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 وقت گیر و پرهزینه بوده و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک نتایج بدست آمده چندان قابل اعتماد نمی باشد. این پارامتر را می توان با استفاده از پارامترهای زودیافت خاک برآورد کرد. تحقیق حاضر به منظور پیش‌بینی هدایت هیدرولیکی اشباع خاک با استفاده از روش‌های درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی مصنوعی در شهرستان هیرمند انجام گرفت. مواد و روش ها: برای این منظور، تعداد 130نمونه خاک از سطح (30- 0 سانتی‌متری) جمع‌آوری و برای انجام آزمایش و آنالیز‌ها، به آزمایشگاه انتقال داده شد. در آزمایشگاه پارامترهای هدایت هیدرولیکی اشباع خاک، درصد‌‌‌رس، شن و سیلت، ماده‌آلی، اسیدیته، هدایت‌الکتریکی و کربنات‌کلسیم اندازه گیری شد. سپس با استفاده از پارامترهای اندازه گیری شده و با استفاده از مدل های درخت تصمیم، شبکه‌ عصبی مصنوعی و ماشین بردار پشتیبان هدایت هیدرولیکی اشباع برآورد شد. به منظور ارزیابی مدل‌ها 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 (0/83) و کمترین مقدار میانگین مربعات خطا و خطای مطلق میانگین (0/0026 و 0/0019) بهترین مدل برای پیش بینی هدایت هیدرولیکی اشباع خاک در منطقه هیرمند می باشد. همچنین نتایج آنالیز حساسیت داده‌ها با استفاده از مدل شبکه عصبی مصنوعی نشان داد که درصد شن، درصد آهک، درصد ‌سیلت و اسیدیته به ترتیب مهمترین فاکتور‌‌های موثر بر هدایت هیدرولیکی اشباع خاک در شهرستان هیرمند می باشند.نتیجه گیری: نتایج حاصل بیانگر عملکرد بسیار مطلوب روش های هوش مصنوعی در پیش بینی هدایت هیدرولیکی اشباع خاک می باشد. در شرایطی که امکان اندازه گیری هدایت هیدرولیکی امکان پذیر نباشد، می توان با استفاده از پارامترهای زودیافت خاک و روش های هوش مصنوعی، هدایت هیدرولیکی را تخمین زد.

comparison and application of artificial neural network, support vector machine and decision trees in predicting the hydraulic conductivity of soil saturation (case study: hirmand city)

introduction and objective: direct measurement of soil hydraulic conductivity is time consuming and costly, and sometimes the results are unreliable due to trial and error. this parameter can be estimated using early soil parameters. the present study was conducted to predict the hydraulic conductivity of soil saturation using decision tree methods, support vector machine and artificial neural network in helmand city.material and methods: for this purpose, 130 soil samples were collected from the surface (0-30 cm) and transferred to the laboratory for testing and analysis. in the laboratory, the parameters of hydraulic conductivity of soil saturation, percentage of stress, sand and silt, organic matter, acidity, electrical conductivity and calcium carbonate were measured. it was then estimated using measurement parameters and using decision tree models, artificial neural network, and saturated hydraulic guidance support vector machine. in order to evaluate the models, the criteria of explanatory coefficient, square mean error and absolute mean error were used. results: the results showed that the decision tree model with the highest coefficient of explanation (0.83) and the lowest value of the mean square of error and absolute error of average (0.0026 and 0.0019) is the best model for predicting the hydraulic conductivity of soil saturation in hirmand region. also, the results of data sensitivity analysis using artificial neural network model showed that sand percentage, lime percentage, silicate percentage and acidity are the most important factors affecting the hydraulic conductivity of soil saturation in hirmand city, respectively.conclusion: the results show the very good performance of artificial intelligence methods in predicting hydraulic conductivity of soil saturation. in cases where it is not possible to measure hydraulic conductivity, hydraulic conductivity can be estimated using early soil parameters and artificial intelligence methods.