Soil and Plant Interactions

fa برآورد دامنه رطوبتی خاک با حداقل محدودیت (LLWR) با استفاده از شبکه‌های عصبی مصنوعی و الگوریتم ژنتیک Estimating Least Limiting Water Range (LLWR) of Soil Using Artificial Neural Networks and Genetic Algorithms مدل‌سازی روابط آب-خاک-گیاه و جذب آب توسط ريشه Modeling of soil-water-plant relations and root water uptake پژوهشي Research <div style="text-align: justify;">برآورد سریع و صحیح آب فراهم خاک به‌عنوان یکی از مهم‌ترین شاخص‌های کیفیت خاک نقش اساسی در مدیریت منابع آب کشاورزی دارد. در پژوهش حاضر با استفاده از روش هوش مصنوعی (ترکیب شبکه عصبی و الگوریتم ژنتیک) و بهره‌گیری از ویژگی‌های زود‌یافت خاک، مقدار دامنه رطوبتی با حداقل محدودیت (LLWR) در 250 نمونه خاک برداشت شده از دشت خان‌میرزا در استان چهارمحال و بختیاری برآورد شد. در این مدل‌ها، 9 متغیر شامل درصد شن، سیلت، رس، درصد کربن آلی، چگالی ظاهری (BD)، چگالی حقیقی (PD)، pH، رسانایی الکتریکی (EC) و کربنات کلسیم معادل (CCE)، به‌عنوان پارامترهای ورودی و مقدار LLWR به‌عنوان تابع خروجی در نظر گرفته شده است. از تعداد کل 250 داده، 200 عدد برای آموزش و 50 داده برای آزمون مدل استفاده شد. بررسی نتایج شاخص‌های آماری نشان داد که شبکه عصبی به‌خوبی قادر به برآورد LLWR با ضریب تبیین 0/93 است. در نهایت مشخص شد که مدل تلفیقی شبکه عصبی مصنوعی-الگوریتم ژنتیک با بیش‌ترین ضریب تبیین (0/96 = R2) برای برآورد LLWR مناسب‌ترین مدل است. به‌طور کلی دو مدل شبکه عصبی مصنوعی و الگوریتم ژنتیک نسبت به معادلات رگرسیونی کارایی مناسب‌تری برای برآورد LLWR را نشان دادند.</div> <div style="text-align: justify;">Quick and accurate estimation of soil available water as one of the most critical soil quality indices plays an essential role in agricultural water resources management. The present study estimated the least limiting water range (LLWR) for 250 soil samples taken from Khanmirza plain in Chaharmahal and Bakhtiari province. Artificial intelligence method (combining genetic algorithm (GA) with artificial neural network (ANN)) and readily available soil properties were used for this purpose. The LLWR was considered as output variable, and sand, silt and clay percentages, organic carbon content, bulk density (BD), particle density (PD), pH, electrical conductivity (EC) and equivalent calcium carbonate (CCE) were considered as input variables. From 250 data, 200 were allocated to model training and 50 to model testing. The statistical analyses showed that the artificial neural network had a reasonable estimate of LLWR with a coefficient of determination of 0.93. Finally, the combined model of artificial neural network-genetic algorithm (ANN-GA) with the highest coefficient of determination (R2 = 0.96) was identified as the most appropriate model for predicting LLWR. The two models of artificial neural network and genetic algorithm generally showed better performance than the regression equations.</div> شبکه عصبی مصنوعی, دامنه رطوبتی با حداقل محدودیت (LLWR), ویژگی‌های زودیافت خاک, دشت خان‌میرزا Artificial neural network, Least limiting water range (LLWR), Readily available soil properties, Khanmirza plain. 101 114 http://jspi.iut.ac.ir/browse.php?a_code=A-10-888-1&slc_lang=fa&sid=1 R. Soleimani ریحانه سلیمانی Solaemani.r@gmail.com No Department of Soil Science, Collage of Agriculture, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran. گروه علوم خاک، دانشکده کشاورزی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران E. Chavoshi الهام چاوشی chavoshie@yahoo.com Yes Department of Soil Science, Collage of Agriculture, Isfahan (Khorasgan) Branch, Islamic Azad University, Isfahan, Iran. گروه علوم خاک، دانشکده کشاورزی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران H. Shirani حسین شیرانی shirani@vru.ac.ir No Department of Soil Science, Collage of Agriculture, Vali-e-Asr University of Rafsanjan, Kerman, Iran. گروه علوم خاک، دانشکده کشاورزی، دانشگاه ولی عصر (ع) رفسنجان، کرمان، ایران I. Esfandiarpour Boroujeni عیسی اسفندیارپور بروجنی esfandiarpoor@vru.ac.ir No Department of Soil Science, Collage of Agriculture, Vali-e-Asr University of Rafsanjan, Kerman, Iran. گروه علوم خاک، دانشکده کشاورزی، دانشگاه ولی عصر (ع) رفسنجان، کرمان، ایران