نوع مقاله : مقاله پژوهشی

نویسندگان

• سامی قوردویی میلان ¹
• شادی بهمنی ²
• هانا سلیمی ²
• محمد علی قربانی ³

¹ دانش‌آموخته کارشناسی ارشد، گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران، تهران، ایران

² دانش‌آموخته کارشناسی ارشد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

³ استاد، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران

چکیده

پیش­بینی مقدار ظرفیت تبادلی خاک به­دلیل این­که یک شاخص مهم در کیفیت خاک برای ذخیره مواد مغذی است، بسیار ارزشمند است. در این پژوهش با استفاده از شبکه عصبی – فازی (ANFIS) به پیش‌بینی ظرفیت تبادلی خاک با پارامترهای ورودی خصوصیات خاک نظیر رس، لجن، شن، گچ و مواد آلی پرداخته شد. محدوده مطالعاتی در نظر گرفته‌شده در شمال غرب ایران بود که در حدود 380 نمونه از ناحیه‌های مختلف برداشت‌شده است. از این تعداد نمونه‌ها حدود 75% داده‌ها برای آموزش و 25% داده‌ها برای آزمون در نظر گرفته شد. با توجه به تعداد ورودی‌های مختلف حدود 6 الگو از ترکیب پارامترهای ورودی تدوین شد. جهت بهبود نتایج پیش‌بینی از الگوریتم شکار شاهین هریس (HHO) جهت آموزش ANFIS استفاده شد. نتایج الگوهای هر مدل به‌وسیله شاخص‌های ارزیابی چون خطای جذر میانگین مربعات (RMSE)، درصد میانگین مطلق خطا (MAPE)، شاخص همبستگی (CC)، شاخص ویلیامز (WI) و دیاگرام تیلور مورد تحلیل قرار گرفت. نتایج نشان داد الگوی ورودی P6 که تمام پارامترهای ورودی را شامل می­شود دارای بیش­ترین دقت در پیش‌بینی CEC می­باشد. در این الگو مقادیر خطا CC،WI ، MAPE  و RMSE برای داده‌های آزمون به­ترتیب برابر 90/0، 75/0، 11/0 و cmol/kg 89/1 به­دست آمد. نتایج دیاگرام تیلور نیز بیان‌گر دقت مناسب الگوی مذکور  است؛ به‌طوری‌که می‌توان با دقت مناسبی به پیش‌بینی CEC پرداخت. در حالت کلی با استفاده از الگوریتم HHO خطای پیش‌بینی در حدود 3/1 تا cmol/kg 2 کاهش یافت.

کلیدواژه‌ها

• الگوریتم
• پیش‌بینی
• شبکه عصبی- فازی
• شکار شاهین هریس
• ظرفیت تبادلی خاک

موضوعات

• فیزیک و حفاظت خاک

عنوان مقاله [English]

Development of a Hybrid Adaptive Neuro Fuzzy Inference System - Harris Hawks Optimizer (ANFIS-HHO) Model to Predict Soil Cation Exchange Capacity

نویسندگان [English]

• sami Ghordoyee Milan ¹
• Shadi Bahmani ²
• Hana Salimi ²
• Mohamad Ali Gorbani ³

¹ M.Sc. Alumni, Department of Irrigation and Drainage Engineering, Abouraihan Campus, University of Tehran, Tehran, Iran

² M.Sc. Alumni, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran

³ Professor, Department of Water Engineering, Faculty of Agriculture, University of Tabriz, Tabriz, Iran

چکیده [English]

Predicting the amount of soil exchange capacity is very valuable because it is a key indicator of soil quality for nutrient storage. In this research, using a neural-fuzzy network (ANFIS), the soil exchange capacity value was predicted with the input parameters of soil properties (such as clay, sludge, sand, gypsum and organic matter). The study area was considered in the northwest of Iran, where about 380 samples were taken from different areas. Of these samples, about 75% of the data were considered for training and 25% of the data were considered for testing. According to the number of different inputs, about 6 models of the combination of input parameters were developed.  To improve the prediction results, the Harris hawk optimizer (HHO) algorithm was used for ANFIS training. The pattern results of each model were analyzed using evaluation indices such as root mean square error (RMSE), mean absolute percentage error (MAPE), correlation coefficient (CC), Williams index (WI), and Taylor diagram. The results showed that the input pattern P6, which includes all input parameters, had the highest accuracy in predicting CEC. In this pattern, the error values of CC, WI, MAPE and RMSE for the test data were 0.90, 0.75, 0.11 and 1.89 cmol /kg, respectively. The results of Taylor diagram also indicated the appropriate accuracy of the pattern so that the CEC can be predicted with appropriate accuracy. In general, the prediction error was reduced by about 1.3 to 2 cmol/kg using the HHO algorithm.

کلیدواژه‌ها [English]

• Cation Exchange Capacity
• Harris Hawks Algorithm
• Neural-Fuzzy Network
• Prediction