عنوان پایان‌نامه
استفاده از شبکه عصبی مصنوعی جهت برآورد منحنی رطوبتی تعدادی از خاکهای آهکی
- رشته تحصیلی
- مهندسی کشاورزی- علوم خاک گرایش فیزیک و حفاظت خاک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 45818;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 4059
- تاریخ دفاع
- ۱۴ مهر ۱۳۸۹
- دانشجو
- علی بلیانی
- استاد راهنما
- مهدی شرفا
- چکیده
- از موارد استفاده منحنی¬ نگهداشت آب خاک می¬توان به مشخص نمودن میزان آب قابل دسترس گیاه در خاک و مدل کردن حرکت آب درون خاک غیر اشباع اشاره نمود. این منحنی به طور مستقیم از طریق روش¬های آزمایشگاهی و مزرعه¬ای قابل حصول است. این روش اندازه¬گیری زمان بر، سخت و پرهزینه می¬باشد. منحنی رطوبتی به روش توابع انتقالی با کمک خصوصیات زود یافت خاک (مانند بافت، جرم مخصوص ظاهری، و مقدار مواد آلی خاک) قابل تخمین است. در این پژوهش منحنی نگهداشت آب خاک به صورت نقطه¬ای و پارامتریک با استفاده از توابع انتقالی از نوع شبکه عصبی مصنوعی و رگرسیونی از روی خصوصیات زود یافت خاک مانند توزیع اندازه ذرات، جرم مخصوص ظاهری، درصد مواد آلی و درصد آهک خاک تخمین زده شد و توانایی تخمین این دو روش با تعدادی از پارامترهای آماری ارزیابی گردید. 70 نمونه خاک برای ایجاد توابع انتقالی مورد استفاده قرار گرفت ابتدا نمونه¬های خاک بر روی صفحه تحت فشار قرار گرفتند و رطوبت آنها در مکش¬های 1/0، 3/0، 5/0، 1، 5، 10 و 15 بار اندازه¬گیری شد. سپس یک سری چهار تایی از شبکه¬های عصبی و توابع رگرسیونی ایجاد گردید. سری الف) دارای متغیرهای ورودی بافت، جرم مخصوص ظاهری، درصد مواد آلی و درصد آهک خاک، سری ب) دارای همان متغیرهای سری الف به جزء درصد آهک، سری ج) دارای همان متغیرهای سری ب به جزء درصد مواد آلی خاک و سری د) دارای همان متغیرهای سری ج به جز جرم مخصوص ظاهری خاک بودند. سری¬های الف تا د هر کدام دو نوع خروجی متفاوت شامل مقدار رطوبت حجمی در پتانسیل¬های ماتریک مختلف و پارامترهای معادله ون گنوختن یکی به وسیله شبکه عصبی مصنوعی و دیگری توابع انتقالی نشان دادند. دقت مقادیر تخمین زده شده با مقادیر اندازه¬گیری شده با کمک پارامترهای آماری چون ضریب تعیین (R2) و ریشه میانگین مربعات خطا (RMSE) ارزیابی شدند. مقادیر R2 از 611/0 تا 911/0 و RMSE از 817/0 تا 494/1 برای شبکه عصبی مصنوعی و از 481/0 تا 812/0 و از 263/1 تا 411/1 برای توابع رگرسیون جهت تخمین نقطه¬ای منحنی نگهداشت رطوبتی تغییر کرده و مقادیر RMSE از 440/0 تا 932/0 و R2 از 013/0 تا 0123/0 برای شبکه عصبی مصنوعی و از 515/0 تا 847/0 و از 0098/0 تا 0156/0 برای توابع رگرسیون جهت تخمین پارامتریک منحنی رطوبتی متغییر بود. نتایج این پژوهش نشان داد که دقت مدل شبکه¬های عصبی بیشتر از روش استفاده از توابع رگرسیونی است. کلمات کلیدی: توابع رگرسیونی، شبکه عصبی مصنوعی، منحنی نگهداشت آب خاک
- Abstract
- Abstract Soil water retention curves have different uses. The most common ones are showing the amount of available water and modeling of water movement through unsaturated soils. These curves can be obtained by direct methods such as laboratory and field measurements. These measurements are expensive and time consuming. In this study soil water retention curves were estimated by two methods of point and parametric PTFs with using soil particle size distribution, bulk density, lime and organic matter percentage. These methods of PTFs were validated by artificial neural network (ANN) and multiple-linear regression functions. Then the results of ANN and regression functions were compared by statistical parameters such as determination coefficient (R2) root mean square error (RMSE). 70 soil samples were taken from kordan area in iran for validation of PTFs. At first the moisture of the samples were measured at different suctions such as these 0.1, 0.3, 0.5, 1, 5, 10 and 15 bar by pressure plates. Then four series of neural networks and regression functions (A, B ,C and D) were developed. The input variables for A series were particle size distribution, bulk density, lime and organic matter percentages. B series had the same input variables of A except lime percentage. C series had the same variables of B except organic matter percentage, and finally D series had the same variables of C except BD. These four series showed different output of volumetric water content at different suctions and also van Genuchten,s parameters were different two by different methods of ANN and regression functions. The accuracy of the predictions were evaluated by comparison of R2¬¬ and RMSE between the measured and predicted values. The results showed that for the method of point PTFs the R2 and RMSE varied from 0.611 to 0.911 and from 0.817 to 1.494 for ANN, and varied from 0.481 to 0.812 and from 1.263 to 1.411 for regression functions. And for the method of parametric PTFs, the R2 and RMSE varied from 0.440 to 0.932 and from 0.013 to 0.0123 for ANN, and varied from 0.515 to 0.847 and from 0.0098 to 0.0156 for regression functions respectively. Finally these results showed that the accuracy of artificial neural networks is more than regression functions. Keyword: Artificial neural networks, Regression functions, Soil water retention curve
