مدل‌سازی آب‌شویی نیترات از خاک تحت کشت سیب‌زمینی با استفاده از شبکه استنتاج تطبیقی فازی- عصبی در ترکیب با الگوریتم ژنتیک

کاربرد مرسوم کودهای نیتروژنه از طریق آب آبیاری، یکی از مهم ترین عوامل افزایش غلظت نیترات آب های زیرزمینی نواحی فاریاب می باشد. این مسئله، مدیریت آب و عناصر غذایی را برای کاهش آلودگی آب های زیرزمینی و افزایش بازده عناصر غذایی ضروری می نماید. برای برآورده نمودن این نیاز، کودآبیاری قطره ای یک جایگزین مناسب می باشد. طراحی و اجرای کود آبیاری قطره ای نیازمند به دانستن آب شویی نیترات از محصولات با ریشه ی سطحی نظیر سیب زمینی که نمی توانند از لایه های پایینی خاک عناصر غذایی را جذب کنند، دارد. در این پژوهش، آب شویی نیترات از مزرعه ی سیب زمینی تحت آبیاری و کوددهی قطره ای با استفاده از سیستم استنتاج تطبیقی فازیعصبی (adaptive networkbased fuzzy inference system:anfis) در ترکیب با الگوریتم ژنتیک مدل سازی و پیش بینی گردید. در قسمت اول این مطالعه با استفاده از hydrus2d، آب شویی نیترات از خاک شنی تحت کشت سیب زمینی درشرایط شدت جریان های مختلف قطره چکان و مقادیر مختلف کود نیتروژن مدل سازی و شبیه سازی گردید. نتایج حاصل از شبیه سازی hydrus2d برای آموزش و اعتبارسنجی anfis جهت پیش بینی آب شویی نیترات استفاده شد. یافتن شعاع دسته ها در anfis، با استفاده از الگوریتم ژنتیک انجام گرفت. ضریب همبستگی و درصد خطای مطلق میانگین نسبی بین داده های حاصل از مدل anfis و مشاهده ای برای داده های امتحانی به ترتیب 99/0 و64/0 بود. با توجه به معیارهای ارزیابی مشخص شد که anfis با دقت بالایی می تواند آب شویی نیترات را در شرایط مطالعه ی حاضر شبیه سازی نماید. هم چنین anfis می تواند عدم قطعیت ناشی از داده های مزرعه ای را پوشش دهد.

Modeling Nitrate Leaching from a Potato Field Using Adaptive Network-Based Fuzzy Inference System Combined With Genetic Algorithm

The conventional application of nitrogen fertilizers via irrigation is likely to be responsible for the increased nitrate concentration in groundwater of areas dominated by irrigated agriculture. This requires appropriate water and nutrient management to minimize groundwater pollution and to maximize nutrient use efficiency and production. To fulfill these requirements, drip fertigation is an important alternative. Design and operation of drip fertigation system requires understanding of nutrient leaching behavior in cases of shallow rooted crops such as potatoes, which cannot extract nutrient from lower soil depth. This study deals with neurofuzzy modeling of nitrate leaching from a potato field under a drip fertigation system. In the first part of the study, a twodimensional solute transport model (HYDRUS2D) was used to simulate nitrate leaching from a sandy soil with varying emitter discharge rates and various amounts of fertilizer. The results from the modeling were used to train and validate an adaptive networkbased fuzzy inference system (ANFIS) in order to estimate nitrate leaching. Radii of clusters in ANFIS were tuned and optimized by genetic algorithm. Relative mean absolute error percentage (RMAEP) and correlation coefficient (R) between measured and obtained data from HYDRUS were 0.64 and 0.99, respectively. Results showed that ANFIS can accurately predict nitrate leaching in soil. The proposed methodology can be used to reduce the effect of uncertainties in relation to field data.