مقایسه و کاربرد شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم در پیش بینی هدایت هیدرولیکی اشباع خاک (مطالعه موردی: شهرستان هیرمند)

مقدمه و هدف: اندازه ­گیری مستقیم هدایت هیدرولیکی خاک وقت­گیر و پرهزینه بوده و گاهی اوقات به­دلیل خطاهای آزمایشی و عدم یکنواختی خاک نتایج بدست آمده چندان قابل اعتماد نمی ­باشد. این پارامتر را می­توان با استفاده از پارامترهای زودیافت خاک برآورد کرد. تحقیق حاضر به­منظور پیش بینی هدایت هیدرولیکی اشباع خاک با استفاده از روش های درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی مصنوعی در شهرستان هیرمند انجام گرفت. مواد و روش­ ها: برای این منظور، تعداد ۱۳۰نمونه خاک از سطح (۳۰- ۰ سانتی متری) جمع آوری و برای انجام آزمایش و آنالیز ها، به آزمایشگاه انتقال داده شد. در آزمایشگاه پارامترهای هدایت هیدرولیکی اشباع خاک، درصد رس، شن و سیلت، ماده آلی، اسیدیته، هدایت الکتریکی و کربنات کلسیم اندازه ­گیری شد. سپس با استفاده از پارامترهای اندازه­­ گیری شده و با استفاده از مدل­های درخت تصمیم، شبکه عصبی مصنوعی و ماشین بردار پشتیبان هدایت هیدرولیکی اشباع برآورد شد. به­منظور ارزیابی مدل ها از معیارهای ضریب تبیین، مجذور میانگین مربعات خطا و خطای مطلق میانگین استفاده شد. یافته­ ها: نتایج نشان داد که مدل درخت تصمیم با دارا بودن بالاترین ضریب تبیین (۰/۸۳) و کمترین مقدار میانگین مربعات خطا و خطای مطلق میانگین (۰/۰۰۲۶ و ۰/۰۰۱۹) بهترین مدل برای پیش ­بینی هدایت هیدرولیکی اشباع خاک در منطقه هیرمند می ­باشد. همچنین نتایج آنالیز حساسیت داده ها با استفاده از مدل شبکه عصبی مصنوعی نشان داد که درصد شن، درصد آهک، درصد سیلت و اسیدیته به­ترتیب مهمترین فاکتور های موثر بر هدایت هیدرولیکی اشباع خاک در شهرستان هیرمند می­باشند. نتیجه­ گیری: نتایج حاصل بیانگر عملکرد بسیار مطلوب روش­های هوش مصنوعی در پیش ­بینی هدایت هیدرولیکی اشباع خاک می­ باشد. در شرایطی که امکان اندازه ­گیری هدایت هیدرولیکی امکان­پذیر نباشد، می­ توان با استفاده از پارامترهای زودیافت خاک و روش­های هوش مصنوعی، هدایت هیدرولیکی را تخمین زد.

کلیدواژه ها:

Artificial intelligence ، Constant head ، Early soil characteristics ، بار ثابت ، ویژگی های زود یافت خاک ، هوش مصنوعی