برآورد دامنه رطوبتی خاک با حداقل محدودیت (llwr) با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک

برآورد سریع و صحیح آب فراهم خاک به‌عنوان یکی از مهم‌ترین شاخص‌های کیفیت خاک نقش اساسی در مدیریت منابع آب کشاورزی دارد. در پژوهش حاضر با استفاده از روش هوش مصنوعی (ترکیب شبکه عصبی و الگوریتم ژنتیک) و بهره‌گیری از ویژگی‌های زود‌یافت خاک، مقدار دامنه رطوبتی با حداقل محدودیت (llwr) در 250 نمونه خاک برداشت شده از دشت خان‌میرزا در استان چهارمحال و بختیاری برآورد شد. در این مدل‌ها، 9 متغیر شامل درصد شن، سیلت، رس، درصد کربن آلی، چگالی ظاهری (bd)، چگالی حقیقی (pd)، ph، رسانایی الکتریکی (ec) و کربنات کلسیم معادل (cce)، به‌عنوان پارامترهای ورودی و مقدار llwr به‌عنوان تابع خروجی در نظر گرفته شده است. از تعداد کل 250 داده، 200 عدد برای آموزش و 50 داده برای آزمون مدل استفاده شد. بررسی نتایج شاخص‌های آماری نشان داد که شبکه عصبی به‌خوبی قادر به برآورد llwr با ضریب تبیین 0/93 است. در نهایت مشخص شد که مدل تلفیقی شبکه عصبی مصنوعیالگوریتم ژنتیک با بیش‌ترین ضریب تبیین (0/96 = r2) برای برآورد llwr مناسب‌ترین مدل است. به‌طور کلی دو مدل شبکه عصبی مصنوعی و الگوریتم ژنتیک نسبت به معادلات رگرسیونی کارایی مناسب‌تری برای برآورد llwr را نشان دادند.

Estimating Least Limiting Water Range (LLWR) of Soil Using Artificial Neural Networks and Genetic Algorithms

Quick and accurate estimation of soil available water as one of the most critical soil quality indices plays an essential role in agricultural water resources management. The present study estimated the least limiting water range (LLWR) for 250 soil samples taken from Khanmirza plain in Chaharmahal and Bakhtiari province. Artificial intelligence method (combining genetic algorithm (GA) with artificial neural network (ANN)) and readily available soil properties were used for this purpose. The LLWR was considered as output variable, and sand, silt and clay percentages, organic carbon content, bulk density (BD), particle density (PD), pH, electrical conductivity (EC) and equivalent calcium carbonate (CCE) were considered as input variables. From 250 data, 200 were allocated to model training and 50 to model testing. The statistical analyses showed that the artificial neural network had a reasonable estimate of LLWR with a coefficient of determination of 0.93. Finally, the combined model of artificial neural networkgenetic algorithm (ANNGA) with the highest coefficient of determination (R2 = 0.96) was identified as the most appropriate model for predicting LLWR. The two models of artificial neural network and genetic algorithm generally showed better performance than the regression equations.