مدل سازی رابطه غلظت آهن در برگ مرکبات با برخی خصوصیات خاک با استفاده از شبکه عصبی مصنوعی (مطالعه موردی جنوب استان کرمان)

هدف از این پژوهش ارزیابی رابطه بین آهن موجود در برگ با برخی ویژگی های زودیافت خاک در باغات مرکبات منطقه جنوب استان کرمان به وسیله روش های مدل سازی شبکه عصبی مصنوعی و رگرسیون گام به گام بود. به همین منظور ۴۰ باغ بارده از کل منطقه انتخاب شده و خصوصیات فیزیکی و شیمیایی خاک و آهن موجود در برگ گیاه اندازه گیری شد. با استفاده از شبکه عصبی مصنوعی و مدل های مختلف با داده های متفاوت از ویژگی های خاک به عنوان ورودی و آهن برگ به عنوان خروجی، توانایی این مدل ها در پیش-بینی غلظت آهن برگ مورد ارزیابی قرار گرفت. نتایج مدل سازی نشان داد شبکه عصبی مصنوعی با متغییرهای کربن آلی، پ هاش، رس، فسفر، درصد مواد خنثی شونده و هدایت الکتریکی با ضرایب تبیین ۸۶/۰ و ۸۱/۰ و ریشه میانگین مربعات خطا (RMSE)۶۰/۱۴ و ۱۳/۲۰ میلی گرم بر کیلوگرم برای داده های آموزش و آزمون بهترین در برآورد آهن برگ بود. مقایسه مدل های رگرسیون و شبکه عصبی در داده های آزمون نشان داد که شبکه عصبی دقت بالاتری با ضریب تبیین ۸۱/۰ نسبت به رگرسیون گام به گام با ضریب تبیین ۲/۰ داشت. همچنین مقدار RMSE شبکه عصبی نیز بهبود بهتری داشته و از ۷۲/۲۷ میلی گرم بر کیلوگرم در مدل رگرسیون گام به گام به ۱۳/۲۰ میلی گرم بر کیلوگرم در شبکه عصبی رسید. شبکه عصبی مصنوعی بر اساس ویژگی های زودیافت خاک قادر به پیش بینی آهن موجود در برگ گیاه بوده اند به گونه ای که با انتخاب کربن آلی به عنوان ورودی اولین مدل تا در بهترین مدل با انتخاب کربن آلی، پ هاش، رس، فسفر، درصد مواد خنثی شونده و هدایت الکتریکی، دقت مدل افزایش یافت.

کلیدواژه ها:

پرسپترون چند لایه ، رگرسیون گام به گام ، ماده آلی خاک ، مرکبات