برآورد هدایت هیدرولیکی اشباع خاک های منتخب از دشت اردبیل با استفاده از مدل های رگرسیونی و شبکه های عصبی مصنوعی

هدایت هیدرولیکی اشباع به عنوان یک ویژگی دیریافت می تواند از ویژ گی های زودیافت خاک شامل جرم ویژه ظاهری، بافت خاک، کربن آلی، کربنات کلسیم معادل با استفاده از توابع انتقالی رگرسیونی و شبکه های عصبی مصنوعی برآورد شود. هدایت هیدرولیکی اشباع خاک به روش بار افتان در 100 نمونه خاک جمع آوری شده از دشت اردبیل تعیین شد. بعد از انجام تجزیه های شیمیایی و فیزیکی روی نمونه های خاک، داده ها به دو سری داده های آموزشی (80 نمونه) و داده های اعتبارسنجی (20 نمونه) تقسیم شدند. مدل های رگرسیونی توسط نرم افزار SPSS و به روش گام به گام و مدل های شبکه عصبی توسط نرم افزار Neurosolution  شکل گرفتند. برای انجام تجزیه های آماری از ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و ضریب آکائیک (AIC) استفاده شد. بهترین مدل رگرسیونی دارای متغیرهای شن، سیلت و جرم مخصوص ظاهری بود و بهترین مدل شبکه عصبی از متغیرهای ورودی میانگین هندسی قطر ذرات خاک، انحراف معیار هندسی قطر ذرات خاک و جرم مخصوص ظاهری به دست آمد. مقادیر R2، (cm min-1)RMSE در فاز آموزش و اعتبارسنجی برای بهترین مدل رگرسیونی به ترتیب برابر (53/0، 074/0 و 51/0، 052/0) و برای بهترین مدل شبکه عصبی به ترتیب برابر (84/0، 04/0 و 73/0، 06/0) بود. در این پژوهش به صورت جداگانه از تمامی پارامترهای مستقل شامل جرم مخصوص ظاهری، جرم مخصوص حقیقی، درصد آهک، میانگین هندسی قطر و انحراف معیار هندسی قطر ذرات خاک به عنوان ورودی در تکنیک شبکه عصبی استفاده شد. مقادیر R2 و (cm min-1) RMSE در مرحله آموزش و آزمون به ترتیب برابر (87/0، 036/0 و 58/0، 076/0) بود. نتایج تحقیق در این مورد نشان داد شبکه های عصبی با داده های ورودی یکسان هدایت هیدرولیکی اشباع خاک را با دقت بیشتری (84/0=R2) نسبت به مدل های رگرسیونی (53/0=R2) برآورد می کنند. همچنین مشاهده شد زمانی که تعداد داده های ورودی در روش شبکه عصبی افزایش می یابد دقت برآورد در داده های آموزشی بیشتر می شود.