ارائه مدلی غیرپارامتریک برای برآورد هدایت هیدرولیکی اشباع خاک با استفاده از روش k- نزدیکترین همسایه

نوع مقاله : مقالات پژوهشی

نویسندگان

چکیده

چکیده
هدایت هیدرولیکی خاک در بسیاری از مطالعات مربوط به حرکت آب و انتقال املاح موردنیاز می باشد، لیکن در بیشتر موارد به علت محدودیت-های عملی و یا هزینه ای، اندازه گیری آن با دشواری همراه است. رویکردهای غیرپارامتریک از جنبه های مختلفی برای تخمین متغیرهای پیوسته بکار رفته اند. در این پژوهش نوعی از الگوریتم های غیرپارامتریک از نوع یادگیرنده های تنبل موسوم به k - نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده از دیگر ویژگیهای کمکی خاک شامل توزیع اندازه ذرات، هدایت الکتریکی عصارة اشباع (ECe)، رطوبت اشباع (sθ)، درصد کربن آلی (OC)، مقدار مواد خنثی شونده (TNV) و جرم ویژۀ حقیقی و ظاهری بکار گرفته شد. بر اساس تکنیک ارزیابی تقاطعی برای تخمین هدایت هیدرولیکی اشباع هر نمونه خاک هدف، تعداد 10 نمونه خاک که حداکثر تشابه با خاک هدف را داشتند، از بانک مرجع که حاوی 151 نمونه خاک بود، انتخاب و مقدار هدایت هیدرولیکی اشباع آنها برآورد گردید. استفاده از آماره های ضریب همبستگی پیرسون(801/0=r)، خطای ماکزیمم (4/120=ME)، ریشه میانگین مربعات خطا (5/71=RMSE)، ضریب تبیین (32/1=CD)، کارآیی مدل (65/0=EF) و ضریب جرم باقیمانده (046/0-=CRM) نشان داد که در بیشتر موارد، این تکنیک بصورتی قابل قبول توانایی تخمین کمّیت موردنظر را دارد. بر این اساس، می توان نتیجه گیری کرد که استفاده از این تکنیک به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به ویژه هنگامی که فراهمی داده های جدید؛ نیاز به اشتقاق مجدد این توابع را الزام آور می کند، می تواند بکار رود.

واژه های کلیدی: تکنیک k-نزدیکترین همسایه، مدل سازی، هدایت هیدرولیکی اشباع خاک

عنوان مقاله [English]

A Nonparametric Model by Using k-nearest neighbor Technique for Predicting Soil Saturated Hydraulic Conductivity

نویسندگان [English]

  • V.R Jalali
  • M. Homaee
چکیده [English]

Abstract
Saturated hydraulic conductivity (Ks) is needed for many studies related to water and solute transport, but often cannot be measured because of practical and/or cost-related reasons. Nonparametric approaches are being used in various fields to estimate continuous variables. One type of the nonparametric lazy learning algorithms, a k-nearest neighbor (k-NN) algorithm, was introduced and tested to estimate saturated hydraulic conductivity (Ks) from other soil properties including soil textural fractions, EC, pH, SP, OC, TNV, ρs and ρb. A number of 10 nearest neighbors, based on Cross Validation technique were selected to perform saturated hydraulic conductivity prediction from 151 soil sample attributes. The nonparametric k-NN technique performed mostly equally well, in terms of Pearson correlation coefficient (r=0.801), modeling efficiency (EF=0.65), root-mean-squared errors (RMSE=71.15) maximum error (ME=120.47), coefficient of determination (CD=1.32) and coefficient of residual mass (CRM=-0.046) statistics. It can be concluded that the k-NN technique is a competitive alternative to other techniques such as pedotransfer functions (PTFs) to estimate saturated hydraulic conductivity.

Keywords: k-nearest neighbor (k-NN), Modeling, Saturated hydraulic conductivity