مدل سازی منحنی مشخصه رطوبتی برخی خاک های ایران با استفاده از توابع انتقالی شبه پارامتریک شبکه عصبی

مدل سازی جریان آب و انتقال املاح در منطقه غیر اشباع نیازمند آگاهی از خصوصیات هیدرولیک خاک از جمله منحنی نگهداشت آب است. تخمین غیر مستقیم این توابع با استفاده از خصوصیات پایه خاک در قالب توابع انتقالی توجه کارشناسان رشته های مختلفی را به خود جلب کرده است. امروزه، استفاده از مدل های شبکه های عصبی برای اشتقاق توابع انتقالی بسیار معمول است. در این پژوهش، توابع جدید شبه پارامتریک شبکه عصبی معرفی و ارزیابی شد و عملکرد آن ها با توابع مرسوم نقطه ای و پارامتریک مقایسه شد. همچنین، تاثیر دو روش متفاوت آموزش مستقیم و غیر مستقیم مورد ارزیابی قرار گرفت. تمامی تحلیل ها بر روی 122 نمونه خاک از شمال و شمال شرق ایران (آمل و بابل، کرج و بجنورد) انجام شد که به صورت تصادفی انتخاب شده بودند. به طورکلی، نتایج توابع پارامتریک نسبت به نقطه ای بهتر بودند، به طوری که میانگین نمایه های r و rmse در توابع پارامتریک به ترتیب 93/0 و 032/0 و در توابع نقطه ای به ترتیب 76/0 و 034/0 می باشد. از طرف دیگر، توابع شبه پارامتریک توانستند با استفاده از اطلاعاتی مشابه برای آموزش، نتایج توابع نقطه ای را بهبود بخشند. میانگین نمایه-های r و rmse در توابع شبه پارامتریک به ترتیب برابر با 95/0 و 026/0 بود. به نظر می رسد افزایش نمونه ها در فاز آزمایش و انتخاب پتانسیل ماتریک به عنوان ورودی، مهم ترین دلایل موفقیت توابع شبه پارامتریک باشد. همچنین نتایج نشان دادند که اشتقاق توابع انتقالی با داده های محلی (آموزش مستقیم) نتایج بهتری نسبت به اشتقاق داده ها با استفاده از پایگاه داده های جهانی (آموزش غیر مستقیم) دارد.