R. Rezae Arshad, GH. Sayyad, *, M. Mazloom, M. Shorafa, A. Jafarnejady. Comparison of Artificial Neural Networks and Regression Pedotransfer Functions for Predicting Saturated Hydraulic Conductivity in Soils of Khuzestan Province. jwss 2012; 16 (60) :107-118
URL:
http://jstnar.iut.ac.ir/article-1-2310-fa.html
روح اله رضایی ارشد ، غلامعباس صیاد ، مسعود مظلوم ، مهدی شرفا ، علیرضا جعفرنژادی . مقایسه روشهای شبکه عصبی مصنوعی و رگرسیونی برای پیشبینی هدایت هیدرولیکی اشباع خاکهای استان خوزستان. علوم آب و خاک. 1391; 16 (60) :107-118
URL: http://jstnar.iut.ac.ir/article-1-2310-fa.html
، gsayyad@scu.ac.ir
چکیده: (21341 مشاهده)
اندازهگیری مستقیم ویژگیهای هیدرولیکی خاک وقتگیر و پرهزینه بوده و تا حدی به علت غیرهمگن بودن خاک و خطاهای آزمایشگاهی غیرقابل اعتماد است. در عوض ویژگیهای هیدرولیکی خاک میتواند از جایگزینی دادههای زودیافتی مانند بافت خاک و چگالی ظاهری با استفاده از توابع انتقالی به دست آید. شبکههای عصبی و رگرسیون آماری از جمله روشهایی هستند که برای تخمین توابع انتقالی خاک (PTFs) استفاده میشوند. در این پژوهش از شبکه عصبی نوع پرسپترون چندلایه (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. دادهها از 125پروفیل خاک مربوط به مطالعات خاکشناسی 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 (65/0=2R) و خطای ( 04/0RMSE=) نسبت به مدلهای رگرسیونی کارایی بهتری در تخمین هدایت هیدرولیکی اشباع خاک داشت.
نوع مطالعه:
پژوهشي |
موضوع مقاله:
عمومی دریافت: 1391/6/21 | انتشار: 1391/4/25