مقایسه عملکرد شبکه های عصبی مصنوعی و برنامه ریزی بیان ژن در برآورد منحنی مشخصه آب در خاک های جنگلی

منحنی مشخصه آب خاک یکی از پارامترهای فیزیکی مهم و کاربردی در مطالعات مرتبط با جریان آب در خاک شناخته می شود. روش مستقیم اندازه گیری منحنی مشخصه آب خاک مستلزم صرف زمان و هزینه بالایی است. به همین دلیل روش های غیرمستقیم متنوعی از جمله مدل های هوشمند توسعه پیدا نموده اند. در این تحقیق عملکرد سه روش شبکه های عصبی پرسپترون چندلایه (MLP)، شبکه های عصبی آبشاری (Cascade-NN) و برنامه ریزی بیان ژن (GEP) در برآورد منحنی مشخصه آب خاک مورد ارزیابی و مقایسه قرار گرفت. در این پژوهش اطلاعات اندازه گیری شده مربوط به تعداد 108 نمونه خاک مناطق جنگلی شامل درصد توزیع اندازه ذرات خاک، مقادیر رطوبت در هفت مکش مختلف و جرم مخصوص ظاهری مورد استفاده قرار گرفت. سه سناریو شامل ترکیب های مختلف از داده های ورودی تعیین و مدل های مذکور برای هر کدام اجرا شد. مقایسه مقادیر پیش بینی شده و مشاهداتی رطوبت خاک نشان دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R2 برای بهترین ساختار در سه روش شبکه های عصبی MLP، Cascade-NN و GEP به ترتیب 95/0، 96/0 و 93/0 و مقادیر RMSE نیز به ترتیب 74/3، 25/3 و 10/4 درصد بود. مقایسه نتایج سناریوهای مختلف داده ورودی نیز نشان داد، دقت و اختلاف بین نتایج مدل ها در سناریوی اول کم بود ولی در سناریوی دوم و سوم به ترتیب با اضافه شدن پارامترهای تخلخل و رطوبت نقطه ظرفیت زراعی به داده های ورودی، دقت و از سوی دیگر اختلاف بین نتایج مدل ها بیشتر شد. در نهایت شبکه های عصبی آبشاری با استفاده از تمام داده های فیزیکی اشاره شده به عنوان گزینه مطلوب شناخته شد.