ارزیابی کارایی الگوریتم مدیریت داده‌ها به روش گروهی (GMDH) برای پیش‌بینی شاخص‌های نگهداری آب در خاک‌های شالیزاری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار پژوهش مؤسسه تحقیقات برنج کشور

2 استاد دانشگاه شیراز

3 استاد دانشگاه تبریز

4 کارشناس ارشد آزمایشگاه فیزیک خاک، مؤسسه تحقیقات برنج کشور

5 استادیار دانشگاه بوعلی سینا همدان

6 استاد دانشگاه گیلان

چکیده

صحت توابع انتقالی در پیش­بینی خواص هیدرولیکی خاک را می­توان با استفاده از توابع پرانعطاف افزایش داد. این تحقیق به منظور ارزیابی کارایی توابع با قابلیت انعطاف متفاوت (رگرسیون­های خطی و غیر خطی چند متغیره (MLR)، فیزیکی- تجربی آریا و پاریس (AP)، شبکه عصبی مصنوعی(ANN)، مدیریت داده­ها به روش گروهی (GMDH) در پیش­بینی مقدار آب خاک در حد ظرفیت مزرعه­ای و نقطه پژمردگی دائم خاک­های شالیزاری اجرا گردید. توابع انتقالی با استفاده از داد­ه­های توزیع اندازه ذرات، کربن آلی، چگالی ظاهری و مقدار رطوبت حجمی خاک در مکش­های 33 و 1500 کیلوپاسکال در 136 نمونه خاک اراضی شالیزاری ساخته شد. الگوریتم GMDH در مقایسه با دیگر توابع انتقالی با کمترین ریشه میانگین مربعات خطا (RMSE)، کمترین محک آکایک (AIC) و بیشترین نمایه توافق (D) از صحت و اعتبار بیشتری در پیش­بینی مقدار رطوبت حجمی خاک در مکش­های 33 و 1500 کیلوپاسکال برخوردار بود. به نظر می‌رسد الگوریتم GMDH در تعیین روابط غیرخطی و پیچیده بین متغیرهای پایه مانند توزیع اندازه ذرات، چگالی ظاهری خاک و کربن آلی با مقدار رطوبت حجمی خاک در مکش­های 33 و 1500 کیلوپاسکال موفق تر از دیگر توابع انتقالی عمل نموده است. 

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Group Method of Data Handling (GMDH) Algorithm Efficiency for Predicting Water Retention Indices in Paddy Soils

نویسندگان [English]

  • N. Davatgar 1
  • A. R. Sepaskhah 2
  • M. R. Neyshabouri 3
  • M. R. Neyshabouri 4
  • H. Bayat 5
  • N. Narimanzadeh 6
1 Assistant Professor, Rice Research Institute of Iran
2 Professor, Shiraz university
3 Professor, Tabriz University
4 MSc, Rice Research Institute of Iran
5 Assistant Professor, Hamedan University
6 Professor, Guilan University
چکیده [English]

Accuracy of the pedo-transfer functions can be improved using more flexible equations. The objective of this study was to compare pedo-transfer functions with different flexibility [e.g. multiple linear regression (MLR), the physic-empirical model of Arya and Paris (AP), artificial neural network (ANN), and group method of data handling (GMDH)] for predicting soil water contents at field capacity and permanent wilting point. Pedo-transfer functions were developed from data of particle size distribution, organic carbon, bulk density, and water contents at 0,.33 and 1500 kPa. The accuracy and reliability of the GMDH algorithm was superior to the other pedo-transfer functions for predicting the soil volumetric water contents at field capacity and permanent wilting point, because of fewer lower roots mean squared error (RMSE) and AIC criteria and more larger agreement index (D-index). It seems that the GMDH preference superiority is due to its higher GMDH capability to determine nonlinear and complex relationships between soil factors affecting factors the soil water contents at field capacity and permanent wilting points.

کلیدواژه‌ها [English]

  • Field capacity
  • Multiple Linear Regression
  • Neural network
  • Pedo-transfer function
  • Permanent wilting point