برآورد نقطه ای منحنی مشخصه رطوبتی خاک با استفاده از شبکه عصبی مصنوعی و بهینه سازی آن با الگوریتم ژنتیک در کشت و صنعت های نیشکر خوزستان

نوع مقاله : پژوهشی

نویسندگان

1 دانش آموخته گروه علوم خاک، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

2 استاد گروه علوم خاک، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

3 دانشیار گروه علوم خاک، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

4 استاد گروه علوم خاک، دانشگاه شهرکرد

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. به این 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 که 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 Jenadeleh 1
  • Habib Allah Nadian 2
  • Bijan Khalilimoghadam 3
  • Shojaa Ghorbani dashtaki 4
1 Department of Soil Science, Ramin Agriculture and Natural Resources University of Khuzestan, Ahvaz, Iran
2 Prof., Department of Soil Science, Ramin Agriculture and Natural Resources University of Khuzestan, Ahvaz, Iran
3 Associate Prof., Department of Soil Science, Ramin Agriculture and Natural Resources University of Khuzestan, Ahvaz, Iran
4 Prof., Department of Soil Science, Shahrekord University, Shahrekord, Iran
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]

  • Genetic algorithms
  • Artificial Neural Networks
  • Soil moisture characteristic curve

فایل ها

سابقه مقاله

  • تاریخ دریافت: 14 بهمن 1396
  • تاریخ پذیرش: 14 بهمن 1396

هم رسانی

ارجاع به این مقاله

آمار