مقايسه عملكرد شبكه‌هاي عصبي مصنوعي و برنامه‌ريزي بيان ژن در برآورد منحني مشخصه آب در خاك‌هاي جنگلي

منحني مشخصه آب خاك يكي از پارامترهاي فيزيكي مهم و كاربردي در مطالعات مرتبط با جريان آب در خاك شناخته مي شود. روش مستقيم اندازه گيري منحني مشخصه آب خاك مستلزم صرف زمان و هزينه بالايي است. به همين دليل روش هاي غيرمستقيم متنوعي از جمله مدل هاي هوشمند توسعه پيدا نموده اند. در اين تحقيق عملكرد سه روش شبكه هاي عصبي پرسپترون چندلايه (MLP)، شبكه هاي عصبي آبشاري (CascadeNN) و برنامه ريزي بيان ژن (GEP) در برآورد منحني مشخصه آب خاك مورد ارزيابي و مقايسه قرار گرفت. در اين پژوهش اطلاعات اندازه گيري شده مربوط به تعداد ۱۰۸ نمونه خاك مناطق جنگلي شامل درصد توزيع اندازه ذرات خاك، مقادير رطوبت در هفت مكش مختلف و جرم مخصوص ظاهري مورد استفاده قرار گرفت. سه سناريو شامل تركيب هاي مختلف از داده هاي ورودي تعيين و مدل هاي مذكور براي هر كدام اجرا شد. مقايسه مقادير پيش بيني شده و مشاهداتي رطوبت خاك نشان دهنده عملكرد قابل قبول هر سه مدل بود؛ براي مرحله آزمون مقادير R2 براي بهترين ساختار در سه روش شبكه هاي عصبي MLP، CascadeNN و GEP به ترتيب ۹۵/۰، ۹۶/۰ و ۹۳/۰ و مقادير RMSE نيز به ترتيب ۷۴/۳، ۲۵/۳ و ۱۰/۴ درصد بود. مقايسه نتايج سناريوهاي مختلف داده ورودي نيز نشان داد، دقت و اختلاف بين نتايج مدل ها در سناريوي اول كم بود ولي در سناريوي دوم و سوم به ترتيب با اضافه شدن پارامترهاي تخلخل و رطوبت نقطه ظرفيت زراعي به داده هاي ورودي، دقت و از سوي ديگر اختلاف بين نتايج مدل ها بيشتر شد. در نهايت شبكه هاي عصبي آبشاري با استفاده از تمام داده هاي فيزيكي اشاره شده به عنوان گزينه مطلوب شناخته شد.