برآورد سرعت نفوذ نهایی آب در خاک و پارامترهای معادلات نفوذ به روش شبکه عصبی مصنوعی و ماشین بردار پشتیبان

نفوذ آب به خاک یکی از مهمترین فرآیندهای هیدرولوژیک است. هدف از این تحقیق، بررسی امکان تخمین پارامتر‌های مدل‌های فیلیپ و هورتون و سرعت نفوذ نهایی آب در خاک با استفاده از شبکه عصبی مصنوعی و ماشین بردار پشتیبان (svm) بود. به‌این منظور نفوذپذیری خاک در 100 نقطه فضای سبز شهرستان ابرکوه (استان یزد) به روش استوانه‌ی مضاعف تعیین گردید. در نزدیکی نقاط اندازه‌گیری نفوذ آب به خاک، در عمق 300 سانتی‌متری سطح خاک نمونه‌برداری و ویژگی‌های خاک از جمله چگالی ظاهری، فراوانی نسبی ذرات، ماده آلی، نسبت جذب سدیم، تخلخل، میانگین هندسی قطر ذرات و انحراف معیار هندسی اندازه‌گیری شد. شبکه‌های عصبی پرسپترون چند لایه (mlp) با 4 طراحی با 3، 5، 7 و 9 ورودی و ماشین بردار پشتیبان با 9 ورودی برای برآورد سرعت نهایی نفوذ و پارامترهای مدل‌های نفوذ به‌کار گرفته شد. نتایج نشان داد که در برآورد پارامترهای مدل‌های فیلیپ و هورتون، شبکه‌های طراحی شده با 9 پارامتر ورودی بیش‌ترین ضریب تبیین، کم‌ترین خطا و بیش‌ترین کارایی را نسبت به سایر شبکه‌های طراحی شده داشتند. همچنین مقایسه قدرت شبیه‌سازی شبکه عصبی برای پارامترهای دو مدل هورتون و فیلیپ نشان داد که بیش‌ترین کارایی در شبیهسازی پارامترهای نفوذ مربوط به پارامتر سرعت نهایی در مدل هورتون با ضریب تبیین 0.84 و معماری 159 بوده است. نتایج آنالیز حساسیت نشان داد که حساسیت بهترین مدل mlp و svm در شبیه‌سازی سرعت نفوذ نهایی به دو پارامتر نسبت جذب سدیم و ماده آلی بیشتر از 7 فاکتور دیگر بوده است. همچنین مدل svm با دقت بسیار زیاد توانایی تخمین و پیش بینی مقادیر نفوذپذیری نهایی خاک‌ها ر ا بر اساس پارامترهای زود یافت خاک دارد و کارائی این شبکه بیش‌تر از شبکه mlp در تخمین سرعت نفوذ نهایی آب به خاک بود.

Soil Water Infiltration Rate and Soil Infiltration Model Parameters Prediction Using Artificial Neural Network and Support Vector Machine

Water infiltration into the soil is one of important hydrological parameters. This study was conducted for Phillip and Horton parameters and final water infiltration rate prediction using artificial neural network and support vector machine (SVM). The soil water infiltration was measured in 100 points of Abarkouh city landscape (Yazd province) with double ring method. The samples from 030 cm of soil surface were analyzed for bulk density, texture, organic matter, sodium adsorption ratio, porosity, geometric mean particle diameter and geometric standard deviation of soil particle. The multilayer perceptron neural network (MLP) with 4 different scenarios with 3, 5, 7 and 9 inputs and SVM with 9 inputs were analyzed for infiltration parameters and final water infiltration rate prediction. The results showed that the network with 9 inputs had the greatest R2 and the lowest error in Phillip and Horton parameters prediction. The study of prediction ability of ANN for Horton and Phillip parameters showed that the greatest capability was related to final infiltration rate to net design as 951 with R2 equal to 0.84. The sensitivity analysis showed that the designed nets had greater sensitivity to soil sodium adsorption ratio and the organic matter than other 7 parameters. The SVM model had good ability to water infiltration rate prediction based on basic soil properties. SVM model had better ability in soil water infiltration rate prediction compared to ANN model.