ﮐﺎرﺑﺮد ﺷﺒﮑﻪﻫﺎي ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ و ﺗﮑﻨﯿﮏ ﺗﺤﻠﯿﻞ ﻣﻮﻟﻔﻪﻫﺎي اﺻﻠﯽ)PCA( در ﺗﺨﻤﯿﻦ زﻣﺎن ﭘﯿﺸﺮوي در آﺑﯿﺎري ﺟﻮﯾﭽﻪاي

در اين مطالعه، از شبكه هاي عصبي مصنوعي به منظور تخمين زمان پيشروي آب با استفاده از داده هاي اندازه گيري شده دبي ورودي، ضريب زبري مانينگ، شيب، طول فارو، شماره منحني نفوذ، وزن مخصوص ظاهري و رطوبت اوليه استفاده شده است. براي اين منظور از يك سري آزمايش هاي صحرايي انجام شده به روش آبياري جويچه اي در پنج مزرعه آزمايشي گلمكان مشهد، توتون اروميه، مركز تحقيقات كشاورزي صفي آباد دزفول، دانشگاه بيرجند و موسسه اصلاح بذر كرج در طي دورهي زماني تابستان 1376 تا تابستان 1385 كه داراي طيف گسترده اي از نظر بافت خاك (سبك، متوسط و سنگين) مي باشند، استفاده شد. از مجموع 240 داده ي موجود، 60 درصد اوليه (144 داده) جهت آموزش شبكه، 20 درصد جهت صحت سنجي (48 داده) و 20 درصد باقيمانده (48 داده) براي آزمون شبكه ها انتخاب شدند. متغيرهاي ورودي با استفاده از آناليز حساسيت شبكه به متغيرهاي ورودي و همچنين روش تحليل مؤلفه هاي اصلي (PCA) تعيين شدند. نتايج نشان داد كه شبكه هاي عصبي توانايي خوبي در پيش بيني زمان پيشروي داشته و با دقت بالايي زمان پيشروي را تخمين مي زنند. بهترين نتايج (R2=0.995) مربوط به مدلي است كه براي پيش بيني زمان پيشروي در جويچه، از مؤلفه هاي اصلي (PCA) در متغيرهاي ورودي استفاده مي كند. نتايج همچنين نشان مي دهند مدلي كه از پارامتر رطوبت اوليه براي تعيين زمان پيشروي استفاده مي كند (R2=0.848)، در مقايسه با مدل هايي كه از پارامترهاي ضريب زبري مانينگ (R2=0.492) و شماره منحني نفوذ (R2=0.417) استفاده مي كنند، از عملكرد بالاتري برخوردار است.