مقايسه روش هاي مختلف هوش مصنوعي در مدل سازي منحني مشخصه رطوبتي خاك(مطالعه موردي: شمال و شمال شرق ايران)

Comparison of different Artificial Intelligence methods in modeling water retention curve (Case study: North and Northeast of Iran)

چكيده 1 ميزان رطوبت خاك در مكش هاي گوناگون، يكي از مهم ترين نمايه هاي ورودي در بيش تر مدل هاي مرتبط با علوم كشاورزي، آب و خاك است. توابع انتقالي، خصوصيات ديريافت را با استفاده از خصوصيات پايه خاك پيش بيني مي كنند و بنابراين برتري عمده آن ها، ارزان بودن و اشتقاق آسان مي باشد. دو هدف عمده در اين پژوهش مطرح است. هدف اول سنجش عملكرد شبكه هاي عصبي- فازي و عصبي- ژنتيك در اشتقاق توابع انتقالي به منظور تعيين ميزان رطوبت در نقاط پتانسيلي مشخص در مقايسه با مدل هاي شبكه هاي عصبي مرسوم هم چون پرسپترون هاي چندلايه مي باشد. دومين هدف از انجام اين پژوهش، معرفي و اعتبارسنجي توابع جديد شبه پارامتريك و مقايسه كاركرد اين توابع در مدل سازي منحني مشخصه رطوبتي در مقايسه با توابع نقطه اي و پارامتريك است. براي نيل به اين مقصود، 122 نمونه خاك از شمال و شمال شرق ايران با گستره اي از بافت خاك ها شامل لوم، رسي، لوم رسي و لوم شني انتخاب شد و نتايج به دست آمده از مدل سازي توسط شبكه هاي مختلف با يكديگر مقايسه شدند. نتايج نشان از توفيق مدل هاي شبكه عصبي مصنوعي در اشتقاق توابع 0 و / به ترتيب برابر با 0316 R و 2 RMSE انتقالي مختلف داشت به گونه اي كه ميانگين كلي آماره هاي 66 RMSE 0/842 بود. بهترين و ضعيف ترين نتايج به ترتيب مربوط به توابع شبه پارامتريك (با آماره هاي 0 و / به ترتيب برابر 044 R و 2 RMSE 0) و پارامتريك (با آماره هاي / 0 و 92 / به ترتيب برابر 022 R و 2 0/72 ) بود. همچنين با توجه به نتايج به دست آمده از مدل سازي، مي توان گفت كه استفاده از شبكه هاي عصبي- فازي منجر به بهبود نتايج به دست آمده از شبكه هاي پرسپترون نمي شود، ولي استفاده از الگوريتم ژنتيك در ساختار شبكه هاي عصبي مي تواند منجر به بهبود نتايج گردد. واژه هاي كليدي: توابع انتقالي، شبكه هاي عصبي- فازي، شبكه هاي ژنتيك-فازي، منحني مشخصه رطوبتي

Abstract1 Soil moisture in different potentials is one of the most important input parameters in majority of models, which related to agriculture, water and soil sciences. Pedotransfer functions (PTFs) predict the less readily properties using easily collected soil parameters; so they have these advantages to be inexpensive and easy deriving. Two important targets were designed in this paper. First target is performance evaluation of Fuzzy Neural Networks (Fuzzy-NN) and Genetic Algorithm Neural Network (GA-NN) in comparison routine neural networks such as Multilayer Perceptrons (MLPs) in predicting moisture in predefined potential points. The second target is introducing and evaluating a new PTF, pseudo parametric and comparing its performance in modeling water retention curve with point and parametric PTFs. For achieving these targets, 122 soil samples from north and northeast of Iran in variety of soil textures, such as loam, clay, clay loam and sandy loam were selected and modeling results from different networks were compared. Results showed that in general the performance of all structures of neural networks was acceptable, so that the average of R2 and RMSE statistics were 0.0316 and 0.842 respectively. The best and worse results belonged to pseudo parametric (with R2=0.92 and RMSE=0.022) and Parametric PTFs (with R2=0.72 and RMSE=0.044), respectively. In addition, according to results we can say using Fuzzy-NN could not improve the performance of MLPs but GA-NN could. Keywords: Pedotransfer functions, GA-NN, Fuzzy-NN, Water retention curve