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

نوع مقاله : مقاله کامل

نویسندگان

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.

چکیده

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. 

کلیدواژه‌ها


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.