محمد جواد نحوی نیا - گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه اراک، اراک، ایران
جواد مظفری - گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه اراک
بهنام معاونی - گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه شهرکرد
عبدالمجید لیاقت - استاد گروه مهندسی آبیاری و آبادانی دانشگاه تهران
مسعود پارسی نژاد - دانشیار گروه مهندسی آبیاری و آبادانی دانشگاه تهران، ایران.

در این مطالعه، از شبکه های عصبی مصنوعی به منظور تخمین زمان پیشروی آب با استفاده از داده های اندازه گیری شده دبی ورودی، ضریب زبری مانینگ، شیب، طول فارو، شماره منحنی نفوذ، وزن مخصوص ظاهری و رطوبت اولیه استفاده شده است. برای این منظور از یک سری آزمایش های صحرایی انجام شده به روش آبیاری جویچه ای در پنج مزرعه آزمایشی گلمکان مشهد، توتون ارومیه، مرکز تحقیقات کشاورزی صفی آباد دزفول، دانشگاه بیرجند و موسسه اصلاح بذر کرج در طی دورهی زمانی تابستان ۱۳۷۶ تا تابستان ۱۳۸۵ که دارای طیف گسترده ای از نظر بافت خاک (سبک، متوسط و سنگین) می باشند، استفاده شد. از مجموع ۲۴۰ داده ی موجود، ۶۰ درصد اولیه (۱۴۴ داده) جهت آموزش شبکه، ۲۰ درصد جهت صحت سنجی (۴۸ داده) و ۲۰ درصد باقیمانده (۴۸ داده) برای آزمون شبکه ها انتخاب شدند. متغیرهای ورودی با استفاده از آنالیز حساسیت شبکه به متغیرهای ورودی و همچنین روش تحلیل مولفه های اصلی (PCA) تعیین شدند. نتایج نشان داد که شبکه های عصبی توانایی خوبی در پیش بینی زمان پیشروی داشته و با دقت بالایی زمان پیشروی را تخمین می زنند. بهترین نتایج (R۲=۰.۹۹۵) مربوط به مدلی است که برای پیش بینی زمان پیشروی در جویچه، از مولفه های اصلی (PCA) در متغیرهای ورودی استفاده می کند. نتایج همچنین نشان می دهند مدلی که از پارامتر رطوبت اولیه برای تعیین زمان پیشروی استفاده می کند (R۲=۰.۸۴۸)، در مقایسه با مدل هایی که از پارامترهای ضریب زبری مانینگ (R۲=۰.۴۹۲) و شماره منحنی نفوذ (R۲=۰.۴۱۷) استفاده می کنند، از عملکرد بالاتری برخوردار است.

آبیاری جویچه ای, زمان پیشروی, تحلیل مولفه های اصلی, شبکه های عصبی مصنوعی