مقایسه روش های شبکه عصبی مصنوعی و رگرسیونی برای پیش بینی هدایت هیدرولیکی اشباع خاک های استان خوزستان
- سال انتشار: 1391
- محل انتشار: فصلنامه علوم آب و خاک، دوره: 16، شماره: 60
- کد COI اختصاصی: JR_JWSS-16-60_010
- زبان مقاله: فارسی
- تعداد مشاهده: 301
نویسندگان
چکیده
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.کلیدواژه ها
Soil hydraulic characteristics, Pedotransfer functions, Neural network, Regression models., ویژگی های هیدرولیکی خاک، توابع انتقالی خاک، شبکه عصبی، مدل های رگرسیونیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.