این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های خاک، جلد ۳۱، شماره ۳، صفحات ۳۷۵-۳۹۱
عنوان فارسی پیش‌بینی ظرفیت تبادل کاتیونی خاک‌های استان گیلان با استفاده از مدل‌های هوشمند
چکیده فارسی مقاله ظرفیت تبادل کاتیونی (CEC) یکی از مهم‌ترین ویژگی‌های خاک در ارتباط با نگهداری مواد غذایی، آب در خاک و همچنین مدیریت آلودگی خاک می‌باشد. اندازه‌گیری CEC کاری دشوار و وقت‌گیر است، بنابراین تخمین آن از طریق خصوصیات زود یافت خاک مطلوب می‌باشد. در این پژوهش با کمک مدل‌های هوشمند و با استفاده از خصوصیات فیزیکی و شیمیایی خاک مانند توزیع اندازه ذرات، کربن آلی، میزان رس، شن، فسفر، نیتروژن، pH  و EC به پیش‌بینی CEC خاک پرداخته شد. سه مدل هوشمند شامل شبکه‌های عصبی مصنوعی از نوع MLP، شبکه‌های عصبی مصنوعی از نوع RBF  و مدل عصبی-فازی تطبیقی (ANFIS) برای پیش‌بینی مورداستفاده قرار گرفت. 250 نمونه‌ی خاک جمع‌آوری‌شده به دودسته‌ی آموزش (80 درصد داده‌ها) و صحت سنجی (20 درصد داده‌ها) تقسیم شدند. دقت پیش‌بینی مدل مورداستفاده به‌وسیله شاخص‌های آماری مانند میانگین قدر مطلق خطا (MAE)، ضریب تبیین (R2) و ریشه دوم میانگین مربعات خطا (RMSE) مورد ارزیابی قرار گرفت. نتایج به‌دست‌آمده کارایی بالاتر مدل شبکه عصبی مصنوعی MLP را در مقایسه با دو مدل مذکور با مقادیر MAE، RMSE، R2 به ترتیب برابر با 79/1، 54/2 و 81/0 نشان داد. همچنین آنالیز حساسیت انجام‌شده بر روی ‌داده‌های ورودی به مدل نشان داد کربن آلی بیشترین و pH کمترین همبستگی را با ظرفیت تبادل کاتیونی دارند. با توجه به نتایج این مطالعه استفاده از شبکه عصبی مصنوعی برای تخمین ظرفیت تبادل کاتیونی خاک به‌خوبی امکان‌پذیر است و می‌تواند با کارایی مناسب در جهت سهولت در اندازه‌گیری و صرفه‌جویی در زمان و هزینه‌ها به کار گرفته شود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Prediction of Cation Exchange Capacity in the Soils of Gilan Province Using Intelligent Models
چکیده انگلیسی مقاله Cation exchange capacity (CEC) is one of the most important characteristics of soils in relation to nutrient elements and water storage in the soil, as well as soil pollution management. CEC measurement is difficult and time-consuming. So, estimating it by use of soil readily available properties is good. In this study, intelligent model was employed and the parameters used were the physical and chemical properties of the soil such as particle size distribution, organic carbon, clay and sands content, phosphorus, nitrogen, PH and EC. The methods of artificial neural network (MLP), (RBF) and Adaptive-network-based fuzzy inference system (ANFIS) were used to assess CEC. Then, the ability of this method to predict CEC was investigated by using 250 soil samples in two groups: 80 percent for training and 20 percent for validation. To determine the accuracy of the model prediction of CEC, statistical indices including Mean Absolute Error (MAE), the coefficient of determination (R2), and Root Mean Square error (RMSE) were evaluated. The results showed higher efficiency of artificial neural network MLP compared to the other models with the values of MAE, RMSE, R2equal to 1.79, 2.54, and 0.8, respectively1. The sensitivity analysis performed on the input data to the model showed that organic carbon and the pH had the highest and lowest correlation with the cation exchange capacity. The results show that use of artificial neural network to estimate the soil cation exchange capacity is possible and can be used to facilitate the measurement, lower economic cost, and save time.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله احمد بازوبندی |
دانشجوی سابق کارشناسی ارشد دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

هادی قربانی |
دانشیار دانشکده کشاورزی دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

صمد امامقلی زاده |
دانشیار دانشکده کشاورزی دانشگاه صنعتی شاهرود
سازمان اصلی تایید شده: دانشگاه صنعتی شاهرود (Shahrood university of technology)

محمد رضا شعیبی نوبریان | mohammad reza shoaibi nobariyan
دانشجوی سابق کارشناسی ارشد دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

نشانی اینترنتی http://srjournal.areo.ir/article_113735_9ddb6cc21689f327ceac2b13f8dbece3.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1383/article-1383-524329.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات