مقايسه مدل‌هاي شبكه‌هاي عصبي مصنوعي و رگرسيون آماري براي پيش‌بيني هدايت هيدروليكي اشباع خاك

Comparison of artificial neural network and regression pedotransfer functions for prediction of soil saturated hydraulic conductivity

هدايت هيدروليكي اشباع خاك (Ks) از جمله مهمترين خصوصيات فيزيكي و هيدروليكي مورد نياز در مدل‌سازي‌هاي آب-خاك است. به‌علت وقت‌گير و پرهزينه بودن ذاتي اندازه‌گيري Ks، برآورد آن از خصوصيات فيزيكي و شيميايي اوليه، ارزان و سهلل‌الوصول اندازه‌گيري‌شده خاك اهميت بسيار زيادي دارد. در دو دهه اخير، گسترش روش‌هاي برآورد تحت عنوان توابع انتقالي، كه از متغيرهاي كمكي سهلل‌الوصول بهره مي‌گيرند، نقطه عطفي در مطالعات خاك بوده است. تحقيق حاضر جهت (1) بسط و توسعه توابع انتقالي مختلف و (2) ارزيابي و مقايسه مدل‌هاي توابع انتقالي براساس رگرسيون آماري و شبكه عصبي مصنوعي در برآورد Ks در زيرحوزه رودخانه زاينده‌رود واقع در استان چهارمحال و بختياري انجام شد. كل داده‌ها به دو زير‌مجموعه، شامل داده‌هاي مدل‌سازي (86=n) و ارزيابي (25=n) تقسيم شدند. ريشه ميانگين مربعات خطا (RMSE)، ميانگين خطا (ME) و درصد بهبود نسبي (RI) به عنوان شاخص‌هاي ارزيابي مورد استفاده قرار گرفتند. مدل‌هاي توابع انتقالي براساس شبكه عصبي مصنوعي تخمين قابل اطمينان‌تري نسبت به توابع انتقالي براساس رگرسيون آماري ارائه دادند.

Soil saturated hydraulic conductivity (Ks) is among the most important soil hydraulic-physical properties that required for soil-water modeling. Due to high cost and time- consuming nature of Ks measurement, estimating Ks from basic, inexpensive and easily measured physical and chemical soil properties is becoming increasingly important. In the last two decades, the development of estimation methods called pedotransfer functions that use cheap auxiliary variables has been a sharpening focus of soil research. This study was conducted (i) to develop different pedotransfer functions and (ii) to evaluate and compare statistical regression and neural network based pedotransfer functions for estimating Ks in a sub- catchment of Zayanderood River, located in Chaharmahal-va-Backtiari province. The data set was divided in to subsets for modeling (n=86) and validation (n=25). Root-mean-square error (RMSE), mean error (ME) and percentage of relative improvement (RI) were used as the validation indices. The artificial neural network-based models provided more reliable estimation than the statistical regression-based pedotransfer functions.