قابلیت طیفسنجی مرئی-مادون قرمزنزدیکVIS-NIR) ) در پیشبینی درصد ذرات خاک با استفاده از شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی

طیف‌سنجی مرئی و مادون قرمز نزدیک (VIS-NIR) به طور گسترده­ای برای تخمین خصوصیات فیزیکی خاک و اخیرا برآورد بافت خاک استفاده می­شود. مطالعه حاضر با هدف پیش‌بینی احتمالی بافت خاک با استفاده از اندازه­گیری­های طیفی و مدل‌های شبکه عصبی مصنوعی و رگرسیون حداقل مربعات جزئی انجام گرفته است. بر اساس تکنیک هایپرکیوب، محل 115 پروفیل شناسایی و سپس نمونه­برداری از افق‌های خاک انجام گرفت، درصد شن و رس و سیلت نمونه‌های خاک اندازه‌گیری شد. رگرسیون حداقل مربعات جزئی (PLSR) و شبکه عصبی مصنوعی (ANN) برای مدل‌سازی درصد رس، شن و سیلت خاک مقایسه شدند. نتایج این بررسی نشان داد که شبکه عصبی مصنوعی نسبت به رگرسیون حداقل مربعات جزئی کارایی بهتری داشت، برای هر دو مدل از محدوده خاصی از طول موج (بین 400 -2450 میکرون با اعمال پیش‌پردازش‌ها و حذفیات یکسان) استفاده گردید. هنگامی که مدل رگرسیون مربعات جزئی اجرا شد، دقت بسیار پایینی داشت (R2 ~0.1-0.3)، در مقابل، روش شبکه عصبی-مصنوعی مقدار R2 به ترتیب برای رس، شن و سیلت 70/0, 76/0و 73/0 بود و میانگین ریشه مربعات خطا به ترتیب 14/9، 54/5 و 01/7 گرم بر کیلوگرم براساس داده‌های آزمون (20 درصد) به دست آمد که نشان دهنده دقت بالاتر و خطای کمتر مدل شبکه عصبی-مصنوعی می‌باشد. از آنجایی که رابطه بین درصد ذرات خاک و بازتاب طیفی خاک خطی نیست، به نظر می‌رسد روش شبکه عصبی-مصنوعی برای بررسی و تجزیه و تحلیل رابطه بین اجزای بافت خاک و داده‌های طیفی مناسب باشد.