مقایسه روش های شبکه عصبی مصنوعی و رگرسیونی برای پیش بینی هدایت هیدرولیکی اشباع خاک های استان خوزستان

اندازه گیری مستقیم ویژگی های هیدرولیکی خاک وقت گیر و پر هزینه بوده و تا حدی به علت غیرهمگن بودن خاک و خطاهای آزمایشگاهی غیرقابل اعتماد است. در عوض ویژگی های هیدرولیکی خاک می تواند از جایگزینی داده های زودیافتی مانند بافت خاک و چگالی ظاهری با استفاده از توابع انتقالی به دست آید. شبکه های عصبی و رگرسیون آماری از جمله روش هایی هستند که برای تخمین توابع انتقالی خاک (PTFs) استفاده می شوند. در این پژوهش از شبکه عصبی نوع پرسپترون چند لایه (MLP) و مدل-های رگرسیونی حذف تدریجی متغیرها و گام به گام ورود متغیرها برای بسط این توابع برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده از چگالی ظاهری، تخلخل کل و درصد توزیع اندازه ذرات خاک استفاده شد. داده ها از ۱۲۵پروفیل خاک مربوط به مطالعات خاک شناسی و اصلاح اراضی موجود در سازمان آب و برق خوزستان تهیه شد. نتایج نشان داد که شبکه MLP با الگوریتم آموزشی بیزین با ضریب تعیین (۶۵/۰=۲R) و خطای ( ۰۴/۰RMSE=) نسبت به مدل های رگرسیونی کارایی بهتری در تخمین هدایت هیدرولیکی اشباع خاک داشت.

Keywords:

Soil hydraulic characteristics , Pedotransfer functions , Neural network , Regression models. , ویژگی های هیدرولیکی خاک , توابع انتقالی خاک , شبکه عصبی , مدل های رگرسیونی