ارزيابي كارايي الگوريتم مديريت داده ها به روش گروهي (GMDH) براي پيش بيني شاخص هاي نگهداري آب در خاك هاي شاليزاري

Evaluation of gGroup Mmethod of dData Hhandling (GMDH) Aalgorithm eEfficiency for Ppredicting Wwater Rretention Iindices in pPaddy Ssoils

صحت توابع انتقالي در پيش بيني خواص هيدروليكي خاك را مي توان با استفاده از توابع پرانعطاف افزايش داد. اين تحقيق به منظور ارزيابي كارايي توابع با قابليت انعطاف متفاوت (رگرسيون هاي خطي و غير خطي چند متغيره (MLR)، فيزيكي- تجربي آريا و پاريس (AP)، شبكه عصبي مصنوعي(ANN)، مديريت داده ها به روش گروهي (GMDH) در پيش بيني مقدار آب خاك در حد ظرفيت مزرعه اي و نقطه پژمردگي دايم خاك هاي شاليزاري اجرا گرديد. توابع انتقالي با استفاده از داد ه هاي توزيع اندازه ذرات، كربن آلي، چگالي ظاهري و مقدار رطوبت حجمي خاك در مكش هاي 33 و 1500 كيلوپاسكال در 136 نمونه خاك اراضي شاليزاري ساخته شد. الگوريتم GMDH در مقايسه با ديگر توابع انتقالي با كمترين ريشه ميانگين مربعات خطا (RMSE)، كمترين محك آكايك (AIC) و بيشترين نمايه توافق (D) از صحت و اعتبار بيشتري در پيش بيني مقدار رطوبت حجمي خاك در مكش هاي 33 و 1500 كيلوپاسكال برخوردار بود. به نظر مي‌رسد الگوريتم GMDH در تعيين روابط غيرخطي و پيچيده بين متغيرهاي پايه مانند توزيع اندازه ذرات، چگالي ظاهري خاك و كربن آلي با مقدار رطوبت حجمي خاك در مكش هاي 33 و 1500 كيلوپاسكال موفق تر از ديگر توابع انتقالي عمل نموده است.

Accuracy of the pedo-transfer functions can be improved using more flexible equations. The objective of this study was to compare pedo-transfer functions with different flexibility [e.g. multiple linear regression (MLR), the physic-empirical model of Arya and Paris (AP), artificial neural network (ANN), and group method of data handling (GMDH)] for predicting soil water contents at field capacity and permanent wilting point. Pedo-transfer functions were developed from data of particle size distribution, organic carbon, bulk density, and water contents at 0.33 and 1500 kPa. The accuracy and reliability of the GMDH algorithm was superior to the other pedo-transfer functions for predicting the soil volumetric water contents at field capacity and permanent wilting point, because of lower roots mean squared error (RMSE) and AIC criteria and larger agreement index (D-index). It seems that the GMDH superiority is due to its higher capability to determine nonlinear and complex relationships between soil factors affecting soil water contents at field capacity and permanent wilting points.