بهزاد باقری شیروان - دانشجوی کارشناسی ارشد مهندسی عمران- GIS دانشگاه فردوسی مشهد
روزبه شاد - استادیار گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد
مرجان قائمی - استادیار گروه عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد

با وجود پیشرفت های تکنیکی و بهبود ابزار آلات مورد استفاده در اندازه گیری مستقیم خصوصیات خاک، فرآیند مذکورهمچنان زمان بر بوده و همراه با خطا می باشد. لذا در این مقاله کارایی شبکه عصبی مصنوعی به عنوان یک روش غیر مستقیم، برایپیش بینی رطوبت قابل دسترس خاک با استفاده از خصوصیات زود یافت مورد بررسی قرار گرفت. بدین منظور، ابتدا قطعه زمینی تحتکشت چغندر قند به مساحت 16 هکتار در محدوده مطالعاتی شیروان، استان خراسان شمالی انتخاب شد. سپس خصوصیات رطوبتقابل دسترس (AWC)، کربن آلی (SOC)، توزیع اندازه ذرات خاک، وزن مخصوص ظاهری (BD)، اسیدیته (pH) و هدایتالکتریکی (EC) با استفاده از روش های استاندارد، در 100 نمونه مشاهداتی به صورت یک شبکه منظم 40x40 متر اندازه گیریشدند. در ادامه، تست های آماری سری داده ها از نظر نرمال بودن بررسی شده و همبستگی بین متغیر ها محاسبه گردید. سپس شبکهعصبی با اجرای سه الگوریتم Bayesian Regulization, Levenberg-Marquardt و Scaled Conjugate Gradiantآموزش داده شد. در مرحله بعد، پارامتر های آماری میانگین مربعات خطا (MSE)، ضریب همبستگی در سطح 5 درصد (r) و مقدارbias برای اعتبار سنجی هر الگوریتم محاسبه گردید. نتایج حاصل از این پژوهش نشان دادند که الگوریتم Bayesian Regulization - با خطای (MSE=6/3027E-5)، ضریب همبستگی (*r=0/9147) و (bias=0/0013) بهترین عملکرد رادر بین الگوریتم های آموزش شبکه عصبی پرسپترون چند لایه (MLP) دارد. بنابراین می توان نتیجه گرفت که روش های شبکه عصبیمصنوعی برای تخمین و پیش بینی پدیده ها با ماهیت غیر خطی و مبهم مانند رطوبت خاک از کارایی بالایی برخوردار می باشند.

رطوبت قابل دسترس خاک، خصوصیات زود یافت، شبکه عصبی مصنوعی، الگوریتم آموزش، ضریب همبستگی