسازیآنبا الگوریتم ژنتیک میباشد. بدین منظور براساس ویژگیهای مدیریت اراضی، درصد مواد آلی، بافت خاک، هدایت الکتریکی و درصد سدیم جذب سطحی شده، 4 واحد کاری در کشت و صنعتهای دعبل خزاعی، امیر کبیر، کارون و هفتتپه انتخاب شد. در مجموع تعداد 310 نمونه خاک از دو عمق 40-0 و 80-40 سانتی‏متری نیمرخ خاک به طور تصادفی برداشت گردید. در این پژوهش پنج مدل به شکل سلسله مراتبی به وسیلهی شبکهی عصبی مصنوعی برای برآورد نقطهای منحنی مشخصهی رطوبتی خاکمورد پیریزی و ارزیابی قرار گرفت. جهت بررسی کارآیی مدلها از ضریب همبستگی اسپیرمن (R)، متوسط مربعات خطای نرمال شده (NMSE) و متوسط خطای مطلق (MAE) استفاده شد. از آن جا که انتخاب هر یک از پارامترهای متغیر شبکهی عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود، از روش الگوریتم ژنتیک برای بهینهیابی این پارامترها استفاده شد و کارایی این روش در بهینهسازی شبکهی عصبی بررسی گردید. نتایج نشان داد، شبکه‏ی عصبی در مدلسازی و برآورد نقطهای منحنی مشخصهی رطوبتی خاکاز دقت بالایی برخوردار است (054/0NMSE=، 019/0MAE=، 963/0R=). همچنین تلفیق شبکه‏ی عصبی با الگوریتم ژنتیک، جهت بهینه‏سازی شرایط اجرایی آن، مثبت ارزیابی گردید و روش تلفیقی در تمامی موارد برتری خود را نسبت به اجرای شبکه‏ی عصبی بدون بهینه‏سازی نشان داد (015/0NMSE=، 01/0MAE=، 985/0R=).

کلیدواژه‌ها

عنوان مقاله [English]

Point estimation of soil moisture characteristic curve using artificial neural networks and its optimizing by genetic algorithm in Agro-Industries of Khouzestan

نویسندگان [English]

Nabi Junadeleh ¹
Habiballah Nadian ²
Bijan Khalilimoghadam ³
Shoja Ghorbanidashtaki ⁴

¹ Master's student in soil science, Ramin Khuzestan University of Agriculture and Natural Resources

² Associate Professor, Department of Soil Science, Ramin Khuzestan University of Agriculture and Natural Resources

³ Assistant Professor, Department of Soil Science, Ramin Khuzestan University of Agriculture and Natural Resources

⁴ Assistant Professor of Soil Science Department of Shahrekord University

چکیده [English]

Soil hydraulic properties have key role in sugar cane cultivation management. The purpose of this study is to estimate soil moisture characteristic curve using an artificial neural network and its optimization with genetic algorithm. Therefore, based on the cultivation operations management and soil properties included: organic matter content, soil texture, electrical conductivity, sodium adsorption ratio, 4 land unit tracts in Debel-Khozaii, Amir-Kabir, Karoon and Haft-Tapeh agro-industries were selected. A total of 310 soil samples from both 0-40 and 40-80 cm of soil profiles were collected. In this study, five models were arranged in hierarchy to estimate soil hydraulic properties with ANNs. The performances of the models were evaluated using Spearman's correlation coefficient (r) between the observed and the estimated values, normalized mean square error (NMSE), and mean absolute error (MAE). Owing to the fact that the selection of each of the variable parameters of neural network necessitated recurring trails and errors, and consequently teaching a large number of networks with various topologies, genetic algorithm method was utilized for finding the optimization of these parameters and the efficiency of this method was examined in terms of the optimization of neural network. Results showed that the neural network has a high degree of accuracy in modeling and estimating soil moisture characteristic curve (R =0.943, MAE=0.019, NMSE=0.054). Also, combining artificial neural networks with genetic algorithm for optimizing the conditions of the artificial neural networks implementation was positive and combining approach indicated its superiority over non-optimized implementation of artificial neural networks in all cases (R=0.985, MAE=0.01, NMSE =0.0151).

کلیدواژه‌ها [English]