دوره 13، شماره 25 - ( بهار و تابستان 1401 1401 )                   جلد 13 شماره 25 صفحات 85-74 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

bizhan I, piri H, tabatabaii M, piri J. Comparison and Application of Artificial Neural Network, Support Vector Machine and Decision Trees in Predicting the Hydraulic Conductivity of Soil Saturation (Case Study: Hirmand City). jwmr. 2022; 13 (25) :74-85
URL: http://jwmr.sanru.ac.ir/article-1-1111-fa.html
بیژن ایمان، پیری حلیمه، طباطبایی محمود، پیری جمشید. مقایسه و کاربرد شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم در پیش بینی هدایت هیدرولیکی اشباع خاک (مطالعه موردی: شهرستان هیرمند). پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1401; 13 (25) :85-74

URL: http://jwmr.sanru.ac.ir/article-1-1111-fa.html


دانشگاه زابل
چکیده:   (125 مشاهده)

مقدمه و هدف: اندازه ­گیری مستقیم هدایت هیدرولیکی خاک وقت­گیر و پرهزینه بوده و گاهی اوقات به­دلیل خطاهای آزمایشی و عدم یکنواختی خاک نتایج بدست آمده چندان قابل اعتماد نمی ­باشد. این پارامتر را می­توان با استفاده از پارامترهای زودیافت خاک برآورد کرد. تحقیق حاضر به­منظور پیش‌بینی هدایت هیدرولیکی اشباع خاک با استفاده از روش‌های درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی مصنوعی در شهرستان هیرمند انجام گرفت.
مواد و روش­ ها: برای این منظور، تعداد 130نمونه خاک از سطح (30- 0 سانتی‌متری) جمع‌آوری و برای انجام آزمایش و آنالیز‌ها، به آزمایشگاه انتقال داده شد. در آزمایشگاه پارامترهای هدایت هیدرولیکی اشباع خاک، درصد‌‌‌رس، شن و سیلت، ماده‌آلی، اسیدیته، هدایت‌الکتریکی و کربنات‌کلسیم اندازه ­گیری شد. سپس با استفاده از پارامترهای اندازه­­ گیری شده و با استفاده از مدل­های درخت تصمیم، شبکه‌ عصبی مصنوعی و ماشین بردار پشتیبان هدایت هیدرولیکی اشباع برآورد شد. به­منظور ارزیابی مدل‌ها از معیارهای ضریب تبیین، مجذور میانگین مربعات خطا و خطای مطلق میانگین استفاده شد.
یافته­ ها: 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 داده‌ها با استفاده از مدل شبکه عصبی مصنوعی نشان داد که درصد شن، درصد آهک، درصد ‌سیلت و اسیدیته به­ترتیب مهمترین فاکتور‌‌های موثر بر هدایت هیدرولیکی اشباع خاک در شهرستان هیرمند می­باشند.
نتیجه­ گیری: نتایج حاصـل بیـانگر عملکرد بسیار مطلوب روش­های هوش مصنوعی در پیش ­بینی هدایت هیدرولیکی اشباع خاک می­ باشد. در شرایطی که امکان اندازه ­گیری هدایت هیدرولیکی امکان­پذیر نباشد، می­ توان با استفاده از پارامترهای زودیافت خاک و روش­های هوش مصنوعی، هدایت هیدرولیکی را تخمین زد.
متن کامل [PDF 2151 kb]   (12 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مديريت حوزه های آبخيز
دریافت: 1399/7/2 | ویرایش نهایی: 1401/4/8 | پذیرش: 1399/9/25 | انتشار: 1401/4/8

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2022 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb