TY - JOUR T1 - 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) TT - مقایسه و کاربرد شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم در پیش بینی هدایت هیدرولیکی اشباع خاک (مطالعه موردی: شهرستان هیرمند) JF - jwmr JO - jwmr VL - 13 IS - 25 UR - http://jwmr.sanru.ac.ir/article-1-1111-fa.html Y1 - 2022 SP - 74 EP - 85 KW - Artificial intelligence KW - Constant head KW - Early soil characteristics N2 - 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. M3 10.52547/jwmr.13.25.74 ER -