Journal of Watershed Management Research

fa مقایسه و کاربرد شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم در پیش بینی هدایت هیدرولیکی اشباع خاک (مطالعه موردی: شهرستان هیرمند) 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) مديريت حوزه های آبخيز مديريت حوزه های آبخيز پژوهشي Research <div style="text-align: justify;"> 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. </div> <div style="text-align: justify;">Extended Abstract Introduction and Objective: Direct measurement of soil hydraulic conductivity is time consuming and costly, and sometimes the results are unreliable due to trial and error. This parameter can be estimated using early soil parameters. The present study was conducted to predict the hydraulic conductivity of soil saturation using decision tree methods, support vector machine and artificial neural network in Helmand city. Material and Methods: For this purpose, 130 soil samples were collected from the surface (0-30 cm) and transferred to the laboratory for testing and analysis. In the laboratory, the parameters of hydraulic conductivity of soil saturation, percentage of stress, sand and silt, organic matter, acidity, electrical conductivity and calcium carbonate were measured. It was then estimated using measurement parameters and using decision tree models, artificial neural network, and saturated hydraulic guidance support vector machine. In order to evaluate the models, the criteria of explanatory coefficient, square mean error and absolute mean error were used. Results: The results showed that the decision tree model with the highest coefficient of explanation (0.83) and the lowest value of the mean square of error and absolute error of average (0.0026 and 0.0019) is the best model for predicting the hydraulic conductivity of soil saturation in Hirmand region. Also, the results of data sensitivity analysis using artificial neural network model showed that sand percentage, lime percentage, silicate percentage and acidity are the most important factors affecting the hydraulic conductivity of soil saturation in Hirmand city, respectively. Conclusion: The results show the very good performance of artificial intelligence methods in predicting hydraulic conductivity of soil saturation. In cases where it is not possible to measure hydraulic conductivity, hydraulic conductivity can be estimated using early soil parameters and artificial intelligence methods.  </div> بار ثابت, ویژگی های زود یافت خاک, هوش مصنوعی Artificial intelligence, Constant head, Early soil characteristics 74 85 http://jwmr.sanru.ac.ir/browse.php?a_code=A-11-335-3&slc_lang=fa&sid=1 iman bizhan ایمان بیژن b_koochi@yahoo.com 100319475328460011791 100319475328460011791 No zabol university دانشگاه زابل halimeh piri حلیمه پیری h_piri2880@yahoo.com 100319475328460011792 100319475328460011792 Yes zabol university دانشگاه زابل mahmood tabatabaii محمود طباطبایی m_tabatabaii@yahoo.com 100319475328460011793 100319475328460011793 No zabol university دانشگاه زابل jamshid piri جمشید پیری j.piri@gmail.com 100319475328460011794 100319475328460011794 No zabol university دانشگاه زابل