برآورد هدایت هیدرولیکی اشباع خاک‌های منتخب از دشت اردبیل با استفاده از مدل‌های رگرسیونی و شبکه‌های عصبی مصنوعی

هدایت هیدرولیکی اشباع به عنوان یک ویژگی دیریافت می تواند از ویژ گی های زودیافت خاک شامل جرم ویژه ظاهری، بافت خاک، کربن آلی، کربنات کلسیم معادل با استفاده از توابع انتقالی رگرسیونی و شبکه های عصبی مصنوعی برآورد شود. هدایت هیدرولیکی اشباع خاک به روش بار افتان در 100 نمونه خاک جمع آوری شده از دشت اردبیل تعیین شد. بعد از انجام تجزیه های شیمیایی و فیزیکی روی نمونه های خاک، داده ها به دو سری داده های آموزشی (80 نمونه) و داده های اعتبارسنجی (20 نمونه) تقسیم شدند. مدل های رگرسیونی توسط نرم افزار spss و به روش گام به گام و مدل های شبکه عصبی توسط نرم افزارneurosolution  شکل گرفتند. برای انجام تجزیه های آماری از ضریب تبیین (r^2)، جذر میانگین مربعات خطا (rmse) و ضریب آکائیک (aic) استفاده شد. بهترین مدل رگرسیونی دارای متغیرهای شن، سیلت و جرم مخصوص ظاهری بود و بهترین مدل شبکه عصبی از متغیرهای ورودی میانگین هندسی قطر ذرات خاک، انحراف معیار هندسی قطر ذرات خاک و جرم مخصوص ظاهری به دست آمد. مقادیر r^2، (cm min^1)rmse در فاز آموزش و اعتبارسنجی برای بهترین مدل رگرسیونی به ترتیب برابر (0.53، 0.074 و 0.51، 0.052) و برای بهترین مدل شبکه عصبی به ترتیب برابر (0.84، 0.04 و 0.73، 0.06) بود. در این پژوهش به صورت جداگانه از تمامی پارامترهای مستقل شامل جرم مخصوص ظاهری، جرم مخصوص حقیقی، درصد آهک، میانگین هندسی قطر و انحراف معیار هندسی قطر ذرات خاک به عنوان ورودی در تکنیک شبکه عصبی استفاده شد. مقادیر r^2 و (cm min^-1) rmse در مرحله آموزش و آزمون به ترتیب برابر (0.87، 0.036 و 0.58، 0.076) بود. نتایج تحقیق در این مورد نشان داد شبکه های عصبی با داده های ورودی یکسان هدایت هیدرولیکی اشباع خاک را با دقت بیشتری (0.84=r^2) نسبت به مدل های رگرسیونی (0.53=r^2) برآورد می کنند. همچنین مشاهده شد زمانی که تعداد داده های ورودی در روش شبکه عصبی افزایش می یابد دقت برآورد در داده های آموزشی بیشتر می شود.

Estimating the Soil Saturated Hydraulic Conductivity in Ardabil Plain Soils Using Artificial Neural Networks and Regression Models

Abstract Soil saturated hydraulic conductivity (Ks) can be estimated from surrogate data such as soil texture, bulk density and organic carbon and CaCO3 contents using regression (RegPTFs) and artificial neural networks (ANNPTFs) pedotransfer function (PTF). Saturated hydraulic conductivity was measured by falling head method in 100 soil samples that obtained from Ardabil plain, Iran. After performing physicals and chemicals analysis on soil samples, the data were divided into two sets of training (80 samples) and validation data (20 samples). Regression models were created by SPSS software, stepwise method and neural networks models were created by Neurosolution software. Statistics criteria such as coefficient of determination (R2), root mean square deviation (RMSE) and Akaike information Criterion (AIC) were determined. Input variables in the best regression models were sand, silt and bulk density. The best neural network models were obtained from the input variables that include bulk density, geometric mean and standard deviation of soil particle size distribution. The values for R2 and RMSE in training and testing data set for the RegPTF were 0.53, 0.074 and 0.51, 0.052 and for the ANNPTF they were 0.84, 0.04 and 0.73, 0.06, respectively. In this research all independent variables such as bulk density, particle density, CaCO3, geometric mean and standard deviation of the particle size distribution included as inputs for development of RegPTFs and ANNPTFs. The amount of R2 and RMSE for training and testing data set equal 0.87, 0.036 and 0.58, 0.076, respectively. Results showed that the ANNPTF (R2= 0.84) performs better than the RegPTF (R2= 0.53) in this case. It was also found that when all independent variables were used as inputs in the neural ANNPTF the values of R2 and RMSE (0.87 and 0.036) have been improved in the training data set.