نوع مقاله : مقالات پژوهشی
نویسندگان
1 دانشگاه شهرکرد
2 دانشگاه تربیت مدرس
3 سازمان تحقیقات، آموزش و ترویج کشاورزی
چکیده
چکیده
فرآیند نفوذ آب به خاک از مهمترین اجزای چرخه هیدرولوژی در طبیعت است. در سالهای اخیر استفاده از شبکههای عصبی مصنوعی برای برآورد پدیدههای هیدرولوژی افزایشی چشمگیر داشته است. هدف از این پژوهش، بررسی امکان تخمین پارامترهای مدلهای فیلیپ، کوستیاکوف، کوستیاکوف-لوییز و هورتون با استفاده از شبکههای عصبی مصنوعی بود. بدین منظور، نفوذپذیری خاک در 123 نقطه از استانهای اردبیل، زنجان، فارس، اصفهان و بوشهر به روش استوانههای مضاعف تعیین و پارامترهای مدلها به روش حداقل مجموع مربعات خطا تعیین گردید. با حفر پروفیل در نزدیکی نقاط اندازهگیری نفوذ آب به خاک، لایههای پدوژنیک خاک مشخص و از دو افق بالایی نمونهبرداری و ویژگیهایِ رطوبت اولیه، جرم ویژه ظاهری، فراوانی نسبی ذرات، ماده آلی، درصد سنگریزه، آهک خاک، ظرفیت زراعی و رطوبت پژمردگی دایم اندازهگیری شد. شبکههای عصبی پرسپترون چند لایه برای برآورد پارامترهای نفوذ بهکار گرفته شد. از ویژگیهای زودیافت دو افق پدوژنیک خاک و پارامترهای نفوذ به ترتیب، به عنوان دادههای لایه ورودی و خروجی شبکههای عصبی استفاده شد. در این تحقیق دو نوع شبکه عصبی پیریزی شد. در گروه اول از ویژگیهای زودیافت لایهی اول بهعنوان متغیرهای ورودی استفاده شد. در شبکههای عصبی پیریزی شده گونه دوم، از ویژگیهای زودیافت هر دو لایهی پدوژنیکی به روش تجزیه مولفههای اصلی به عنوان متغیرهای ورودی استفاده گردید. مقایسه عملکرد شبکهها گونه نخست و گونه دوم، برتری شبکههای گونه نخست را در برآورد پارامترهای مدلهای نفوذ نشان داد. بنابراین، به منظور برآورد منحنی تجمعی نفوذ آب به خاک تنها از شبکههای گونه نخست استفاده گردید. بهترین رتبه برآوردگری را شبکههای طراحی شده برای مدل دو پارامتری فیلیپ داشته است. اعتبارسنجی مدلهای نفوذ نشان داد شبکههای ایجاد شده برای پارامترهای مدل فیلیپ با میانگین RMSD معادل 644/6 سانتیمتر، دارای بهترین عملکرد در برآورد نفوذ تجمعی آب به خاک بوده و شبکههای پیریزی شده برای مدلهای هورتون، کوستیاکوف-لوییز و کوستیاکوف به ترتیب در رتبههای دوم تا چهارم قرار گرفتند.
واژههای کلیدی: پرسپترون چندلایه، شبکههای عصبی مصنوعی، نفوذ آب به خاک، مدلهای نفوذ
عنوان مقاله [English]
Estimating soil water infiltration parameters using Artificial Neural Networks
نویسندگان [English]
- Sh. Ghorbani 1
- M. Homaee 2
- M.H. Mahdian 3
1 Shahrekord University
2 Department of Soil Science, Tarbiat Modares University
3 Soil Conservation and Watershed Management Research Institute, Iran
چکیده [English]
Abstract
Infiltration is a significant process which controls the fate of water in the hydrologic cycle. The direct measurement of infiltration is time consuming, expensive and often impractical because of the large spatial and temporal variability. Artificial Neural Networks (ANNs) are used as an indirect method to predict the hydrological processes. The objective of this study was to develop and verify some ANNs to predict the infiltration process. For this purpose, 123 double ring infiltration data were collected from different sites of Iran. The parameters of some infiltration models were then obtained; using sum squares error optimization method. Basic soil properties of the two upper pedogenic layers such as initial water content, bulk density, particle-size distributions, organic carbon, gravel content, CaCO3 percent and soil water contents at field capacity and permanent wilting point were obtained for each sampling point. The feedforward multilayer perceptron was used for predicting the infiltration parameters. Two ANNs types were developed to estimate infiltration parameters. The developed ANNs were categorized into two groups; type 1 and type 2 ANNs. For developing type 1 ANNs, the basic soil properties of the first upper soil horizon were used as inputs, hierarchically. While for developing type 2 ANNs the basic soil properties of the two upper soil horizons were used as inputs, using principal component analysis technique. Evaluation results of these two types ANNs showed the better performance of type 1 ANNs in predicting the infiltration parameters. Therefore, this type of ANNs was used for predicting the cumulative infiltration. The reliability test indicated that the developed ANNs for Philip model have the best performance to predict cumulative infiltration with a mean RMSE of 6.644 cm. The developed ANNs for Horton, Kostiakov-Lewis and Kostiakov have the next best ranks, respectively.
Keywords: Multilayer Perceptron, Artificial Neural Networks, Infiltration Models, Soil Infiltration
ارسال نظر در مورد این مقاله