ارزیابی مدل های هوشمند جهت برآورد هدایت هیدرولیکی اشباع در خاک های لومی
Publish place: Irrigation and Drainage، Vol: 15، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 219
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IDJ-15-1_012
تاریخ نمایه سازی: 18 خرداد 1400
Abstract:
هدایت هیدرولیکی اشباع یکی از پارامترهای اصلی در مطالعات کشاورزی و محیط زیست است که برای پیش بینی و مدیریت آب و انتقال املاح در خاک ضروری است. در این تحقیق از ۱۲۰۰ سری داده مربوط به خاک های لومی جهت پیش بینی و مدل سازی هدایت هیدرولیکی اشباع با استفاده از خصوصیات فیزیکی خاک نظیر وزن مخصوص ظاهری خاک، ظرفیت آب در دسترس، محتوای کربن آلی و مقادیر رس، سیلت و ماسه استفاده شد. از این تعداد سری داده، ۹۰۰ سری برای استفاده در بخش آموزش مدل ها و ۳۰۰ سری برای آزمون مدل ها در سه سناریو طراحی شده تخصیص یافت. عملکرد مدل های SVM، MLP و M۵ در برآورد هدایت هیدرولیکی اشباع خاک لومی مورد ارزیابی قرار گرفت. عملکرد مدل ها با استفاده از شاخص های آماری ضریب تبیین (R۲)، خطای مجذور میانگین مربعات (RMSE) و خطای بایاس میانگین (MBE) مقایسه شد. نتایج به دست آمده نشان داد هر سه مدل مورداستفاده از توانایی خوبی در مدل سازی هدایت هیدرولیکی اشباع برخوردارند، اما مدل M۵ با ضریب تبیین بالای ۹۵/۰ در هر سه سناریو و RMSE پایین تر نسبت به سایر مدل ها به عنوان مدل برتر انتخاب شد. نتایج نشان داد که مدل های داده کاوی هوشمند تخمین مقادیر ناشناخته را بر اساس الگوهای موجود در یک پایگاه داده امکان پذیر می نمایند. بنابراین مدل-های بکار گرفته شده می توانند در پیش بینی انتقال املاح در خاک و پارامترهای فیزیکی خاک استفاده شوند.
Keywords:
Authors
شادیه حیدری
دانشجوی دکتری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
مجتبی خوش روش
دانشیار گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :