مقایسه عملکرد شبکه های عصبی مصنوعی و برنامه ریزی بیان ژن در برآورد منحنی مشخصه آب در خاک های جنگلی
عنوان مقاله: مقایسه عملکرد شبکه های عصبی مصنوعی و برنامه ریزی بیان ژن در برآورد منحنی مشخصه آب در خاک های جنگلی
شناسه ملی مقاله: JR_IJSWR-52-8_007
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_IJSWR-52-8_007
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
محمد مهدی جعفری - گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
حسن اوجاقلو - استادیار-گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
مسعود کرباسی - دانشیار -گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
خلاصه مقاله:
محمد مهدی جعفری - گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
حسن اوجاقلو - استادیار-گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
مسعود کرباسی - دانشیار -گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
منحنی مشخصه آب خاک یکی از پارامترهای فیزیکی مهم و کاربردی در مطالعات مرتبط با جریان آب در خاک شناخته میشود. روش مستقیم اندازهگیری منحنی مشخصه آب خاک مستلزم صرف زمان و هزینه بالایی است. به همین دلیل روشهای غیرمستقیم متنوعی از جمله مدلهای هوشمند توسعه پیدا نمودهاند. در این تحقیق عملکرد سه روش شبکههای عصبی پرسپترون چندلایه (MLP)، شبکههای عصبی آبشاری (Cascade-NN) و برنامهریزی بیان ژن (GEP) در برآورد منحنی مشخصه آب خاک مورد ارزیابی و مقایسه قرار گرفت. در این پژوهش اطلاعات اندازهگیری شده مربوط به تعداد ۱۰۸ نمونه خاک مناطق جنگلی شامل درصد توزیع اندازه ذرات خاک، مقادیر رطوبت در هفت مکش مختلف و جرم مخصوص ظاهری مورد استفاده قرار گرفت. سه سناریو شامل ترکیبهای مختلف از دادههای ورودی تعیین و مدلهای مذکور برای هر کدام اجرا شد. مقایسه مقادیر پیشبینی شده و مشاهداتی رطوبت خاک نشان دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R۲ برای بهترین ساختار در سه روش شبکههای عصبی MLP، Cascade-NN و GEP به ترتیب ۹۵/۰، ۹۶/۰ و ۹۳/۰ و مقادیر RMSE نیز به ترتیب ۷۴/۳، ۲۵/۳ و ۱۰/۴ درصد بود. مقایسه نتایج سناریوهای مختلف داده ورودی نیز نشان داد، دقت و اختلاف بین نتایج مدلها در سناریوی اول کم بود ولی در سناریوی دوم و سوم به ترتیب با اضافه شدن پارامترهای تخلخل و رطوبت نقطه ظرفیت زراعی به دادههای ورودی، دقت و از سوی دیگر اختلاف بین نتایج مدلها بیشتر شد. در نهایت شبکههای عصبی آبشاری با استفاده از تمام دادههای فیزیکی اشاره شده به عنوان گزینه مطلوب شناخته شد.
کلمات کلیدی: پیش بینی, رطوبت خاک, مدل های هوشمند, مکش
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1658721/