تخمین سرعت نفوذپذیری پایه با استفاده از مدل‌های نروفازی، شبکه عصبی و رگرسیون خطی چندمتغیره

نفوذ یکی از مهم‌ترین مشخصه‌های فیزیکی خاک است که اندازه‌گیری مستقیم آن دشوار، زمان‌بر و پرهزینه می‌باشد. هدف از این پژوهش تخمین سرعت نفوذپذیری پایه با استفاده مدل‌های نروفازی، شبکه مصنوعی و رگرسیون خطی چند متغیره است. بدین منظور، در 100 نقطه در منطقه دهگلان استان کردستان سرعت نفوذپذیری پایه با استفاده از استوانه مضاعف اندازه‌گیری شد. ویژگی‌های فیزیکی خاک (تخلخل، جرم ویژه ظاهری، شن، سیلت و رس) و توپوگرافی به عنوان ویژگی‌های زودیافت اندازه‌گیری شده و برای برآورد نفوذپذیری خاک استفاده شدند. داده‌ها به دو سری آموزشی (70 درصد داده‌ها) و آزمون (30 درصد داده ها) تقسیم شدند. مدل‌ها بر اساس نوع ورودی به نوع 1 (ویژگی‌های فیزیکی خاک) و 2 (ویژگی‌های فیزیکی خاک و توپوگرافی) طبقه بندی شدند. نتایج ارزیابی مدل‌ها بر اساس شاخص‌های ریشه میانگین انحراف خطا، مربعات خطا، میانگین خطا، خطای استاندارد نسبی و بهبود نسبی نشان داد که مدل نروفازی نوع 1 به ترتیب با آماره‌های 0.24، 1.3، 1.69، 0.25 و 65.41 و نوع 2 به ترتیب با آمارههای 0.1، 0.95، 0.84، 0.18 و 71.52، دارای بالاترین دقت در تخمین سرعت نفوذپذیری پایه می‌باشد. همچنین مشاهده شد که استفاده از داده‌های توپوگرافی به عنوان ورودی همراه با ویژگی‌های فیزیکی خاک می‌تواند منجر به بهبود دقت تخمین سرعت نفوذپذیری پایه شود.

Estimation of steady infilterability rate using NeuroFuzzy, Artificial neural network and Multivariate linear regression models

Infiltration is the most important soil physical characteristic which its direct measurement is laborious, time consuming and expensive. The purpose of this study is to estimate steady infilterability rate, using NeuroFuzzy, Neural Network and Multivariate Linear Regression models. Consequently, steady infilterability rate, was measured using double rings in 100 points in Dehgolan region, Kurdistan Province, Iran. Soil physical (porosity, bulk density, sand, silt and clay) and topography characteristics were measured as readily available properties and used to estimate steady infilterability rate, The data were divided into two sets of terrain (70% of the data) and test (30% of the data). The models based on input type were categorized into type 1 (physical characteristics) and 2 (soil physical and topography characteristics). The results based on mean bias error (MBE), Root Mean Square Error (RMSE), Mean Error (ME), Relative Standard Error (RSE) and Relative Improvement (RI) showed that the NeuroFuzzy model (type 1 respectively with statistics 0.24, 2.01, 0.46, 4.04 and 46.65) (type 2 respectively with statistics 0.1, 1.24, 0.23, 1.54 and 58.62) has the most accuracy of steady infilterability rate, estimation. Also was observed using topography data as input together with soil physical characteristics can lead to improvement of the estimation accuracy of steady infilterability rate.