ارائه یک مدل شبکه عصبی مصنوعی برای تخمین نفوذ آب در خاک بر اساس پارامتر‌های مدل‌های‌ SCS و کوستیاکوف

نویسندگان

1 دانشکده منابع طبیعی دانشگاه تهران

2 دانشکده منابع طبیعی ، دانشگاه تهران

3 مرکز تحقیقات کشاوزی و منابع طبیعی استان لرستان

چکیده

نفوذ آب به داخل خاک یکی از فرایند‌های است که امروزه بیشتر مد نظر محققان است و نقشی بسیار اساسی در چرخۀ آبی طبیعت ایفا می‌کند. به‌دلیل تغییرپذیری‌های زمانی و مکانی این ویژگی، اندازه‌گیری مستقیم آن نیاز به نمونه‌برداری‌های فراوان دارد. بنابراین، استفاده از روش غیرمستقیم به‌جای اندازه‌گیری مستقیم به‌منظور دستیابی به تخمینی قابل قبول بسیار مفید است. در این تحقیق، از پارامتر‌های دو مدل SCS و کوستیاکوف برای مدل‌سازی با استفاده از روش شبکۀ عصبی مصنوعی برای مدل‌سازی به‌کار برده شد. هدف از این تحقیق، ارائۀ مدلی برای شبیه‌سازی و پیش‌بینی میزان نفوذ با استفاده از شبکۀ عصبی مصنوعی بود. برای این منظور، تحت یک مطالعۀ موردی در حوزۀ آبخیز داوود رشید، استان لرستان، داده‌های بارش و روانآب به‌عنوان پارامتر‌های ورودی برای توسعۀ بهترین مدل شبکۀ عصبی مصنوعی استفاده شدند. سپس با استفاده از معیار‌های ارزیابی کارایی شامل درصد خطای نسبی(RE)، ریشه میانگین مربعات خطا(RMSE)، ضریب کارایی (EF)و ضریب تبیین (R2) بهترین مدل شبکۀ عصبی مصنوعی انتخاب شد. براساس  نتایج حاصل، ساختار بهینۀ مدل شبکۀ عصبی مصنوعی، دو مدل ANN-1 و ANN- با 4 و 9 نرون در لایۀ پنهان به‌ترتیب تعیین شدند. همچنین نتایج تحقیق حاضر نشان داد، مدلی که براساس پارامتر‌های مدل سازمان حفاظت خاک آمریکا طراحی شده بود (مدلANN_1) از دقت بالاتری برای پیش‌بینی نفوذ برخوردار است

کلیدواژه‌ها


عنوان مقاله [English]

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

نویسندگان [English]

  • Alireza Moghaddam nia 1
  • Alireza Sepahvand 2
  • Mehran Lashani Zand 3
  • Mohammad Rostami Khalaj 2
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Infiltration
  • SCS Model
  • Kostiakov Model
  • Artificial Neural Network
  • Davod Rashid Watershed