مقایسه مدل‌های شبکه‌های عصبی مصنوعی و رگرسیون آماری برای پیش‌بینی هدایت هیدرولیکی اشباع خاک

نوع مقاله: مقاله پژوهشی

10.22092/wmej.2016.112222

چکیده

هدایت هیدرولیکی اشباع خاک (Ks) از جمله مهمترین خصوصیات فیزیکی و هیدرولیکی مورد نیاز در مدل‌سازی‌های آب-خاک است. به‌علت وقت‌گیر و پرهزینه بودن ذاتی اندازه‌گیری Ks، برآورد آن از خصوصیات فیزیکی و شیمیایی اولیه، ارزان و سهلل‌الوصول اندازه‌گیری‌شده خاک اهمیت بسیار زیادی دارد. در دو دهه اخیر، گسترش روش‌های برآورد تحت عنوان توابع انتقالی، که از متغیرهای کمکی سهلل‌الوصول بهره می‌گیرند، نقطه عطفی در مطالعات خاک بوده است. تحقیق حاضر جهت (1) بسط و توسعه توابع انتقالی مختلف و (2) ارزیابی و مقایسه مدل‌های توابع انتقالی براساس رگرسیون آماری و شبکه عصبی مصنوعی در برآورد Ks در زیرحوزه رودخانه زاینده‌رود واقع در استان چهارمحال و بختیاری انجام شد. کل داده‌ها به دو زیر‌مجموعه، شامل داده‌های مدل‌سازی (86=n) و ارزیابی (25=n) تقسیم شدند. ریشه میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و درصد بهبود نسبی (RI) به عنوان شاخص‌های ارزیابی مورد استفاده قرار گرفتند. مدل‌های توابع انتقالی براساس شبکه عصبی مصنوعی تخمین قابل اطمینان‌تری نسبت به توابع انتقالی براساس رگرسیون آماری ارائه دادند.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of artificial neural network and regression pedotransfer functions for prediction of soil saturated hydraulic conductivity

چکیده [English]

Soil saturated hydraulic conductivity (Ks) is among the most important soil hydraulic-physical properties that required for soil-water modeling. Due to high cost and time- consuming nature of Ks measurement, estimating Ks from basic, inexpensive and easily measured physical and chemical soil properties is becoming increasingly important. In the last two decades, the development of estimation methods called pedotransfer functions that use cheap auxiliary variables has been a sharpening focus of soil research. This study was conducted (i) to develop different pedotransfer functions and (ii) to evaluate and compare statistical regression and neural network based pedotransfer functions for estimating Ks in a sub- catchment of Zayanderood River, located in Chaharmahal-va-Backtiari province. The data set was divided in to subsets for modeling (n=86) and validation (n=25). Root-mean-square error (RMSE), mean error (ME) and percentage of relative improvement (RI) were used as the validation indices. The artificial neural network-based models provided more reliable estimation than the statistical regression-based pedotransfer functions.

کلیدواژه‌ها [English]

  • Auxiliary variables
  • Pedotransfer functions
  • Validation indices