ارزیابی روش غیرپارامتریک k- نزدیکترین همسایه و سیستم های 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 محدودیت های عملی و یا هزینه ای، اندازه گیری آن با دشواری همراه است. در این پژوهش مدل های مختلف شبکه های عصبی مصنوعی با نوعی از الگوریتم های غیرپارامتریک از نوع یادگیرنده های تنبل موسوم به k-نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک از روی داده های سهل الوصول خاک، مورد مقایسه قرار گرفت. در این تحقیق 151 نمونه از خاکهای زراعی اطراف بجنورد، انتخاب و متغیرهای کمکی شامل فراوانی ذرات، جرم مخصوص حقیقی و ظاهری همچنین هدایت الکتریکی عصاره اشباع خاک (ECe)، درصد مواد آلی خاک (OM)، رطوبت اشباع خاک (θs)، و میزان مواد خنثی شونده آن (TNV) جهت برآورد هدایت هیدرولیکی اشباع به کار گرفته شد. استفاده از پارامترهای آماری نشان داد که از لحاظ دقت برآورد، روش شبکه عصبی مصنوعی در مقایسه با روش غیر پارامتریک k-نزدیکترین همسایه در شرایط ارائه تمامی پارامترها (با داشتن آماره های 97/0=r،946/0=EF، 798/8=RMSE، 446/28= MEو 134/0- =CRM) نسبت به سایر روش ها و مدلهای ورودی از دقت قابل قبولی برخوردار می باشد و می تواند به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه هنگامی که فراهمی داده های جدید، نیاز به اشتقاق مجدد این توابع را الزام آور می کند، به کار رود.