ارزيابي روش غيرپارامتريك k- نزديك‌ترين همسايه و سيستم‌هاي شبكه عصبي مصنوعي براي برآورد هدايت هيدروليكي اشباع خاك

Comparing nonparametric k-nearest neighbor technique with ANN model for predicting soil saturated hydraulic conductivity

سابقه و هدف: هدايت هيدروليكي اشباع خاك از مهم‌ترين ويژگي‌هاي فيزيكي خاك است ولي در بيش‌تر موارد به‌علت محدوديت‌هاي عملي و يا هزينه‌اي، اندازه‌گيري آن با دشواري همراه است. در اين پژوهش مدل‌هاي مختلف شبكه‌هاي عصبي مصنوعي با نوعي از الگوريتم‌هاي غيرپارامتريك از نوع يادگيرنده‌هاي تنبل موسوم به k- نزديك‌ترين همسايه، براي تخمين هدايت هيدروليكي اشباع خاك از روي داده‌هاي سهل‌الوصول خاك، مورد مقايسه قرار گرفت. مواد و روش‌ها: در اين پژوهش 151 نمونه از خاك‌هاي زراعي اطراف بجنورد، انتخاب و متغيرهاي كمكي شامل فراواني ذرات، جرم مخصوص حقيقي و ظاهري همچنين هدايت الكتريكي عصاره اشباع خاك (ECe)، درصد مواد آلي خاك (OM)، رطوبت اشباع خاك (?s) و ميزان مواد خنثي‌شونده آن (TNV) جهت برآورد هدايت هيدروليكي اشباع به‌كار گرفته شد. جهت ارزيابي سيستم‌هاي شبكه عصبي مصنوعي همه داده‌ها به 3 قسمت، 50 درصد براي آموزش، 25 درصد براي تست و ساير داده‌ها براي اعتبارسنجي تقسيم شدند. طراحي ساختار مدل‌هاي MLP (پرسپترون چندلايه) توسط توابع سيگموييد و لايه مخفي انجام شد. شبكه عصبي مصنوعي براي همه مدل‌ها، با الگوريتم آموزشي لونبرگ- ماركوآردت به‌صورت يك لايه پنهان تابع آستانه logsig براي لايه پنهان وtansig براي لايه خروجي انتخاب گرديد. يافته‌ها: استفاده از پارامترهاي آماري نشان داد كه از لحاظ دقت برآورد، روش شبكه عصبي مصنوعي در مقايسه با روش غيرپارامتريك k- نزديك‌ترين همسايه در شرايط ارايه تمامي پارامترها (با داشتن آماره‌هاي 97/0=r، 946/0=EF، 798/8=RMSE، 446/28=ME و 134/0- =CRM) نسبت به ساير روش‌ها و مدل‌هاي ورودي از دقت قابل‌قبولي برخوردار مي‌باشد. نتيجه‌گيري: بررسي‌ها نشان داد كه تكنيك‌هاي مختلف توانسته‌اند تا حدي، مقادير ضريب هدايت هيدروليكي را تخمين بزنند در روش غيرپارامتريك k- نزديك‌ترين همسايه، تمركز نقاط برآوردي بر روي خط رگرسيوني 1:1 بيش‌تر از ساير روش‌هاي مورد بررسي بوده است. بهترين نتيجه مربوط به روش شبكه عصبي مصنوعي با تمامي اطلاعات بانك داده بود شاخص كارايي (57 تا 71 درصد =EF) روش k- نزديك‌ترين همسايه، نشانه توانمند بودن اين تكنيك در برآورد مقادير هدايت هيدروليكي براساس ساير پارامترهاي زوديافت خاك شامل توزيع اندازه ذرات خاك، هدايت الكتريكي عصاره اشباع خاك (EC)، درصد اشباع خاك (SP)، درصد كربن آلي خاك (OC)، مقدار مواد خنثي‌شونده (TNV)، جرم ويژه حقيقي و ظاهري خاك مي‌باشد. روش شبكه عصبي مصنوعي مي‌تواند به‌عنوان روشي جايگزين براي اشتقاق توابع انتقالي خاك، به‌ويژه هنگامي كه فراهمي داده‌هاي جديد، نياز به اشتقاق مجدد اين توابع را الزام‌آور مي‌كند، به‌كار رود.

Background and Objectives: Soil saturated hydraulic conductivity is the most important physical parameter, but its measurement often is difficult because of practical and/or cost-related reasons. In this research, expert system approaches with one type of the nonparametric lazy learning algorithms, a k-nearest neighbor (k-NN) algorithm, was compared and tested to estimate saturated hydraulic conductivity (Ks) from other easily available soil properties. Materials and Methods: In this research 151 soil samples were collected from farmlands around Bojnourd and saturated hydraulic conductivity (Ks) was estimated from other soil properties including soil textural fractions, EC, pH, SP, OC, TNV, ?s and ?b. To evaluate artificial neural network systems all the data were divided into 3 parts, 50% for training, 25% were allocated for the test and other data for validation. Design of MLP models (Multilayer Perceptron) was performed by sigmoid functions and hidden layer. ANN for all models was selected with Levenberg-Marcoardet algorithm to training as a hidden layer threshold logsig function for hidden layer and tansig for output layer. Results: Results showed that the accuracy of the parameter estimation, using parametric method of artificial neural network to compare with k-nearest neighbors for terms of all the parameters (with r=0.97, EF=0.946, RMSE=8.798, ME=28.446 and CRM= -0.144) compared to other methods input models was acceptable. Conclusion: The results showed that different techniques have estimated, hydraulic conductivity coefficient partially. The non-parametric method k-nearest neighbor, focus on the estimation of the regression line 1: 1 has been studied more than the other methods. The best result was for artificial neural network method with all information bank. Performance index k-nearest neighbor method (EF=57 to 71%), is powerful indication of this technique for estimation of soil hydraulic conductivity based on other easily available parameters, including particle size distribution, soil saturation extract, electrical conductivity (EC), saturation percentage of soil (SP), the organic carbon (OC), total of neutralizing value (TNV), bulk and apparent specific density of soil. ANN method can be used to estimate saturated hydraulic conductivity especially when new data set available.