Modeling of Aggregates Stability and Soil Hydraulic Conductivity Using regression,Artificial Neural Network and Nero-Fuzzy Pedotransfer Functions

Hatamvand, Mozhgan and Asghari, Shokrollah and Shahabi, Mahmood (2018) Modeling of Aggregates Stability and Soil Hydraulic Conductivity Using regression,Artificial Neural Network and Nero-Fuzzy Pedotransfer Functions. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
مژگان حاتم وند 9533574103.pdf

Download (365kB)
Official URL: http://uma.ac.ir/

Abstract

Research Aim:Direct measurement of soil saturated hydraulic conductivity and aggregate stability, is time consuming, costly and sometimes unreliable because of soil heterogeneity and experimental errors. These properties can be estimated using early soil parameters. The purpose of this research was to provide regression, artificial neural network and nero-fuzzy pedotransfer functions based on early soil characteristics such as particle size distribution, organic carbon, electrical conductivity, bulk and particle density, and calcium carbonate equivalent to estimate saturated hydraulic conductivity and mean weight diameter of aggregates. Research method:In this research, 100 soil disturbed and undisturbed samples were taken intact and intact from 0 to 20 cm depth of bare and garden lands around the Lake of Urmia. Then, their physical and chemical properties were measured. Data were divided into two sets of training (80 data) and testing (20 data). To derive regression functions, SPSS software was used by stepwise method. To create a perceptron artificial neural network, the MATLAB software was used with a hyperpolic tangent activator function and the structure of the three-layer algorithm with 2 to 7 nerons in the hidden layer.For the nero-fuzzy model, the MATLAB software with the function Sugeno and 1500 epoch and 5 cluster was used. Findings:The results showed that the best estimation of soil saturated hydraulic conductivity in the training stage was obtained by artificial neural network with values of R2, RMSE, ME and AIC, of0.86, 0.07 cm/min, 0.004 cm/min and -402.90, respectively with input variables of the calcium carbonate equivalent, bulk density.The best estimation in the testing stage was determined by regression pedotransfer functions with values of R2, RMSE, ME and AIC respectively 0.76, 0.08 cm/min, -0.01 cm/min and -84.45, respectively with the input variables of silt, bulk density, acidity, electrical conductivity and organic carbon. The best estimation of the mean weight diameter of aggregates in the training stage was obtained by nero-fuzzy model with values of R2, RMSE, ME and AIC of 0.85, 0.15 mm, 0.001 mm and -290.12, respectively with inputs of sand, organic carbon, sodium adsorption ratio, electrical conductivity and bulk density.The best estimation in the testing stage was obtained by nero-fuzzy model with values of R2, RMSE, ME and AIC of 0.74, 0.21 mm, -0.01 mm and -55.48, respectively with input variables of sand and organic carbon. Conclusion:In general, the results of this research indicated that artificial neural network and nero-fuzzy models estimated the saturated hydraulic conductivity and mean weight diameter of aggregates more accuratehy than regression model in the study area due to relatively high R2 and low RMSE.

Item Type: Thesis (Masters)
Persian Title: مدل‌سازی پایداری خاکدانه‌ها و هدایت هیدرولیکی خاک با استفاده از توابع انتقالی رگرسیونی، شبکه عصبی مصنوعی و نروفازی
Persian Abstract: هدف:اندازه‌گيري مستقيم هدایت هیدرولیکی اشباع خاک و پايداري خاكدانه‌ها،زمان‌بر، پرهزينه بودهو گاهي اوقات به دليل خطاهاي آزمايشي و غيريكنواختي خاك غير واقعي است. این ویژگی‌ها با استفاده از پارامترهای زودیافت خاک قابل برآورد می‌باشند. هدف از تحقیق حاضر ارائه توابع انتقالی رگرسیونی، شبکه عصبی مصنوعی و نروفازی بر اساس ویژگی‌های زودیافت خاک مانند توزیع اندازه ذرات، کربن آلی، هدایت الکتریکی، جرم مخصوص ظاهری و حقیقی، کربنات کلسیم معادل برای برآورد ویژگی‌های دیریافت خاک شامل هدایت هیدرولیکی اشباع و میانگین وزنی قطر خاکدانه‌ها بود. روش‌شناسی پژوهش:در این پژوهش 100 نمونه خاک به صورت دست‌خورده و دست‌نخورده از عمق 0 تا 20 سانتی‌متری اراضی بایر و باغی اطراف دریاچه ارومیه برداشته شد سپس ویژگی‌های فیزیکی و شیمیایی آن‌ها اندازه‌گیری شد. داده‌ها به دو سری آموزش (80 داده) و آزمون (20 داده) تقسیم شدند. برای اشتقاق توابع رگرسیونی از نرم‌افزار SPSS به روش گام به گام، برای ایجاد شبکه عصبی مصنوعی پرسپتروناز نرم‌افزار MATLAB با تابع فعال ساز تانژانت هایپربولیک و ساختار الگوریتم سه لایه با 2 تا 7 نرون در لایه پنهان و همچنین برای مدل نروفازی از نرم‌افزار MATLAB با تابع سوگنو و 1500 تکرار و 5 خوشه استفاده شد. یافته‌ها:نتایج نشان داد بهترین برآورد هدایت هیدرولیکی اشباع خاک در مرحله آموزشتوسط شبکه عصبی مصنوعیبا R2، RMSE، MEو AICبه ترتیب با مقادیر 86/0،cm/min07/0،cm/min004/0- و 90/402- با متغیرهای ورودی کربنات کلسیم معادل و جرم مخصوص ظاهری و بهترین برآورد در مرحله آزمون توسط توابع انتقالی رگرسیونی با R2، RMSE، ME و AIC به ترتیب با مقادیر76/0،cm/min 08/0،cm/min 01/0- و 45/84- با متغیرهای ورودی سیلت، جرم مخصوص ظاهری، اسیدیته، هدایت الکتریکی و کربن آلی به دست آمد.بهترین برآورد میانگین وزنی قطر خاکدانه‌ها توسط مدل نروفازی با R2، RMSE، ME و AICبه ترتیب با مقادیر 85/0،mm 15/0،mm 001/0 و 12/290- با متغیرهای ورودی شن، کربن آلی، نسبت جذبی سدیم، هدایت الکتریکی و جرم مخصوص ظاهری و بهترین برآورد در مرحله آزمون نیز توسط مدل نروفازی با R2، RMSE، ME و AICبه ترتیب با مقادیر74/0،mm 21/0،mm 01/0- و 48/55- با متغیرهای ورودی شن و کربن آلی تعیین گردید. نتیجه‌گیری: بطور کلی، نتایج این پژوهش نشان داد مدل‌های شبکه عصبی مصنوعی و نروفازی در مقایسه با مدل رگرسیونی به علت داشتن R2 نسبتاً بالا و RMSE پایین‌تر با دقت بیشتری هدایت هیدرولیکی اشباع و میانگین وزنی قطر خاکدانه‌ها را در منطقه مورد مطالعه برآورد نمودند.
Supervisor:
SupervisorE-mail
Asghari, ShokrollahUNSPECIFIED
Advisor:
AdvisorE-mail
Shahabi, MahmoodUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Soil Engineering
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Soil Engineering
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Soil Engineering
Faculty of Agricultural Sciences & Natural Resources > Department of Soil Engineering
Date Deposited: 26 Jun 2019 04:11
Last Modified: 26 Jun 2019 04:11
URI: http://repository.uma.ac.ir/id/eprint/7016

Actions (login required)

View Item View Item