مقایسه مدل های شبکه های عصبی مصنوعی و رگرسیون آماری برای پیش بینی هدایت هیدرولیکی اشباع خاک

هدایت هیدرولیکی اشباع خاک (Ks) از جمله مهمترین خصوصیات فیزیکی و هیدرولیکی مورد نیاز در مدل سازی های آب-خاک است. به علت وقت گیر و پرهزینه بودن ذاتی اندازه گیری Ks، برآورد آن از خصوصیات فیزیکی و شیمیایی اولیه، ارزان و سهلل الوصول اندازه گیری شده خاک اهمیت بسیار زیادی دارد. در دو دهه اخیر، گسترش روش های برآورد تحت عنوان توابع انتقالی، که از متغیرهای کمکی سهلل الوصول بهره می گیرند، نقطه عطفی در مطالعات خاک بوده است. تحقیق حاضر جهت (1) بسط و توسعه توابع انتقالی مختلف و (2) ارزیابی و مقایسه مدل های توابع انتقالی براساس رگرسیون آماری و شبکه عصبی مصنوعی در برآورد Ks در زیرحوزه رودخانه زاینده رود واقع در استان چهارمحال و بختیاری انجام شد. کل داده ها به دو زیر مجموعه، شامل داده های مدل سازی (86=n) و ارزیابی (25=n) تقسیم شدند. ریشه میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و درصد بهبود نسبی (RI) به عنوان شاخص های ارزیابی مورد استفاده قرار گرفتند. مدل های توابع انتقالی براساس شبکه عصبی مصنوعی تخمین قابل اطمینان تری نسبت به توابع انتقالی براساس رگرسیون آماری ارائه دادند.