An evaluation of genetic algorithm method compared to geostatistical and neural network methods to estimate saturated soil hydraulic conductivity using soil texture

Document Type: Full Article


1 Moghan College of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, I. R. Iran

2 Sama Technical and Vocatinal Training College, Islamic Azad University, Ardabil Branch, Ardabil, I. R. Iran


ABSTRACT-Determining hydraulic conductivity of soil is difficult, expensive, and time-consuming. In this study, Algorithm Genetic and geostatistical analysis and Neural Networks method are used to estimate soil saturated hydraulic conductivity using the properties of particle size distribution. The data were gathered from 134soil profiles from soil and lander form studies of the Ardabil Agricultural Organization. Results showed that Or denary cokriging has the best fit for the geostatistical methods. The best-fitted vario gram was the exponential model with anugget effect of 0 cm day-1 and sill of 156 cm day-1 which is the strength of the spatial structure and full effect of the structural components on the vario gram model for the region; also, in the or denary cokriging method, an accurate estimate was obtained using R2 = 0.93 and RMSE = 3.21.Multilayer perceptron (MLP) network used the Levenberg- Marquardt (trainlm) algorithm with are gression coefficient (R2) of 0.997 and Root Mean Square Error (RMSE) of 1.22 to estimate the hydraulic conductivity of saturated soil. For GA model, parameters of root mean square error (RMSE) cm day-1 and the coefficient of determination (R2) were determined as 1.35 and 0.926, respectively. Performance evaluation of the models showed that the Neural Networks model compared with geostatistical analysis and genetic algorithm was able to predict soil hydraulic conductivity with high and more accuracy and results of this method was closer to the measurement results. 


Article Title [Persian]

ارزیابی روش الگوریتم ژنتیک در مقایسه با روشهای زمینآماری و شبکه عصبی در تخمین هدایت هیدرولیکی اشباع خاک با استفاده از بافت خاک

Authors [Persian]

  • یاسر حسینی 1
  • رضا صدقی 2
  • سعید بایرامی 2
1 دانشکده کشاورزی و منابع طبیعی مغان، دانشگاه محقق اردبیلی، اردبیل، ج. ا. ایران.
2 دانشکده فنی وحرفه ای سما، دانشگاه آزاد اردبیل، اردبیل، ج. ا. ایران.
Abstract [Persian]

چکیده-روش‌های مستقیم اندازه‌گیری هدایت هیدرولیکی خاک پر هزینه و وقت‌گیرمی‌باشد. دراین پژوهش از روش‌های الگوریتم ژنتیک و شبکه عصبی پرسپترون چندلایه (MLP) و روش‌های زمین آماری برای تخمین هدایت هیدرولیکی اشباع خاک بااستفاده از خصوصیات درصد توزیع اندازه ذرات استفاده شد. داده‌ها از 134 پروفیل خاک در قالب مطالعات خاکشناسی و طبقه بندی اراضی که توسط سازمان جهاد کشاورزی اردبیل انجام شده بود، بدست آمد. نتایج نشان‌دادکه از میان روش‌های، زمین آماری، کوکریجینگ معمولی دارای بهترین برازش بوده و بهترین واریوگرام برازش داده شده در این روش مدل توانی1با اثر قطعه‌ای صفر2(سانتی‌متربرروز) و سقف3156 (سانتی‌متربرروز) بودکه نشان دهنده استحکام ساختارفضایی منطقه و تاثیرکامل موئلفه ساختار‌دار بر مدل واریوگرام منطقه است. همچنین در روش کوکی ریجینگ معمولی دقت برآورد باضریب تعیین (93/0R2=) و خطای (سانتی‌متربرروز21/3RMSE=) برآوردگردید. نتایج نشان‌دادکه شبکهMLPباالگوریتم آموزشی لونبرگ – مارکوات4دارای ضریب تعیین (997/0R2=) و خطای (سانتی‌متر بر روز 22/1RMSE=) در تخمین هدایت هیدرولیکی اشباع خاک می‌باشد. برای روش الگوریتم ژنتیک، مقدار ریشه مربعات خطا و ضریب تعیین به ترتیب برا بر 35/1 و 925/0 برآوردگردید. بنابراینکاراییمدل‌ها نشان داد که شبکه عصبی مصنوعی در مقایسه باروش‌های زمین آماری و الگوریتم ژنتیک توانسته دایت هیدرولیکی خاک را با دقت بالاتری برآوردنماید و نتایج آن نزدیک به نتایج اندازه گیری شده گردد. 

Keywords [Persian]

  • واژه های کلیدی:
  • زمین آمار
  • هدایت هیدرولیکی اشباع
  • روش‌های شبکه عصبی مصنوعی
  • کوک ریجینگ
  • الگوریتم ژنتیک
Ahmed, S., & Simonovic, S.P. (2005). An Artificial Neural Network  model for generating hydrograph from hydro meteorological parameters .Journal of Hydrology, 315, 236-251.

Alemi, M.H., Azari, A.S., & Nielsen, D.R. (1980). Krigingand univariate modeling of a spatial correlateddata. Soil Technology, 1, 133-147.

Azizpour, S., Fathi, P., & Nobakhtvakili, K. (2012). Estimating saturated hydraulic conductivity and porosity coupled with intelligent inverse problem approach. Journal of Science and Technology of Agriculture and Natural Resources, Soil and Water Sciences, 60, 13-22. (In Persian).

Basaran, M., Erpul, G., Ozcan, A.U., Saigon, D.S., Kibar,  M., Bayramin, I., & Yilman, F.E. (2011). Spatial information of soil hydraulic conductivity and performance of cokriging over kriging in a semi-arid basin scale. Environmental Earth Sciences, 63, 827–838.

BegayHerchgan, H., Heshmati, S.S. (2012). In dicators of ground water quality zoning of Shahrekord’s for using on irrigation system design. Agriculture Water Reourcess., 51, 24-61. (In Persian).

Cadenas, E., & Rivera, W. (2009). Short term wind speed forecasting in La Venta, Oaxaca, Me´xico, using Artificial Neural Networks. Renewable Energy, 34, 274–278.

Dahamsheh, A., & Aksoy, H. (2009). Artificial Neural Network models for forecasting inter mittent monthly precipitation in arid regions. Meteorological  Applications, 16, 325-337.

Delbari, M., Tailor mood, M., & Mahdian, M.H. (2004). Evaluation of  methods for estimating the hydraulic conductivity of the soil in areas of steep terrain and  the bottom surface water of the Sistan plain water. Journal of Agricultural Science,5, 1-12. (In Persian).

Doaie, M., Shabanpour, M., & Bagheri, F. (2005). Modeling of saturated hydraulic conductivity of Gilan Province involving Artificial Neural Networks.  The agricultural Science Research Report. Faculty of Agriculture, GilanUnivesity. (In Persian).

Golshadfasih, M., Hooshmand, A.A., & Mehdinezhadiani, B. (2014). Application of genetic algorithms for estimating the saturated soil hydraulic parameters. Journal of Soil Research (Soil and Water Sciences). 28(1), 144-151. (In Persian).

Haghverdi, A., Ghahreman, B., Jalini, M., Khoshnudyazdi, A.A., & Arabi, Z. (2011). Comparison of different methods of artificial intelligence modeling of soil moisture characteristic curve in North and North East of Iran. Research Journal of soil and water conservation methods, 18(2), 65-84. (In Persian).

Hoseini, Y. (2004). Drainag parameters optimization using geostatistical methods (Cokriging) and their impact ondrain  spacing. Faculty of Water Science Engineering, Chamran University. (In Persian).

Hosseini,  E., Gallich and, J, & Caren, J. (1993). Comparison of several in terpol ators for smoothing hydrauliccond uctivity data in south west Iran. Transactions of the ASAE, 36,1687-1693.

Kaplana, H.K., & Aggrawal, P. (2011). Geostatistical Analyst for Deciding Optimal Interpolation Strategies for Delineating Compact Zones. International Journal of Geosciences, 2, 585-596.

Kayadelen, C. (2011). Soil liquefaction modeling by Genetic Expression Programming and Neuro-Fuzzy. Expert Systems with Applications, 38, 4080-4087.

Kim, S., & Kim, H. (2008). Neural Networks and genetic algorithm approach for nonlinear evaporation and evapotrans piration  modeling. Hydrology, 351, 299-317.

Merdun, H., Ozer, C., Meral, R., & Apan, M. (2006). Comparison of Artificial Neural Network and regression pedotransfer functions for prediction of soil water retention and saturated hydraulic conductivity.  Soil and Tillage Research, 90, 108-116.

Navabian, M., Liaghat, A.M., & Homaee,M.(2004).  Estimating soil saturated hydraulic conductivity using pedotransfer functions.  Journal of Agricultural Engineering Research, 4,1-11.

Nezami, M.T., & Alipour, Z.T. (2012). Preparing of the soil salinity map using geastatistics method in Qazvin plaine. Journal of Soil Science and Environmental Management, 3, 36-41. 

Prasad, R., & Mathur, S. (2007). Ground water Flow and Contaminant Transport Simulation with Imprecise Parameters. Irrigation and Drainage Engineering, 133(1) 61-70.

Salazar, O., Wesstrom, I., & Joel. A.  (2008). Evaluation of Drainmod using  saturated hydraulic conductivity stimated by a pedestrians fer function model. Journal of Agricultural Water Management, 95, 1135 – 1143.

Venkatesan, P., & Anitha,S. (2006). Application of a radial basis function neural network for diagnosis of diabetes mellitus. Current Science, 91, 1195–1199.