fa برآورد پارامتریک مدل‏های منحنی نگهداشت رطوبتی ون‏گنوختن و فردلند و زینگ با استفاده از تکنیک‏های محاسباتی نرم در برخی از خاک‏های استان خوزستان عمومی Ggeneral پژوهشي Research <p>تکنیک&rlm;های محاسباتی نرم در سه دهه اخیر به‌طور وسیعی در تحقیقات علمی و مسائل مهندسی مطالعه و به‌کار برده شده&rlm;اند. هدف از این پژوهش، بررسی توانایی شبکه عصبی پرسپترون چند لایه (MLP) و عصبی- فازی (NF) در برآورد پارامتریک منحنی نگهداشت رطوبتی خاک (SWRC) با استفاده از داده&rlm;های کشت و صنعت&rlm;های استان خوزستان بود. آنالیز حساسیت نیز جهت انتخاب ترکیب بهینه ورودی&rlm;ها به‌کار برده شد. در تحقیق حاضر معادله&rlm;های ون&rlm;گنوختن و فردلند و زینگ جهت برآورد پارامتریک SWRC استفاده شد. ویژگی&rlm;های اندازه&rlm;گیری شده شامل توزیع اندازه ذرات خاک، ماده آلی، چگالی ظاهری، کربنات کلسیم معادل، نسبت جذب سدیم، هدایت الکتریکی عصاره اشباع، اسیدیته خاک، میانگین وزنی قطر خاکدانه&rlm;ها، حدود خمیری و روانی، مقاومت نفوذی، درصد رطوبت اشباع و محتوی رطوبتی در مکش&rlm;های 33،100، 500 و 1500 کیلوپاسکال بودند. نتایج این پژوهش بر پایه شاخص&rlm;های ارزیابی عملکرد نشان داد که هر دو مدل MLP و NF برآوردهای مناسبی از SWRC ارائه دادند در حالی&rlm;که شبکه عصبی برآوردهای بهتری از مدل عصبی- فازی فراهم کرد. به‌عنوان مثال مقادیر آماره NMSE در برآورد S&theta;، r&theta;، &alpha;، n و m در معادله فردلند و زینگ با استفاده از مدل&rlm;های MLP و NF به‌ترتیب برابر (059/0، 061/0)، (154/0، 162/0)، (109/0، 117/0)، (125/0، 135/0) و (129/0، 145/0) بودند. به‌علاوه پارامترهای &alpha; و n در عمق اول و r&theta; و &alpha; در عمق دوم در معادله فردلند و زینگ با دقت بیشتری نسبت به معادله ون&rlm;گنوختن برآورد شدند.</p> <p>Soft computing techniques have been extensively studied and applied in the last three decades for scientific research and engineering computing. The purpose of this study was to investigate the abilities of multilayer perceptron neural network (MLP) and neuro-fuzzy (NF) techniques to estimate the soil-water retention curve (SWRC) from Khozestan sugarcane Agro-Industries data. Sensitivity analysis was used for determining the model inputs and appropriate data subset. Also, in this paper, the van Genuchten and Fredlund and xing models were used to predict SWRC. Measured soil variables included particle size distribution, organic matter, bulk density, calcium carbonate, sodium adsorption ratio, electrical conductivity, acidity, mean weight diameter, plastic and liquid limit, resistance of soil penetration, water saturation percentage and water content for matric potentials -33, -100, -500 and -1500 kPa. The results of this study in terms of various statistical indices indicated that both MLP and NF provide good predictions but the neural network provides better predictions than neuro-fuzzy model. For example, using MLP and NF models values of NMSE at prediction &theta;s, &theta;r, &alpha;, n and m in Fredlund and Xing equation corresponded to (0.059, 0.065), (0.154, 0.162), (0.109, 0.117), (0.129, 0.135) and (0.129, 0.145), respectively. Furthermore, &alpha; and n parameters at the first depth, and &theta;r and &alpha; parameters at the second depth in Fredlund and Xing equation were estimated with higher accuracy compared with equivalent parameters in van Genuchten equation</p> منحنی نگهداشت رطوبتی خاک, تکنیک‏های محاسباتی نرم, برآورد پارامتریک, آنالیز حساسیت Soil-water retention curve, Soft computing technique, Parametric estimation, Sensitivity analysis 101 115 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1-37&slc_lang=fa&sid=1 F. Moradi فرزاد مرادی farzadmp2@yahoo.com Yes Dept. of Soil Sci., Khozestan-Ramin Univ.of Agric. and Natur.Res., Iran گروه علوم خاک، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان B. Khalilimoghadam بیژن خلیلی مقدم No Dept. of Soil Sci., Khozestan-Ramin Univ.of Agric. and Natur.Res., Iran گروه علوم خاک، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان S. Jafari سیروس جعفری No Dept. of Soil Sci., Khozestan-Ramin Univ.of Agric. and Natur.Res., Iran گروه علوم خاک، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان S. Ghorbani Dashtaki شجاع قربانی دشتکی No Dept. of Soil Sci., Shahrekord Univ., Iran گروه علوم خاک، دانشگاه شهرکرد