پیش‌‌بینی تغییرات مکانی شوری و رس خاک با استاده از روش‌های زمین‌آمار و شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 مرکز تحقیقات کشاورزی و منابع طبیعی سیستان

2 گروه علوم آب

چکیده

به منظور مقایسه روش‌های زمین‌آماری و شبکه‌عصبی‌مصنوعی در تخمین مقادیر شوری و رس خاک، این پژوهش در بخشی از اراضی منطقه سیستان انجام شد. تعداد 121 نمونه خاک با فواصل 750 متر از عمق 30- 0 سانتیمتر برداشت و مقادیر شوری و درصد رس خاک تعیین شد. 105 نمونه برای آموزش مدل‌ها و 16 نمونه جهت اعتبار سنجی مدل‌ها استفاده شد. مدل‌های مختلف زمین‌آماری و شبکه عصبی مصنوعی برازش و بهترین مدل‌ها انتخاب شدند. مقایسه دو روش نشان داد که شبکه عصبی با ضریب تبیین (R2) 68/0 و معیار خطای (RMSE) 18/6 در مقایسه با روش زمین‌آمار با ضریب تبیین 62/0 و با معیار خطای 2/8 مقدار رس خاک را بهتر پیش‌بینی می‌کند. همچنین در تخمین شوری خاک هم روش شبکه عصبی مصنوعی با ضریب تبیین 59/0 و معیار خطای 2/10 نسبت به روش زمین‌آمار با ضریب تبیین 53/0 و معیار خطای 2/13دقت بیشتری داشت. تاثیر مدیریت در تغییرات شوری خاک در منطقه مورد مطالعه سبب کاهش دقت برای تخمین این متغیر با هر دو مدل گردید

کلیدواژه‌ها


عنوان مقاله [English]

Predicting Spatial Variability of Soil Salinity and Clay Content Using Geostatistics and Artificial Neural Networks Methods

چکیده [English]

In order to comparing geostatistics and artificial neural networks (ANN) methods in predicting soil salinity and clay content this experiment was conducted in Sistan Region land. 121 soil samples were taken at the depth of 0-30 cm within the grid of 750 750 m and soil EC and clay percent were determined. 105 samples were used for training and 16 samples were used for test in both models. Different models of geostatistics and ANN were fitted and the best models were selected. Results showed that ANN estimated better with determination coefficient of 0.67 and RMSE of 6.18 for soil clay content in comparison to geostatistics with 0.62 for determination coefficient and 8.20 for RMSE. Also in predicting soil salinity, ANN had a determination coefficient of 0.59 and RMSE of 15.8 in compression to geostatistics with 0.54 for determination coefficient and 19.20 for RMSE had more accuracy. Management effect on soil salinity decreased the prediction accuracy in both models in study area.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Geostatistics
  • EC
  • clay