fa مقایسه روش‌های شبکه عصبی مصنوعی و رگرسیونی برای پیش‌بینی هدایت هیدرولیکی اشباع خاک‌های استان خوزستان عمومی Ggeneral پژوهشي Research 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. Direct measurement of soil hydraulic characteristics is costly and time-consuming. Also, the method is partly unreliable due to soil heterogeneity and laboratory errors. Instead, soil hydraulic characteristics can be predicted using readily available data such as soil texture and bulk density using pedotransfer functions (PTFs). Artificial neural networks (ANNs) and statistical regression are two methods which are used to develop PTFs. In this study, the multi-layer perceptron (MLP) neural network and backward and stepwise regression models were used to estimate saturated hydraulic conductivity using some soil characteristics including the percentage of particle size distribution, porosity, and bulk density. Data of 125 soil profiles were collected from the reports of basic soil science and land reclamation studies conducted by Khuzestan Water and Power Organization. The results showed that MLP neural network having Bayesian training algorithm with the greater coefficient of determination (R2=0.65) and the lower error (RMSE =0.04) had better performance than multiple linear regression model in predicting saturated hydraulic conductivity. ویژگی‌های هیدرولیکی خاک، توابع انتقالی خاک، شبکه عصبی، مدل‌های رگرسیونی Soil hydraulic characteristics, Pedotransfer functions, Neural network, Regression models. 107 118 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-2506-2&slc_lang=fa&sid=1 R. Rezae Arshad روح اله رضایی ارشد No GH. Sayyad غلامعباس صیاد gsayyad@scu.ac.ir Yes *, M. Mazloom مسعود مظلوم No M. Shorafa مهدی شرفا No A. Jafarnejady علیرضا جعفرنژادی No