کاربرد شبکه عصبی مصنوعی با استفاده از طیف سنجی مریی و مقایسه با رگرسیون حداقل مربعات جزیی برای پیش بینی درصد رس،شن و سیلت خاک

داده های میدانی وآزمایشگاهی برای برآورد اجزای بافت خاک و تعیین بافت خاک زمان بر و پر هزینه می باشد.در حالی که داده های طیفی محدوده مریی – مادون قرمز که باحداقل هزینه و صرف وقت تهیه می شوند ، کار برد وسیعی در براورد خصوصیات فیزیکی و شیمیایی خاک دارند. طیف سنجی مریی و مادون قرمز نزدیک (vis-NIR) به طور گسترده ای برای تخمین خصوصیات فیزیکی خاک واخیرا برآورد بافت خاک استفاده می شود. مطالعه حاضر با هدف پیش بینی احتمالی بافت خاک با استفاده از اندازه گیری های طیفی و مدلهای شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزیی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس نمونه برداری از افق های خاک انجام گرفت ، درصد شن و رس و سیلت نمونه های خاک اندازه گیری شد.رگرسیون حداقل مربعات جزیی (PLSR) و شبکه عصبی مصنوعی (ANN) برای مدل سازی درصد رس،شن و سیلت خاک مقایسه شدند. نتایج این بررسی نشان داد که شبکه عصبی مصنوعی نسبت به رگرسیون حداقل مربعات جزیی کارایی بهتری داشته است. ما برای هر دو مدل از محدوده خاصی از طول موج استفاده کردیم. هنگامی که مدل PLSR اجرا شد، دقت بسیار پایینی داشت (R2 ~0.1-0.3) ،در مقابل، روش ANN مقدار R2 به ترتیب برای رس،شن و سیلت 84/0 ،83/0 و 81/0 بود و میزان خطا به ترتیب 42/3،3/6 و3/4 بود که نشان دهنده دقت بالاتر و خطای کمتر مدل ANN می باشد. از مزیت های این روش می توان به عدم پیش پردازشی قبل از اعمال مدل به داده های طیفی اشاره کرد. از آنجایی که رابطه بین درصد ذرات خاک (رس و شن وسیلت) و بازتاب طیفی خاک خطی نیست، به نظر می رسدروش ANN برای بررسی و تجزیه و تحلیل رابطه بین اجزای بافت خاک و داده های طیفی مناسب باشد.

کلیدواژه ها:

مدل سازی ، پیش بینی ، VIS_NIR ، شبکه عصبی مصنوعی ، رگرسیون حداقل مربعات جزیی