RT - Journal Article T1 - Comparison of Artificial Neural Networks and Regression Pedotransfer Functions for Predicting Saturated Hydraulic Conductivity in Soils of Khuzestan Province JF - JSTNAR YR - 2012 JO - JSTNAR VO - 16 IS - 60 UR - http://jstnar.iut.ac.ir/article-1-2310-fa.html SP - 107 EP - 118 K1 - Soil hydraulic characteristics K1 - Pedotransfer functions K1 - Neural network K1 - Regression models. AB - اندازه‌گیری مستقیم ویژگی‌های هیدرولیکی خاک وقت‌گیر و پر‌هزینه بوده و تا حدی به علت غیرهمگن بودن خاک و خطاهای آزمایشگاهی غیرقابل اعتماد است. در عوض ویژگی‌های هیدرولیکی خاک می‌تواند از جایگزینی داده‌های زودیافتی مانند بافت خاک و چگالی ظاهری با استفاده از توابع انتقالی به دست آید. شبکه‌های عصبی و رگرسیون آماری از جمله روش‌هایی هستند که برای تخمین توابع انتقالی خاک (PTFs) استفاده می‌شوند. در این پژوهش از شبکه عصبی نوع پرسپترون چند‌لایه (MLP) و مدل-های رگرسیونی حذف تدریجی متغیرها و گام به گام ورود متغیرها برای بسط این توابع برای تخمین هدایت هیدرولیکی اشباع خاک با استفاده از چگالی ظاهری، تخلخل کل و درصد توزیع اندازه ذرات خاک استفاده شد. داده‌ها از 125پروفیل خاک مربوط به مطالعات خاک‌شناسی و اصلاح اراضی موجود در سازمان آب و برق خوزستان تهیه شد. نتایج نشان داد که شبکه MLP با الگوریتم آموزشی بیزین با ضریب تعیین (65/0=2R) و خطای ( 04/0RMSE=) نسبت به مدل‌های رگرسیونی کارایی بهتری در تخمین هدایت هیدرولیکی اشباع خاک داشت. LA eng UL http://jstnar.iut.ac.ir/article-1-2310-fa.html M3 ER -