جلد 23، شماره 3 - ( علوم آب و خاک - علوم و فنون کشاورزی و منابع طبیعی- پاییز 1398 )                   جلد 23 شماره 3 صفحات 394-381 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

AmiriMijan F, Shirani H, Esfandiarpour I, Besalatpour A, Shekofteh H. Identifying the Determinant Factors Influencing S Index in Calcereous Soils Using Anneling Simulated– Artificial Neural Network Hybrid Algorithm. jwss 2019; 23 (3) :381-394
URL: http://jstnar.iut.ac.ir/article-1-3692-fa.html
امیری میجان فهیمه، شیرانی حسین، اسفندیارپور عیسی، بسالت پور علی اصغر، شکفته حسین. مدل‌سازی شاخص S و تعیین عوامل مؤثر بر آن با استفاده از الگوریتم هیبرید شبیه‎سازی تبرید- شبکه عصبی مصنوعی در خاک‌های آهکی جنوب‌شرق ایران. علوم آب و خاک. 1398; 23 (3) :381-394

URL: http://jstnar.iut.ac.ir/article-1-3692-fa.html


1. گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولیعصر (عج) رفسنجان ، fahime.amiri@gmail.com
چکیده:   (5414 مشاهده)
استفاده از شیب منحنی مشخصه رطوبتی خاک در نقطه عطف (شاخص S)، یکی از شاخصهای مهم ارزیابی کیفیت خاک در برنامهریزی مدیریت اراضی زراعی و باغی محسوب می‎‌شود. هدف از این پژوهش، تعیین مؤثرترین ویژگیهای خاک در منطقه جیرفت بر تخمین شاخص S با استفاده از الگوریتم هیبرید شبیهسازی تبرید - شبکه عصبی مصنوعی بود. به این منظور، 350 نمونه خاک دستخورده و 350 نمونه خاک دستنخورده از اراضی زراعی و باغی برداشت و سپس برخی از ویژگی‌های فیزیکی و شیمیایی خاک، شامل درصد شن، سیلت، رس، قابلیت هدایت‌الکتریکی اشباع، چگالی ظاهری، درصد تخلخل کل، درصد مواد آلی و درصد کربنات کلسیم معادل با استفاده از روشهای استاندارد اندازهگیری شدند. همچنین با استفاده از دستگاه صفحات فشاری، مقدار رطوبت خاک در مکش‌های 0، 30،10، 50، 100، 300، 500، 1000 و 1500 کیلوپاسکال تعیین شد. در ادامه با استفاده از الگوریتم هیبریدی شبکه عصبی مصنوعی- شبیه‌سازی تبرید، ویژگیهای مؤثر بر مدل‎‌سازی شاخص S استخراج شدند. در‌نهایت با استفاده از پنج ویژگی استخراج شده (درصد ش و رس، قابلیت هدایت‌الکتریکی، چگالی ظاهری و ظرفیت زراعی)، مدل‏سازی شاخص S توسط شبکه عصبی مصنوعی انجام شد. نتایج نشان داد که با کاهش متغییرهای ورودی، دقت مدلسازی افزایش یافت. بهعلاوه، نتایج آنالیز حساسیت نشان داد چگالی ظاهری با بالاترین ضریب حساسیت (ضریب حساسیت 5/0) به‌عنوان مهم‎‌ترین ویژگی در مدلسازی شاخص S محسوب می‌شود. بنابراین، از آنجا که افزایش تعداد ویژگیها لزوماً باعث افزایش دقت مدل‌سازی نمیشود، کاهش ویژگیهای ورودی بهسبب کاهش هزینه و زمان انجام پژوهش مقرون بهصرفه است.
متن کامل [PDF 643 kb]   (1400 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومی
دریافت: 1397/1/19 | پذیرش: 1397/11/2 | انتشار: 1398/10/2

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به مجله علوم آب و خاک دانشگاه صنعتی اصفهان می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | JWSS - Isfahan University of Technology

Designed & Developed by : Yektaweb