کاربرد شبکه عصبی مصنوعی در پیش‌بینی هدایت هیدرولیکی اشباع با استفاده از پارامترهای فیزیکی خاک

کاربرد شبکه عصبی مصنوعی در پیش بینی 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...

استفاده از شبکه های عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع از ویژگی های زودیافت خاک

برآورد هدایت هیدرولیکی اشباع خاک با استفاده از پارامترهای زودیافت خاک و شبکه عصبی مصنوعی

هدایت هیدرولیکی اشباع خاک، از مهمترین ویژگی های فیزیکی خاک است که اهمیتی ویژه در شناخت، بررسی و مدل سازی ترابری آب، املاح و آلاینده های محیط متخلخل زیرزمینی دارد. باوجود تحقیقات متعددی که پیرامون اندازه گیری مستقیم هدایت هیدرولیکی اشباع صورت گرفته است، این روش ها همچنان پرهزینه، زمان بر و تخصصی هستند. از این رو ضرورت برآورد هدایت هیدرولیکی اشباع با استفاده از روش های سریع، کم هزینه و با دقتی قا...

ارزیابی 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...

مقایسه روش‌های شبکه عصبی مصنوعی و رگرسیونی برای پیش‌بینی هدایت هیدرولیکی اشباع خاک‌های استان خوزستان

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 t...

ارزیابی 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 ...