تخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
محل انتشار: فصلنامه حفاظت منابع آب و خاک، دوره: 7، شماره: 3
سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 174
فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WSRCJ-7-3_009
تاریخ نمایه سازی: 4 آبان 1400
چکیده مقاله:
هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسر میباشد؛ لیکن، معمولا زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل اعتماد هستند. یکی از راههای غلبهبر این مشکل، استفاده از روشهای غیرمستقیم همچون توابع انتقالی خاک میباشد. از آنجایی که تاکنون در منطقه موردمطالعه توابعی انتقالی جهت برآورد Ks پیشنهادنشده است؛ لذا در این پژوهش با استفاده از شبکههای عصبی مصنوعی و رگرسیونهای آماری و بهرهگیری از تعدادی محدود یا مجموعهای وسیعتر از ویژگیهایزودیافت خاکی، توابعی انتقالی برای برآورد Ks تبیین و کارآیی آنها ارزیابی شد. بدین منظور، هدایت هیدرولیکی اشباع ۹۵ نقطه محل از زیرحوزههای آبخیز چرداول -چمشیر در استان ایلام با استفاده از پرمامتر گلف اندازهگیری شد. همچنین برخی از ویژگیهای زودیافت خاک این نقاط مطالعاتی نیز تعیین شد. سپس اعتبار توابعاشتقاق یافته در تعیین Ks ، با استفاده از جذر میانگین مربعات خطا ) RMSE (، میانگین خطا ) ME ( و ضریب همبستگی پیرسون ) r ( ارزیابی شد. با توجه به نتایج، Ksبا میانگین هندسی قطر ذارت و مقدار شن دارای بیشترین همبستگی بود )بهترتیب دارای r معادل ۵۸ / ۰ و ۵۶ / ۰(. نتایج نشان داد در صورت دسترسی به تعداد کمی ازویژگیهای زودیافت خاکی، توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی میتوانند Ks را با دقت نسبتا خوبی پیشبینی کنند )به ترتیب دارای۸۵ / ۰ = rR-val ، mm/hr ۸۱ / ۶ = RMSER-val و ۸۷ / ۰ = rANN-test ، mm/hr ۸۰ / ۱۰ = RMSEANN-test (. این در حالی است که با توجه به نتایج، در صورت استفاده از ویژگیهای زودیافت بیشتر، دقت پیشبینی Ks توسط مدل شبکه عصبی در هر دو مرحله آموزش و آزمون افزایش یافت ) ۹۲ / ۰ = rtrain ،mm/hr ۳۶ / ۴ = RMSEtrain و ۸۹ / ۰ = rtest ، mm/hr ۱۷ / ۷ = RMSEtest (. در مجموع نتایج نشان دادند که شبکههای عصبی مصنوعی در مقایسه با مدلهای رگرسیونی خطی دارای کارآیی نسبتا بهتر در تخمین هدایت هیدرولیکی اشباع خاک میباشند.
کلیدواژه ها:
نویسندگان
علی حکمت زاد
دانشجوی کارشناسی ارشد فیزیک و حفاظت خاک دانشگاه کردستان
مسعود داوری
عضو هیئت علمی گروه علوم و مهندسی خاک دانشگاه کردستان
محمدعلی محمودی
عضو هیئت علمی گروه علوم و مهندسی خاک دانشگاه کردستان
کمال نبی الهی
عضو هیئت علمی گروه علوم و مهندسی خاک دانشگاه کردستان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :