Journal of Water and Soil Science

fa ارزیابی تابع‌های انتقالی رگرسیونی، ماشین بردار پشتیبان و برنامه‌ریزی بیان ژن در پیش‌بینی پارامترهای رطوبتی خاک در دشت ارسباران Assessment of Regression, Support Vector Machine, and Gene Expression Programming Transfer Functions to Predict Soil Humidity Parameters in Arasbaran Plain عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">استفاده از تابع‌های انتقالی برای پیش‌بینی پارامترهای رطوبتی خاک به‌عنوان روش‌های علمی و در عین حال اقتصادی مورد تأکید و پژوهش پژوهشگران است. در این پژوهش، ظرفیت زراعی (FC) و نقطه پژمردگی دائم (PWP) خاک با استفاده از سه تابع انتقالی رگرسیونی (خطی و غیرخطی)، مدل ماشین بردار پشتیبان (SVM) و مدل برنامه‌ریزی بیان ژن (GEP) براساس سه شاخص ارزیابی عملکرد ضریب تعیین (R2)، مجذور میانگین مربعات خطا (RMSE) و نسبت اختلاف توسعه یافته (DDR) در دشت ارسباران در شمال غرب ایران شبیه‌سازی شده است. پارامترهای مستقل شامل درصد رس (Cl)، درصد سیلت (Si)، درصد شن (Sa)، درصد مواد آلی (OC)، چگالی ظاهری (ρb) و چگالی حقیقی (ρs) خاک بودند که با استفاده از آزمون گاما، متغیرهای درصد Si، ρb و ρs برای پیش‌بینی پارامتر FC و متغیرهای ρb و ρs برای پیش‌بینی پارامتر PWP انتخاب شدند. نتیجه پژوهش نشان داد هر سه تابع انتقالی قادر به پیش‌بینی FC و PWP هستند اما مدل SVM دارای بهترین عملکرد در میان این سه گروه تابع انتقالی است به‌طوری که مقدار شاخص‌های (R2، RMSE، DDRmax) در فرایندهای آموزش و آزمون برای پارامتر FC به‌ترتیب (0/9908، 0/5517، 17/50) و (0/9785، 0/7004، 11/62) و برای پارامتر PWP به‌ترتیب (0/9872، 0/5764، 2/85) و (0/8389، 1/187، 3/09) به‌دست آمدند. <div></div></div> <div style="text-align: justify;">Using transfer functions to predict soil moisture parameters has been considered strictly a scientific and economical method among researchers. In this research, field capacity (FC) and permanent wilting point (PWP) of soil were predicted using classic regression (linear and non-linear), support vector machine (SVM) algorithm, and gene programming expression (GEP) algorithm based on three performance assessment criteria as determination of coefficient (R2), root mean square error (RMSE), and standardized developed discrepancy Ratio (DDR) in the Arasbaran plain in the northwest of Iran. Independent parameters were determined as clay percent (Cl), silt percent (Si), gravel percent (Sa), organic carbon (OC), bulk density (ρb), and actual density (ρs) which (S, ρb, ρs) and (ρb, ρs) were opted to predict FC and PWP using Gamma test, respectively. The results showed that each three transfer functions are capable to simulate FC and PWP parameters but the SVM algorithm is the superior predictor among the three functions so the values of (R2, RMSE, and DDRmax) of training and testing phases for FC were obtained (0.9908, 0.5517, 17.50), (0.9785, 0.7004, 11.62) and those of PWP were calculated (0.9782, 0.5764, 2.85) and (0.8389, 1.187, 3.09), respectively.</div> آزمون گاما, الگوریتم هوشمند, مدل فراابتکاری, ارزیابی عملکرد, ظرفیت زراعی, نقطه پژمردگی دائم Gama test, Intelligent algorithm, Meta heuristic model, Performance assessment, Filed capacity, Permanent wilting point 135 149 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-4253-2&slc_lang=fa&sid=1 F. Ahmadzadeh Kaleibar فریبرز احمدزاده کلیبر f.ahmadzadeh@iaut.ac.ir Yes Islamic Azad University,Tabriz Branch دانشگاه آزاد اسلامی، واحد تبریز M. Fuladipanah مهدی فولادی پناه fuladipanah@gmail.com No Islamic Azad University,Ramhormoz Branch دنشگاه آزاد اسلامی، واحد رامهرمز