مقایسه مدل‏های درخت تصمیم و یادگیری برپایه نمونه در برآورد هدایت هیدرولیکی اشباع خاک

سابقه و هدف: هدایت هیدرولیکی اشباع خاک یکی از مهمترین خصوصیات هیدرولیکی خاک است که بر حرکت آب در خاک موثر است. شناخت این ویژگی می‏تواند به درک بسیاری از مشکلات زیست محیطی کمک کند. از طرفی اندازه‏گیری این ویژگی با روش‏های مستقیم مزرعه‏ای و آزمایشگاهی دشوار، زمانبر و هزینه‏بر است و استفاده از روش‏های جایگزینی را می‏طلبد که بتوان با صرف وقت، هزینه و زمان کمتری آن را از روی داده‏های زودیافت خاک تخمین زد. روش‏های ناپارامتریک از جمله روش‏های غیرمستقیم و نوین برآورد خصوصیات هیدرولیکی خاک از جمله هدایت هیدرولیکی اشباع می‏باشند. هدف از این پژوهش مقایسه روش درخت تصمیم و یک روش یادگیری برپایه نمونه ( ibk) که یک رده‏بند با k همسایه نزدیک است در برآورد هدایت هیدرولیکی اشباع خاک، از روی خصوصیات زودیافت آن است. مواد و روش‏ها: در این پژوهش، از مجموعه داده‏ای با اطلاعات خاک‏شناسی 151 نمونه خاک که از منطقه‏ای در بجنورد گردآوری شده بود استفاده شد. خصوصیات زودیافت خاک شامل درصد شن، سیلت، رس، جرم مخصوص ظاهری، جرم مخصوص حقیقی، هدایت الکتریکی، درصد کربن آلی، درصد مواد خنثی‏شونده، رطوبت اشباع و اسیدیته بود. هدایت هیدرولیکی اشباع نمونه‏ها با استفاده از دستگاه نفوذسنج گلف اندازه‏گیری شده بود. برای تعیین مهمترین پارامترها در پیش‏بینی و مدل‏سازی هدایت هیدرولیکی اشباع، از آزمون گاما استفاده شد. ترکیبات مختلف از پارامترهای موجود در بانک داده بر اساس مقدار گاما با یکدیگر مقایسه شدند و ترکیب بهینه برای مدل‏سازی معین شد. مدل‏سازی با استفاده از دو روش ناپارامتریک یعنی درخت تصمیم با بهره‏گیری از الگوریتم m5p و روش یادگیری برپایه نمونه با بهره‏گیری از الگوریتم ibk با استفاده از ترکیب بهینه پارامترها که کمترین مقدار گاما را داشت صورت گرفت. برای بهبود عملکرد ibk دو نوع تابع وزن‏دهی فاصله استفاده شد. در آخر معیارهای ارزیابی مدل‏ها شامل ضریب تعیین (r2)، جذر میانگین مربعات خطا (rmse)، میانگین قدر مطلق خطا (mae) و درصد میانگین قدر مطلق خطا (mape) محاسبه شدند. یافته‏ها: ترکیب بهینه‏ای که از آزمون گاما به دست آمد برای مدل‏سازی هر دو روش استفاده شد. این ترکیب شامل پارامترهای درصد شن، سیلت، رس، درصد مواد خنثی شونده، هدایت الکتریکی و جرم مخصوص ظاهری خاک بود. مدل m5p، پارامتر جرم مخصوص ظاهری خاک را به عنوان مهمترین متغیر دسته‏بندی‏کننده انتخاب کرد و سه رابطه خطی برای برآورد هدایت هیدرولیکی اشباع با توجه به مقدار جرم مخصوص ظاهری ایجاد کرد. معیارهای ارزیابی نشان دادند که این مدل با جذر میانگین مربعات خطای 23.89 سانتی‏متر بر روز و میانگین قدر مطلق خطای 20.50 درصد، دقت بالایی در پیش‏بینی هدایت هیدرولیکی اشباع نداشت. استفاده از دو نوع تابع وزن‏دهی تاثیری بر بهبود نتایج مدل ibk نداشتند. مدل ibk نیز با جذر میانگین مربعات خطای 31.23 سانتی‏متر بر روز و میانگین قدر مطلق خطای 23.24 درصد دقت بالایی نداشت. نتیجه‏گیری: برای برآورد هدایت هیدرولیکی اشباع، درخت تصمیم مدل مناسبتری نسبت به مدل یادگیری برپایه نمونه بود، همچنین این مدل اطلاعاتی از ساختار خاک تحت بررسی نیز به دست داد.