مریم نوابیان - دانشجوی دکترای گروه آبیاری و آبادانی دانشکده کشاورزی دانشگاه تهران
عبدالمجید لیاقت - استادیار گروه آبی و آباداتی دانشکده کشاورزی دانشگاه تهران
مهدی همایی - استادیار گروه خاکشناسی دانشکده کشاورزی دانشگاه تربیت مدرس

هدایت آبی اشباع مهمترین ویژگی فیزیکی خاک است که در طراحی و امکان پذیر بودن فنی و اقتصادی پروژه های زهکشی زیر زمینی نقش عمده ای به عهده دارد. لیکن، اندازه گیری مستقیم این ویژگی چه به صورت صحرایی و چه در آزمایشگاه بسیار وقت گیر و پر هزینه می باشد. همچنین، به دلیل تغییرات زیاد زمانی – مکانی خاکها، اندازه گیری های نقطه ای نمی توانند نماینده واقعی این ویژگی خاک باشند، مگر آن که تعدادی بسیار زیاد نمونه برداری صورت پذیرد. در سالهای اخیر استفاده از شبکه های عصبی مصنوعی به عنوان راهکاری که ویژگی های فیزیکی خاک را از پارامترهای زودیافت خاک برآورد می کند، مورد توجه قرار گرفته است. شبکه عصبی مصنوعی از الگوی شبه عصبی انسان شبیه سازی شده است، به گونه ای که می تواند پس از آموزش، پارامترهای خروجی مورد نظر را با اعمال پارامترهای ورودی برآورد نماید. در این پژوهش، از ساختار شبکه عصبی پرسپترون با الگوریتم آموزشی مارکوآت لورنبرگ استفاده شد تا هدایت آبی اشباع از پارامترهای زودیافت خاک همچون جرم ویژه ظاهری، تخلیه موثر، میانگین هندسی قطر ذرات و انحراف معیار آنها برآورد شود نتایج نشان داد که نمونه های عصبی ایجاد شده قادرند هدایت آبی اشباع را با دقت بالا (R2=0/83) برآورد نمایند. همچنین، در مقایسه با معددلات رگرسیونی موجود، مدلهای شبکه عصبی ارائه شده عملکردی مناسب تر دارند.

پارامترهای زود یافت خاک ، شبکه عصبی مصنوعی ، هدایت آبی اشباع