
تعداد نشریات | 13 |
تعداد شمارهها | 622 |
تعداد مقالات | 6,491 |
تعداد مشاهده مقاله | 8,612,653 |
تعداد دریافت فایل اصل مقاله | 8,201,679 |
مقایسه مدلهای درخت تصمیم و یادگیری برپایه نمونه در برآورد هدایت هیدرولیکی اشباع خاک | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 9، دوره 25، شماره 5، آذر و دی 1397، صفحه 167-184 اصل مقاله (504.15 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2018.15150.3032 | ||
نویسندگان | ||
مهنوش فرزادمهر1؛ مهدی دستورانی* 2؛ عباس خاشعی سیوکی3 | ||
1دانشجویی کارشاسی ارشد دانشگاه بیرجند | ||
2استادیار گروه مهندسی آب دانشگاه بیرجند | ||
3عضو هیات علمی دانشگاه بیرجند | ||
چکیده | ||
سابقه و هدف: هدایت هیدرولیکی اشباع خاک یکی از مهمترین خصوصیات هیدرولیکی خاک است که بر حرکت آب در خاک موثر است. شناخت این ویژگی میتواند به درک بسیاری از مشکلات زیست محیطی کمک کند. از طرفی اندازهگیری این ویژگی با روشهای مستقیم مزرعهای و آزمایشگاهی دشوار، زمانبر و هزینهبر است و استفاده از روشهای جایگزینی را میطلبد که بتوان با صرف وقت، هزینه و زمان کمتری آن را از روی دادههای زودیافت خاک تخمین زد. روشهای ناپارامتریک از جمله روشهای غیرمستقیم و نوین برآورد خصوصیات هیدرولیکی خاک از جمله هدایت هیدرولیکی اشباع میباشند. هدف از این پژوهش مقایسه روش درخت تصمیم و یک روش یادگیری برپایه نمونه ( IBk) که یک ردهبند با k همسایه نزدیک است در برآورد هدایت هیدرولیکی اشباع خاک، از روی خصوصیات زودیافت آن است. مواد و روشها: در این پژوهش، از مجموعه دادهای با اطلاعات خاکشناسی 151 نمونه خاک که از منطقهای در بجنورد گردآوری شده بود استفاده شد. خصوصیات زودیافت خاک شامل درصد شن، سیلت، رس، جرم مخصوص ظاهری، جرم مخصوص حقیقی، هدایت الکتریکی، درصد کربن آلی، درصد مواد خنثیشونده، رطوبت اشباع و اسیدیته بود. هدایت هیدرولیکی اشباع نمونهها با استفاده از دستگاه نفوذسنج گلف اندازهگیری شده بود. برای تعیین مهمترین پارامترها در پیشبینی و مدلسازی هدایت هیدرولیکی اشباع، از آزمون گاما استفاده شد. ترکیبات مختلف از پارامترهای موجود در بانک داده بر اساس مقدار گاما با یکدیگر مقایسه شدند و ترکیب بهینه برای مدلسازی معین شد. مدلسازی با استفاده از دو روش ناپارامتریک یعنی درخت تصمیم با بهرهگیری از الگوریتم M5P و روش یادگیری برپایه نمونه با بهرهگیری از الگوریتم IBk با استفاده از ترکیب بهینه پارامترها که کمترین مقدار گاما را داشت صورت گرفت. برای بهبود عملکرد IBk دو نوع تابع وزندهی فاصله استفاده شد. در آخر معیارهای ارزیابی مدلها شامل ضریب تعیین (R2)، جذر میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و درصد میانگین قدر مطلق خطا (MAPE) محاسبه شدند. یافتهها: ترکیب بهینهای که از آزمون گاما به دست آمد برای مدلسازی هر دو روش استفاده شد. این ترکیب شامل پارامترهای درصد شن، سیلت، رس، درصد مواد خنثی شونده، هدایت الکتریکی و جرم مخصوص ظاهری خاک بود. مدل M5P، پارامتر جرم مخصوص ظاهری خاک را به عنوان مهمترین متغیر دستهبندیکننده انتخاب کرد و سه رابطه خطی برای برآورد هدایت هیدرولیکی اشباع با توجه به مقدار جرم مخصوص ظاهری ایجاد کرد. معیارهای ارزیابی نشان دادند که این مدل با جذر میانگین مربعات خطای 89/23 سانتیمتر بر روز و میانگین قدر مطلق خطای 50/20 درصد، دقت بالایی در پیشبینی هدایت هیدرولیکی اشباع نداشت. استفاده از دو نوع تابع وزندهی تاثیری بر بهبود نتایج مدل IBk نداشتند. مدل IBk نیز با جذر میانگین مربعات خطای 23/31 سانتیمتر بر روز و میانگین قدر مطلق خطای 24/23 درصد دقت بالایی نداشت. نتیجهگیری: برای برآورد هدایت هیدرولیکی اشباع، درخت تصمیم مدل مناسبتری نسبت به مدل یادگیری برپایه نمونه بود، همچنین این مدل اطلاعاتی از ساختار خاک تحت بررسی نیز به دست داد. | ||
کلیدواژهها | ||
آزمون گاما؛ درخت تصمیم؛ الگوریتم IBK؛ الگوریتم M5P | ||
مراجع | ||
1.Abbasi, F. 2017. Advanced soil physics. Tehran university press, 320p. (In Persian)
2.Aha, D.W., Kibler, D., and Albert, M.K. 1991. Instance-based learning algorithms. Machine learning, 6: 37-66.
3.Azar, A., and Momeny, M. 2006. Statistics and its application in management (Statistical analysis). Tehran: The organization for researching and composing university textbooks in the Humanities (SAMT). 440p. (In Persian)
4.Cateni, S., Colla, V., and Vannucci, M. 2008. Outlier detection methods for industrial applications. In: Arámburo, A. and Ramírez Treviño, A. (eds), Advances in Robotics, Automation and Control. (265-282). In Tech, Vienna, Austria.
5.Debeljak, M., and Džeroski, S. 2011. Decision Trees in Ecological Modelling. In: Jopp, F., Reuter, H., Breckling, B. (eds), Modelling Complex Ecological Dynamics. (197-209). Springer, Berlin, Heidelberg.
6.Evans, D. 2002. The Gamma Test: Data-derived estimates of noise for unknown smooth models using near-neighbour asymptotics. Doctoral thesis, Department of computer science, Cardiff university, University of Wales. 7.Ghabaei Sough, M., Masaedi, A., Hesam, M., and Hezarjaribi, A. 2010. Evaluation effect of input parameters preprocessing in Artificial Neural Networks (Anns) by using stepwise regression and Gamma test techniques for fast estimation of daily evapotranspiration. J. Water Soil. 24: 3. 610-624. (In Persian)
8.Haghverdi, A., Ghahraman, B., Khoshnood Yazdi, A.A., and Arabi, Z. 2010. Estimating of water content in FC and PWP in North and North East of Iran's soil samples using k-Nearest Neighbor and Artificial Neural Networks. J. Water Soil. 24: 4. 804-814. (In Persian)
9.Jabro, J.D. 1992. Estimation of saturated hydraulic conductivity of soils from particle size distribution and bulk density data. Transactions of the ASAE, 35: 2. 557-560.
10.Jalali, V.R., and Homaee, M. 2011. Introducing a nonparametric model using k-nearest neighbor technique for predicting soil bulk density. Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Science. 15: 56. 181-191. (In Persian)
11.Jones, A.J. 1998. The WinGamma user guide. University of Wales, Cardiff.
12.Kemp, S.E., Wilson, I.D., and Ware, J.A. 2005. A tutorial on the gamma test. J. Sim. Syst. Sci. Technol. 6: 1-2. 67-73.
13.Khamis, A., Ismail, Z., Haron, Kh., and Tarmizi Mohammad, A. 2005. The effects of outlier data on neural network performance. J. Appl. Sci. 5: 8. 1394-1398.
14.Khashei Siuki, A., Jalali Moakhar, V.R., Noferesti, A.M., and Ramazani, Y. 2015. Comparing nonparametric k-nearest neighbor technique with ANN model for predicting soil saturated hydraulic conductivity. J. Soil Manage. Sust. Prod. 5: 3. 81-95. (In Persian) 15.Lall, U., and Sharma, A. 1996. A nearest neighbor bootstrap for resampling hydrologic time series. Water Resources Research, 32: 3. 679-693.
16.Mahdian, M.H. 2005. Soil hydraulic conductivity and its application in drainage designs. J. Agric. Engin. Res. 6: 23. 159-170. (In Persian)
17.Mallant, D., Mohanty, B.P., Vervoort, A., and Feyen, J. 1997. Spatial analysis of saturated hydraulic conductivity in a soil with macropores. Soil Technology. 10: 115-131.
18.Moghaddamnia, A., Gousheh, M.G., Piri, J., Amin, S., and Han, D. 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 32: 1. 88-97.
19.Moncada, M.P., Gabriels, D., and Cornelis, W.M. 2014. Data-driven analysis of soil quality indicators using limited data. Geoderma. 235: 271-278.
20.Nemes, A., Rawls, W.J., and Pachepsky, Y.A. 2006. Use of the nonparametric nearest neighbor approach to estimate soil hydraulic properties. Soil Sci. Soc. Amer. J. 70: 2. 327-336.
21.Nosrati Karizak, F., Movahedi Naeni, S.A., and Hezarjaribi, A. 2012. Using Artificial Neural Networks to estimate saturated hydraulic conductivity from easily available soil properties. J. Soil Manage. Sust. Prod. 2: 1. 95-110. (In Persian)
22.Rasoulzadeh, A., Razavi, S., and Neyshoubori, R. 2012. Evaluation the accuracy of methods of estimating saturated hydraulic conductivity in different soils. J. Water Res. Agric. 26: 3. 303-316. (In Persian)
23.Schaap, M.G., Leij, F.J., and Van Genuchten, M.T. 2001. Rosetta: A computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions. J. Hydrol. 251: 3-4. 163-176.
24.Torabi, M. 2004. Assessment of five methods of saturated hydraulic conductivity measurement in a saline soil. 2nd Students Conference on Soil and Water Resources. University of Shiraz. (In Persian)
25.Wang, Y., and Witten, I.H. 1997. Inducing model trees for continuous classes. In Proceedings of the Ninth European Conference on Machine Learning. Pp: 128-137. | ||
آمار تعداد مشاهده مقاله: 789 تعداد دریافت فایل اصل مقاله: 785 |