مقایسه و کاربرد شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم در پیش بینی هدایت هیدرولیکی اشباع خاک (مطالعه موردی: شهرستان هیرمند)
اندازه گیری مستقیم هدایت هیدرولیکی خاک وقت گیر و پرهزینه بوده و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک نتایج بدست آمده چندان قابل اعتماد نمی باشد. این پارامتر را می توان با استفاده از پارامترهای زودیافت خاک برآورد کرد. تحقیق حاضر به منظور پیش بینی هدایت هیدرولیکی اشباع خاک با استفاده از روش های درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی مصنوعی در شهرستان هیرمند انجام گرفت.
برای این منظور، تعداد 130نمونه خاک از سطح (30- 0 سانتی متری) جمع آوری و برای انجام آزمایش و آنالیز ها، به آزمایشگاه انتقال داده شد. در آزمایشگاه پارامترهای هدایت هیدرولیکی اشباع خاک، درصد رس، شن و سیلت، ماده آلی، اسیدیته، هدایت الکتریکی و کربنات کلسیم اندازه گیری شد. سپس با استفاده از پارامترهای اندازه گیری شده و با استفاده از مدل های درخت تصمیم، شبکه عصبی مصنوعی و ماشین بردار پشتیبان هدایت هیدرولیکی اشباع برآورد شد. به منظور ارزیابی مدل ها از معیارهای ضریب تبیین، مجذور میانگین مربعات خطا و خطای مطلق میانگین استفاده شد.
نتایج نشان داد که مدل درخت تصمیم با دارا بودن بالاترین ضریب تبیین (0/83) و کمترین مقدار میانگین مربعات خطا و خطای مطلق میانگین (0/0026 و 0/0019) بهترین مدل برای پیش بینی هدایت هیدرولیکی اشباع خاک در منطقه هیرمند می باشد. همچنین نتایج آنالیز حساسیت داده ها با استفاده از مدل شبکه عصبی مصنوعی نشان داد که درصد شن، درصد آهک، درصد سیلت و اسیدیته به ترتیب مهمترین فاکتور های موثر بر هدایت هیدرولیکی اشباع خاک در شهرستان هیرمند می باشند.
نتایج حاصل بیانگر عملکرد بسیار مطلوب روش های هوش مصنوعی در پیش بینی هدایت هیدرولیکی اشباع خاک می باشد. در شرایطی که امکان اندازه گیری هدایت هیدرولیکی امکان پذیر نباشد، می توان با استفاده از پارامترهای زودیافت خاک و روش های هوش مصنوعی، هدایت هیدرولیکی را تخمین زد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.