با وجود پیشرفت های تکنیکی و بهبود ابزار آلات مورد استفاده در اندازه گیری مستقیم خصوصیات خاک، فرآیند مذکور همچنان زمان بر بوده و همراه با خطا می باشد. لذا در این مقاله کارایی شبکه عصبی مصنوعی به عنوان یک روش غیر مستقیم، برای پیش بینی رطوبت قابل دسترس خاک با استفاده از خصوصیات زود یافت مورد بررسی قرار گرفت. بدین منظور، ابتدا قطعه زمینی تحت کشت چغندر قند به مساحت 61 هکتار در محدوده مطالعاتی شیروان، استان خراسان شمالی انتخاب شد. سپس خصوصیات رطوبت و هدایت )pH( اسیدیته ،)BD( توزیع اندازه ذرات خاک، وزن مخصوص ظاهری ،)SOC( کربن آلی ،)AWC( قابل دسترس 10 متر اندازه گیری با استفاده از روش های استاندارد، در 611 نمونه مشاهداتی به صورت یک شبکه منظم 01 )EC( الکتریکی شدند. در ادامه، تست های آماری سری داده ها از نظر نرمال بودن بررسی شده و همبستگی بین متغیر ها محاسبه گردید. سپس شبکه Scaled Conjugate Gradiant و Bayesian Regulization ،Levenberg-Marquardt عصبی با اجرای سه الگوریتم و مقدار )r( ضریب همبستگی در سطح 5 درصد ،)MSE( آموزش داده شد. در مرحله بعد، پارامتر های آماری میانگین مربعات خطا Bayesian برای اعتبار سنجی هر الگوریتم محاسبه گردید. نتایج حاصل از این پژوهش نشان دادند که الگوریتم bias بهترین عملکرد را )bias = 1/1167( bias و )r = 1/ ضریب همبستگی )* 7603 ،)MSE = 1/7103E- با خطای ) 5 Regulization دارد. بنابراین می توان نتیجه گرفت که روش های شبکه عصبی )MLP( در بین الگوریتم های آموزش شبکه عصبی پرسپترون چند لایه مصنوعی برای تخمین و پیش بینی پدیده ها با ماهیت غیر خطی و مبهم مانند رطوبت خاک از کارایی بالایی برخوردار می باشند.

کلمات کلیدی