مدل سازی ضریب آب گذری اشباع در خاک های رسی استان گیلان به وسیله شبکه های عصبی مصنوعی

اندازه گیری ضریب آب گذری اشباع خاک برای مطالعه سرعت حرکت آب و املاح در خاک، طراحی سیستم های زهکشی، تعیین میزان افت سطح ایستابی و تعیین سرعت نفوذ آب در خاک ضروری است. اندازه گیری مستقیم این پارامتر وقت گیر، مشکل و پر هزینه است، به این جهت تلاش های زیادی صورت گرفته است تا به توان به صورت غیر مستقیم این خصوصیت و یا سایر خصوصیات دیریافت خاک را به وسیله برقراری ارتباط با سایر ویژگی های زودیافت خاک تخمین زد. در این پژوهش ابتدا درصد شن، سیلت، رس، درصد کربن آلی و جرم مخصوص ظاهری به عنوان پارامترهای زودیافت و نیز مقدار ضریب آب گذری اشباع به عنوان یک پارامتر دیریافت در 221 نمونه خاک رسی استان گیلان به وسیله استوانه های مضاعف اندازه گیری شد. سپس با استفاده از نرم افزار NeuralWorks ProII Plus شبکه عصبی با ساختار پروسپترون سه لایه و الگوریتم آموزشی مارکوارت - لورنبرگ تشکیل داده شد. تعداد لایه پنهان و تعداد نرون های لایه پنهان با استفاده از روش آزمون و خطا به ترتیب 1 و 6 در نظر گرفته شد. 187 داده به عنوان داده های آموزشی و 34 داده به عنوان داده های آزمونی مدل به کار گرفته شد. با به کارگیری و مقایسه سه مدل ورودی SSCBDOC(Sand، Silt، Clay، Bulk Density، Organic Carbon)، SSC و CBDOC مشخص شد که مدل ورودی CBDOC که تنها شامل پارامتر های زودیافت درصد رس، جرم مخصوص ظاهری و کربن آلی بود با 974/0 = R2 و160/0= Root Mean Square of Residual بهترین و دقیق ترین تخمین را در مدل سازی ضریب آب گذری اشباع نشان می دهد. هم چنین میزان برتری نسبی مدل CBDOC بر دو مدل SSCBDOC و SSC به ترتیب برابر 4/2% و 48% به دست آمد. نتایج نشان داد که شبکه عصبی پروسپترون سه لایه با یک لایه پنهان و 6 نرون در این لایه که پارامتر های ورودی آن درصد رس، کربن آلی و وزن مخصوص ظاهری باشند می تواند به منظور مدل سازی و برآورد ضریب آب گذری اشباع مورد استفاده قرار گیرند.