محمد مهدی جعفری - گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
حسن اوجاقلو - استادیار-گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
مسعود کرباسی - دانشیار -گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران

منحنی مشخصه آب خاک یکی از پارامترهای فیزیکی مهم و کاربردی در مطالعات مرتبط با جریان آب در خاک شناخته می­شود. روش مستقیم اندازه­گیری منحنی مشخصه آب خاک مستلزم صرف زمان و هزینه بالایی است. به همین دلیل روش­های غیرمستقیم متنوعی از جمله مدل­های هوشمند توسعه پیدا نموده­اند. در این تحقیق عملکرد سه روش شبکه­های عصبی پرسپترون چندلایه (MLP)، شبکه­های عصبی آبشاری (Cascade-NN) و برنامه­ریزی بیان ژن (GEP) در برآورد منحنی مشخصه آب خاک مورد ارزیابی و مقایسه قرار گرفت. در این پژوهش اطلاعات اندازه­گیری شده مربوط به تعداد ۱۰۸ نمونه خاک مناطق جنگلی شامل درصد توزیع اندازه ذرات خاک، مقادیر رطوبت در هفت مکش مختلف و جرم مخصوص ظاهری مورد استفاده قرار گرفت. سه سناریو شامل ترکیب­های مختلف از داده­های ورودی تعیین و مدل­های مذکور برای هر کدام اجرا شد. مقایسه مقادیر پیش­بینی شده و مشاهداتی رطوبت خاک نشان دهنده عملکرد قابل قبول هر سه مدل بود؛ برای مرحله آزمون مقادیر R۲ برای بهترین ساختار در سه روش شبکه­های عصبی MLP، Cascade-NN و GEP به ترتیب ۹۵/۰، ۹۶/۰ و ۹۳/۰ و مقادیر RMSE نیز به ترتیب ۷۴/۳، ۲۵/۳ و ۱۰/۴ درصد بود. مقایسه نتایج سناریوهای مختلف داده ورودی نیز نشان داد، دقت و اختلاف بین نتایج مدل­ها در سناریوی اول کم بود ولی در سناریوی دوم و سوم به ترتیب با اضافه شدن پارامترهای تخلخل و رطوبت نقطه ظرفیت زراعی به داده­های ورودی، دقت و از سوی دیگر اختلاف بین نتایج مدل­ها بیشتر شد. در نهایت شبکه­های عصبی آبشاری با استفاده از تمام داده­های فیزیکی اشاره شده به عنوان گزینه مطلوب شناخته شد.

پیش بینی, رطوبت خاک, مدل های هوشمند, مکش