بخشی از مقاله
چکیده
نفوذ یکی از مهمترین ویژگیهای فیزیکی خاک است که اندازهگیری مستقیم آن دشوار، زمانبر و پرهزینه میباشد. هدف از این پژوهش مقایسه کارایی الگوریتمهای مختلف شبکه عصبی مصنوعی جهت تخمین شدت نفوذپذیری خاک است. بدین منظور، در 100 نقطه در منطقه دهگلان استان کردستان نفوذپذیری خاک اندازهگیری شد.
ویژگیهای فیزیکی عنوان ویژگی های زودیافت اندازهگیری شده و برای برآورد شدت نفوذپذیری خاک استفاده شد. دادهها به دو سری آموزشی 70 - درصد داده ها - و آزمون 30 - درصد داده ها - تقسیم شدند. نتایج ارزیابی مدلها بر اساس شاخصهای ریشه میانگین مربعات خطا نشان داد که الگوریتمهای آموزشی Conjugate Gradient دارای بالاترین دقت در تخمین نفوذپذیری در مقایسه با الگوریتم- های Momentum و Delta-Bar-Delta میباشد.
-1 مقدمه
نفوذپذیری یکی از خصوصیات فیزیکی خاک میباشد که در مسائل آبیاری و زهکشی اهمیت زیادی دارد. رسیدن به ذخیره رطوبتی مطلوب خاک در مناطق خشک و نیمه خشک، مدیریت صحیح آبیاری و عملکرد زراعی قابلقبول به مدنظر قرار دادن نفوذپذیری خاک بستگی دارد . - Ghorbani Dashtaki, and Homayi, 2002 - بهطور کلی عوامل زیادی در سرعت و میزان نفوذ آب به خاک مؤثر میباشند. از جمله این عوامل میتوان به بافت، ساختمان، رطوبت اولیه، مواد آلی خاک و خصوصیات شیمیایی آب و خاک اشاره نمود.
بنابراین یک روش مطمئن، سریع، نسبتاً ساده و کم هزینه جهت برآورد پارامتر نفوذ نهایی دارای اهمیت است و با توجه به وابستگی میزان نفوذپذیری به پارامترهای فیزیکی و شیمیایی خاک با استفاده از پارامترهای مذکور میتوان مقدار نفوذپذیری خاک را تخمین زد. با انجام این کار محدودیتهای روش تجربی و تئوری متداول در اندازهگیری نفوذپذیری مرتفع گردیده، همچنین لزوم انجام آزمایشات زمانبر و پرهزینه صحرایی به حداقل رسیده است. شبکه عصبی مصنوعی یکی از روشهای هوشمند پردازش دادهها میباشد که به دلیل شیوه تحلیل اطلاعات مشابه با مغز انسان، داشتن قدرت تعمیم، عدم نیاز به یک مدل ریاضی از پیش تعیین شده، عدم نیاز به همراستایی و نرمال بودن دادهها و توانایی آموزش و یادگیری میتواند در تخمین پارامترهای دیر یافت خاک مورد استفاده قرار گیرد.
ارتباط بین خصوصیات خاک و دیگر متغیرهای بیوفیزیکی به ندرت در طبیعت خطی میباشند شبکه عصبی مصنوعی میتواند برای غلبه بر مسائل غیرخطی مورد استفاده قرار گیرد و بهطور اتوماتیک بین متغیرهای ورودی و خروجی ارتباط برقرار کند.
مارسل و همکاران - 1998 - از مدل شبکه عصبی برای پیشبینی ظرفیت نگهداری رطوبت و هدایت هیدرولیکی در حالت اشباع با استفاده از خصوصیات پایه خاک همچون مقادیر شن، سیلت، رس، جرم مخصوص ظاهری، تخلخل و مقادیر سنگریزه استفاده کرده و نتیجه گرفتند این روش دارای دقت بالا و میزان انعطاف پذیری زیادی است.
نایبلویی و ابراهیمی - Ebrahimi and Nayebloei, 2009 - از مدل شبکه عصبی مصنوعی جهت تخمین نفوذپذیری خاک با استفاده از پارامترهای فیزیکی خاک از جمله درصد مواد آلی، جرم مخصوص حقیقی و ظاهری، تخلخل و همچنین پارامترهای شیمیایی آن نظیر اسیدیته و میزان سدیم بهره برده و نشان دادند مدلهای شبکه عصبی مصنوعی با دقت بسیار بالا و قابل قبولی توانایی تخمین مقادیر نفوذپذیری نهایی خاکها را بر اساس پارامترهای زود یافت خاک دارند.
همچنین پرچمی عراقی و همکاران - Parchami-Araghi et al., 2013 - جهت تخمین نفوذ تجمعی خاک با استفاده از پارامترهای فیزیکی زودیافت خاکهای آهکی و ماتار و همکاران - Mattar et al., 2015 - جهت تخمین نفوذ از روشهای شبکه عصبی مصنوعی بهره بردند. هدف از این پژوهش تخمین نفوذپذیری خاک در منطقه دهگلان استان کردستان با استفاده از الگوریتم های مختلف آموزشی مدل شبکه عصبی مصنوعی با بهرهگیری از ویژگیهای زودیافت فیزیکی و مقایسه کارایی آنها است.
-2 مواد و روشها
منطقه مورد مطالعه شامل محدوده اطراف شهرستان دهگلان واقع در استان کردستان میباشدکه در 50 کیلومتری شرق شهر سنندج واقع شده است. این منطقه دارای موقعیت جغرافیایی38 80033 تا 1619039 درجه عرض شمالی و 706430 تا 7035367 درجه طول شرقی میباشد. ارتفاع حداقل و حداکثر آن به ترتیب، 1740 تا 2840 متر از سطح دریا بوده، مساحت محدوده در حدود 48701 هکتار است. منطقه دارای رژیم حرارتی مزیک و رژیم رطوبتی زریک میباشد - شکل . - 1
در منطقه مورد مطالعه بر اساس تغییرات شیب، جهت شیب و کاربری مکان هندسی 100 نمونه شناسایی و سپس نمونهبرداری به صورت تصادفی منظم از عمق 0-30 سانتیمتری صورت گرفت. در همه این نمونههای خاک پس از هوا خشک شدن و عبور از الک 2 میلیمتری بافت خاک به روش هیدرومتری - Gee and Bauder, 1986 - ، هدایت الکتریکی و اسیدیته در عصاره گل اشباع بهترتیب با دستگاههای هدایتسنج و pH متر - Sparks, 1996 - ، کربنات کلسیم به روش حجم سنجی - Nelson, - 1982، ماده آلی بهروش والکلی - بلاک - Nelson and Sommer, 1986 - ، جرم مخصوص ظاهری بهروش استوانههای فلزی و جرم مخصوص حقیقی نیز بهروش پیکنومتر - Black and Hartge, 1986 - اندازهگیری شد. علاوه بر این، نفوذپذیری با استفاده از روش استوانههای مضاعف در سه تکرار اندازهگیری شده و با استفاده از معادله کوستیاکف سرعت نفوذ لحظهای آن محاسبه شد.
شکل -1 موقعیت منطقه مورد مطالعاتی و پراکنش مکانی نقاط نمونهبرداری
بهمنظور مقایسه عملکرد الگوریتم های مختلف آموزشی مدل شبکه عصبی مصنوعی از پارامتر مجدور میانگین مربعات خطا - RMSE - - رابطه - 1 استفاده شد.
- رابطه - 1
که درآنها Z0 مقادیر پیش بینی شده، Zp مقادیرمشاهداتی و n تعداد دادهها است. جهت تحلیل آماری از نرم افزارهای SPSS 18 و MINITAB 2014 استفاده شد. از نرم افزار NEURALSOLOTION 7 جهت تخمین نفوذپذیری با استفاده از مدل شبکه عصبی مصنوعی استفاده شد.
-3 نتایج و بحث
تمام عوامل ورودی - متغیرهای مستقل - و میزان نفوذپذیری خاک بهعنوان خروجی - متغیر وابسته - ، از نظر همراستایی آزمون شدند. پس از انجام آزمون اولیه آنالیز حساسیت برروی دادهها پارامترهای ماده آلی، آهک، هدایت الکتریکی و اسیدیته حذف و وارد مدل نشدند. اگر بین خود متغیرهای مستقل وابستگی خطی قوی مشاهده شود، هم راستایی چندگانه به وجود می آید. برای کنترل کردن هم راستایی، از ضریب همبستگی پیرسون بین متغیرهای مستقل استفاده شده و متغیرهایی که دارای همبستگی زیادی با یکدیگر بوده حذف شدند از آنجایی که فراوانی نسبی ذرات رس شن و سیلت هم راستا بودند برای جلوگیری از هم راستایی در توابع به دست آمده از مقدار نسبت رس به شن استفاده شد
همچنین جرم مخصوص حقیقی به دلیل هم راستایی با جرم مخصوص ظاهری حذف و وارد مدل نشد. پس از انتخاب ورودی مدلها دادهها بهصورت تصادفی به دو دسته آزمون 30 - درصد - و آموزش 70 - درصد - تقسیم شدند . جدول - 1 - معیارهای آماری مربوط به دادههای تست و آموزش را نشان میدهد.
جدول -1 پارامترهای آماری مربوط به خصوصیات انتخاب شده به عنوان ورودی به مدلها
