فهرست نشریات علمی دسترسی آزاد ایران

هدایت هیدرولیکی اشباع خاک از مهم ترین ویژگی های فیزیکی خاک است لیکن در بیشتر موارد به علت محدودیت‌های عملی و یا هزینه‌ای، اندازه‌گیری آن با دشواری همراه است. در این پژوهش مدل‌های مختلف شبکه های عصبی مصنوعی با نوعی از الگوریتم‌های غیرپارامتریک از نوع یادگیرنده‌های تنبل موسوم به k-نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک از روی داده‌های سهل‌الوصول خاک، مورد مقایسه قرار گرفت. در این تحقیق 151 نمونه از خاکهای زراعی اطراف بجنورد، انتخاب و متغیرهای کمکی شامل فراوانی ذرات، جرم مخصوص حقیقی و ظاهری همچنین هدایت الکتریکی عصارة اشباع خاک (ECe)، درصد مواد آلی خاک (OM)، رطوبت اشباع خاک (θs)، و میزان مواد خنثی شونده آن (TNV) جهت برآورد هدایت هیدرولیکی اشباع به کار گرفته شد. استفاده از پارامترهای آماری نشان داد که از لحاظ دقت برآورد، روش شبکه عصبی مصنوعی در مقایسه با روش غیر پارامتریک k-نزدیکترین همسایه در شرایط ارائه تمامی پارامترها (با داشتن آماره‌های 97/0=r،946/0=EF، 798/8=RMSE، 446/28= MEو 134/0- =CRM) نسبت به سایر روشها و مدلهای ورودی از دقت قابل قبولی برخوردار می باشد و می تواند به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به‌ویژه هنگامی که فراهمی داده‌های جدید، نیاز به اشتقاق مجدد این توابع را الزام‌آور می‌کند، به کار رود.