مقایسه روشهای شبکه عصبی مصنوعی و رگرسیونی برای پیش‌بینی هدایت هیدرولیکی اشباع خاکهای استان خوزستان
Authors
Abstract:
Direct measurement of soil hydraulic characteristics is costly and time-consuming. Also, the method is partly unreliable due to soil heterogeneity and laboratory errors. Instead, soil hydraulic characteristics can be predicted using readily available data such as soil texture and bulk density using pedotransfer functions (PTFs). Artificial neural networks (ANNs) and statistical regression are two methods which are used to develop PTFs. In this study, the multi-layer perceptron (MLP) neural network and backward and stepwise regression models were used to estimate saturated hydraulic conductivity using some soil characteristics including the percentage of particle size distribution, porosity, and bulk density. Data of 125 soil profiles were collected from the reports of basic soil science and land reclamation studies conducted by Khuzestan Water and Power Organization. The results showed that MLP neural network having Bayesian training algorithm with the greater coefficient of determination (R2=0.65) and the lower error (RMSE =0.04) had better performance than multiple linear regression model in predicting saturated hydraulic conductivity.
similar resources
تخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل ...
full textارزیابی مدل‌های رگرسیونی و شبکه عصبی مصنوعی در تخمین هدایت هیدرولیکی اشباع خاک در مازندران
هدایت هیدرولیکی اشباع یکی از خصوصیات مهم هیدرولیکی در علوم مرتبط با آب، خاک و کشاورزی میباشد که در مدلسازی حرکت املاح و آب در خاک بسیار اهمیت دارد.اندازهگیری آزمایشگاهی و صحرایی آن دشوار، وقتگیر و پرهزینه بوده و امکان شناسایی تغییرپذیری مکانی و زمانی آن در مقیاس وسیع عملا وجود ندارد.امروزه با استفاده از روشهای غیرمستقیم مانند توابع انتقالی میتوان آن را با دقت بالایی برآورد نمود. پژوهش حاضر...
full textاستفاده از شبکه های عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع از ویژگی های زودیافت خاک
full text
مقایسه مدل‌های شبکههای عصبی مصنوعی و رگرسیون آماری برای پیش‌بینی هدایت هیدرولیکی اشباع خاک
هدایت هیدرولیکی اشباع خاک (Ks) از جمله مهمترین خصوصیات فیزیکی و هیدرولیکی مورد نیاز در مدل‌سازی‌های آب-خاک است. به‌علت وقتگیر و پرهزینه بودن ذاتی اندازهگیری Ks، برآورد آن از خصوصیات فیزیکی و شیمیایی اولیه، ارزان و سهلل‌الوصول اندازه‌گیری‌شده خاک اهمیت بسیار زیادی دارد. در دو دهه اخیر، گسترش روشهای برآورد تحت عنوان توابع انتقالی، که از متغیرهای کمکی سهلل‌الوصول بهره می‌گیرند، نقطه عطفی در مطا...
full textکاربرد شبکه عصبی مصنوعی در پیش‌بینی هدایت هیدرولیکی اشباع با استفاده از پارامترهای فیزیکی خاک
ویژگیهای هیدرولیکی خاک همچون هدایت هیدرولیکی اشباع و غیراشباع در مطالعات زیست محیطی نقش مهمی را ایفا مینمایند. از آنجائیکه اندازهگیری مستقیم این قبیل ویژگیهای هیدرولیکی خاک امری وقتگیر و هزینهبر است روشهای غیرمستقیمی چون توابع انتقالی و شبکههای عصبی مصنوعی بر مبنای پارامترهای سهل الوصول خاک توسعه یافتهاند. در این خصوص در این مطالعه، از شبکه عصبی مصنوعی به منظور تخمین هدایت هیدرولیک...
full textارزیابی روش غیرپارامتریک k- نزدیکترین همسایه و سیستمهای شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک
هدایت هیدرولیکی اشباع خاک از مهم ترین ویژگی های فیزیکی خاک است لیکن در بیشتر موارد به علت محدودیت‌های عملی و یا هزینه‌ای، اندازهگیری آن با دشواری همراه است. در این پژوهش مدل‌های مختلف شبکه های عصبی مصنوعی با نوعی از الگوریتم‌های غیرپارامتریک از نوع یادگیرنده‌های تنبل موسوم به k-نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک از روی داده‌های سهل‌الوصول خاک، مورد مقایسه قرار گرفت. در این ...
full textMy Resources
Journal title
volume 16 issue 60
pages 107- 118
publication date 2012-07
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023