ارائه يك مدل شبكه عصبي مصنوعي براي تخمين نفوذ آب در خاك بر اساس پارامتر‌هاي مدل‌هاي‌ SCS و كوستياكوف

Application of Artificial Neural Networks Technique to Infiltration Determination based on SCS and Kostiakov Models\ Parameters

نفوذ آب به داخل خاك يكي از فرايند هاي است كه امروزه بيشتر مد نظر محققان است و نقشي بسيار اساسي در چرخۀ آبي طبيعت ايفا مي كند. به دليل تغييرپذيري هاي زماني و مكاني اين ويژگي، اندازه گيري مستقيم آن نياز به نمونه برداري هاي فراوان دارد. بنابراين، استفاده از روش غيرمستقيم به جاي اندازه گيري مستقيم به منظور دستيابي به تخميني قابل قبول بسيار مفيد است. در اين تحقيق، از پارامتر هاي دو مدل SCS و كوستياكوف براي مدل سازي با استفاده از روش شبكۀ عصبي مصنوعي براي مدل سازي به كار برده شد. هدف از اين تحقيق، ارائۀ مدلي براي شبيه سازي و پيش بيني ميزان نفوذ با استفاده از شبكۀ عصبي مصنوعي بود. براي اين منظور، تحت يك مطالعۀ موردي در حوزۀ آبخيز داوود رشيد، استان لرستان، داده هاي بارش و روانآب به عنوان پارامتر هاي ورودي براي توسعۀ بهترين مدل شبكۀ عصبي مصنوعي استفاده شدند. سپس با استفاده از معيار هاي ارزيابي كارايي شامل درصد خطاي نسبي(RE)، ريشه ميانگين مربعات خطا(RMSE)، ضريب كارايي (EF)و ضريب تبيين (R2) بهترين مدل شبكۀ عصبي مصنوعي انتخاب شد. براساس نتايج حاصل، ساختار بهينۀ مدل شبكۀ عصبي مصنوعي، دو مدل ANN-1 و ANN- با 4 و 9 نرون در لايۀ پنهان به ترتيب تعيين شدند. همچنين نتايج تحقيق حاضر نشان داد، مدلي كه براساس پارامتر هاي مدل سازمان حفاظت خاك آمريكا طراحي شده بود (مدلANN_1) از دقت بالاتري براي پيش بيني نفوذ برخوردار است

Infiltration of water into the soil accounts as a phenomenon in which most of researchers and scientists are interested so it acts a prominent role in the water cycling. Owing to temporal and spatial variation of infiltration, measuring of it in a direct way requires a long time and high cost. Thus, using a method for measuring the soil infiltration in an indirect way instead of direct way for achieving to an appropriate estimation of infiltration rate will be so valuable. The present research has been done for determining the best Artificial Neural Network (ANN) model based on the parameters of two models SCS and Kostiakov. According to two applied infiltration models, two ANN models developed so called ANN-1 and ANN-2 respectively. In this research, rain and runoff data were used as the inputting layers to the ANN then two models ANN-1 and ANN-2 were developed. Afterward the best model was selected by some criteria of error assessment, such as percentage of relative error (RE), root mean square error (RMSE), modeling efficiency coefficient (EF) and coefficient of descriptive (R2). After several trial and error runs, optimum structures for two ANN models have been created with 4 and 9 hidden layers respectively. The results showed that ANN-1 developed by SCS infiltration model could estimate the infiltration rate with higher accuracy than ANN-2 crated by Kostiakov infiltration model.