مقایسه روش های مختلف هوش مصنوعی در مدل سازی منحنی مشخصه رطوبتی خاک (مطالعه موردی: شمال و شمال شرق ایران)

میزان رطوبت خاک در مکش های گوناگون، یکی از مهم ترین نمایه های ورودی در بیش تر مدل های مرتبط با علوم کشاورزی، آب و خاک است. توابع انتقالی، خصوصیات دیریافت را با استفاده از خصوصیات پایه خاک پیش بینی می کنند و بنابراین برتری عمده آن ها، ارزان بودن و اشتقاق آسان می باشد. دو هدف عمده در این پژوهش مطرح است. هدف اول سنجش عملکرد شبکه های عصبی- فازی و عصبی- ژنتیک در اشتقاق توابع انتقالی به منظور تعیین میزان رطوبت در نقاط پتانسیلی مشخص در مقایسه با مدل های شبکه های عصبی مرسوم هم چون پرسپترون های چندلایه می باشد. دومین هدف از انجام این پژوهش، معرفی و اعتبارسنجی توابع جدید شبه پارامتریک و مقایسه کارکرد این توابع در مدل سازی منحنی مشخصه رطوبتی در مقایسه با توابع نقطه ای و پارامتریک است. برای نیل به این مقصود، 122 نمونه خاک از شمال و شمال شرق ایران با گستره ای از بافت خاک ها شامل لوم، رسی، لوم رسی و لوم شنی انتخاب شد و نتایج به دست آمده از مدل سازی توسط شبکه های مختلف با یکدیگر مقایسه شدند. نتایج نشان از توفیق مدل های شبکه عصبی مصنوعی در اشتقاق توابع 0 و / به ترتیب برابر با 0316 R و 2 RMSE انتقالی مختلف داشت به گونه ای که میانگین کلی آماره های RMSE 0/842 بود. بهترین و ضعیف ترین نتایج به ترتیب مربوط به توابع شبه پارامتریک (با آماره های 0 و / به ترتیب برابر 044 R و 2 RMSE 0) و پارامتریک (با آماره های / 0 و 92 / به ترتیب برابر 022 R و 2 0/72) بود. همچنین با توجه به نتایج به دست آمده از مدل سازی، می توان گفت که استفاده از شبکه های عصبی- فازی منجر به بهبود نتایج به دست آمده از شبکه های پرسپترون نمی شود، ولی استفاده از الگوریتم ژنتیک در ساختار شبکه های عصبی می تواند منجر به بهبود نتایج گردد.