ارزيابي مدل‌هاي رگرسيوني و شبكه عصبي مصنوعي در تخمين هدايت هيدروليكي اشباع خاك در مازندران

Evaluation of Regression and Artificial Neural Network Models to Estimate the Saturated Hydraulic Conductivity in Mazandaran Province

هدايت هيدروليكي اشباع يكي از خصوصيات مهم هيدروليكي در علوم مرتبط با آب، خاك و كشاورزي مي­باشد كه در مدلسازي حركت املاح و آب در خاك بسيار اهميت دارد.اندازه­گيري آزمايشگاهي و صحرايي آن دشوار، وقت‌گير و پرهزينه بوده و امكان شناسايي تغييرپذيري مكاني و زماني آن در مقياس وسيع عملا وجود ندارد.امروزه با استفاده از روش­هاي غيرمستقيم مانند توابع انتقالي مي­توان آن را با دقت بالايي برآورد نمود. پژوهش حاضر با هدف استفاده از روش‌هاي رگرسيوني و شبكه عصبي مصنوعي به عنوان دو روش كارآمد از توابع انتقالي، در برآورد هدايت هيدروليكي اشباع انجام شد. در اين مطالعه هدايت هيدروليكي اشباع80 نمونه خاك با سه تكرار به روش آزمايشگاهي بررسي شد. خصوصيات زوديافت خاك (بافت، ميانگين هندسي قطر ذرات و انحراف معيار آن، جرم مخصوص ظاهري و حقيقي، هدايت الكتريكي، pH، ماده آلي و كربنات كلسيم) كه به عنوان ورودي در توابع استفاده شد به دو دسته آموزش (80%) و آزمون (20%) تقسيم شدند. به منظور مدل‌سازي هدايت هيدروليكي اشباع از مدلهاي رگرسيون چند متغيره خطي (MLR)، شبكه عصبي پرسپترون چندلايه(MLP) و شبكه عصبي تابع پايه شعاعي (RBF) استفاده شد. همچنين براي ارزيابي اعتبار توابع توسعه يافته از شاخصهاي ضريب تبيين (R2)، ميانگين مجذور مربعات خطا (RMSE) و ضريب همبستگي همگام (CCC) استفاده شد. نتايج نشان از برتري مدل پرسپترون شبكه عصبي با دو لايه مخفي با تابع فعال‌سازي سيكموئيدي با R2، RMSE و CCC به ترتيب معادل 0/871، 1/02(cm/h) و 0/869 نسبت به ساير مدل‏ها در منطقه مورد مطالعه داشته است. با توجه به نتايج آناليز حساسيت، مدل بهينه داراي بالاترين حساسيت نسبت به تغييرات پارامترهاي جرم مخصوص ظاهري، pH و تخلخل دارد و در مقابل نسبت به پارامتر شوري كمترين حساسيت را نشان داد. به نظر ميرسد كه استفاده از شبكه عصبي پرسپترون با دو لايه مخفي روش كارآمدي براي تعيين هدايت هيدروليكي اشباع در منطقه باشد و بتواند با صرفه جويي در زمان و هزينه، هدايت هيدروليكي اشباع خاك را برآورد كند. نتايج اين تحقيق به علت كمبود تعداد نمونه ها اعتباركافي را نداشته، لذا مي­تواند به عنوان شروعي براي انجام تحقيقات بعدي استفاده شود.

Soil saturated hydraulic conductivity (Ks) is one of the important factors involved in water, soil, and agricultural sciences. Ks measurement is important for solute and water movement modeling and, in turn, is costly and time consuming. It is also impractical to spatially and temporarily measure the Ks in large scale studies. Therefore, it would be wise to predict Ks using indirect methods such as pedotransfer functions (PTFs). The objective of this study was to use the regression and artificial neural networks methods as an alternative method to estimate the saturated hydraulic conductivity. Therefore, 80 undisturbed soil samples in three replications were collected in Mazandaran province, northern Iran, and analyzed by laboratory methods. Data was divided into two categories including the training (80%) and testing dataset (20%). In order to predict the soil saturated hydraulic conductivity, the multiple linear regression models (MLR), multilayer perceptron (MLP) and radial basis function (RBF) methods were used. To test the performance of the three methods, the correlation (R2), mean square error (RMSE) and consistent correlation coefficient (CCC) statistics between actual and predicted values were measured. The results showed that MLP with two hidden layers by sigmoid activation function was the best method for Ks estimation. R2, RMSE and CCC statistics were 0.871, 1.02 cm/h [M1] and 0.869, respectively, for the best predicted method. The sensitivity analysis showed that the soil bulk density, pH and porosity had the highest impact on Ks, while soil salinity affected the Ks slightly. Therefore, use of MLP with two hidden layers efficiently can predict Ks in the study area and could be introduced as a promising method for Ks estimation. Considering the slightly low sampling data, this research can be considered as a starting step for future comprehensive studies with high intensive sampling sites that would enhance the reliability of these results.