Soil Water Infiltration Rate and Soil Infiltration Model Parameters Prediction Using Artificial Neural Network and Support Vector Machine

Document Type : Original Article

Authors

1 M.S Graduated, Water and Soil Department, Faculty of Agriculture, Shahrood University of Technology, Shahrood, Iran

2 Associate professor, Water and Soil Department, Faculty of Agriculture, Shahrood University of Technology

3 Assistant professor, Water and Soil Department, Faculty of Agriculture, Shahrood University of Technology

4 Shahrood University of Technology, Water Engineering Department

5 Agriculture faculty, shahrood university of technology, shahrood, iran

Abstract

Water infiltration into the soil is one of important hydrological parameters. This study was conducted for Phillip and Horton parameters and final water infiltration rate prediction using artificial neural network and support vector machine (SVM). The soil water infiltration was measured in 100 points of Abarkouh city landscape (Yazd province) with double ring method. The samples from 0-30 cm of soil surface were analyzed for bulk density, texture, organic matter, sodium adsorption ratio, porosity, geometric mean particle diameter and geometric standard deviation of soil particle. The multilayer perceptron neural network (MLP) with 4 different scenarios with 3, 5, 7 and 9 inputs and SVM with 9 inputs were analyzed for infiltration parameters and final water infiltration rate prediction. The results showed that the network with 9 inputs had the greatest R2 and the lowest error in Phillip and Horton parameters prediction. The study of prediction ability of ANN for Horton and Phillip parameters showed that the greatest capability was related to final infiltration rate to net design as 9-5-1 with R2 equal to 0.84. The sensitivity analysis showed that the designed nets had greater sensitivity to soil sodium adsorption ratio and the organic matter than other 7 parameters. The SVM model had good ability to water infiltration rate prediction based on basic soil properties. SVM model had better ability in soil water infiltration rate prediction compared to ANN model.

Keywords


ابراهیمی، ک. و نایب لویی، ف. 1388. تخمین نفوذپذیری نهایی خاک‌ها با استفاده از مدل شبکه عصبی مصنوعی، پژوهش‌های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی). 16.1: 57-37.
جنوبی، ر.، رضاوردی نژاد، و. و عباسی، ف. 1395. ارائه مدل بهینه‌سازی برآورد پارامترهای نفوذ و ضریب زبری آبیاری نواری با استفاده از داده­های پیشروی و رواناب. مدیریت آب و آبیاری. 6.1: 45-29.
زارع ابیانه، ح.ر.، خسرایی، ا.، ابراهیمی پاک، ن.ع.، تافته، آ. و جوزی م. 1398. انتخاب مدل بهینه نفوذ آب در خاک (مطالعه موردی: اراضی جهاد نصر استان خوزستان). مدیریت آب و آبیاری. 9.2: 304-291.
عباسی، ف. 1391. اصول جریان در آبیاری سطحی. کمیته ملی آبیاری و زهکشی ایران. 232 صفحه.
علیزاده، ا. 1394. فیزیک خاک. انتشارات دانشگاه فردوسی مشهد. 440 صفحه.
فرزانه، ح.، مهدیان، م. ح. و گزنچییان، ع. ۱۳۸۶. بررسی پخش سیلاب و تأثیر آن بر روند میزان نفوذپذیری عرصه پخش سیلاب آبخوان سبزوار - داورزن، نهمین سمینار سراسری آبیاری و کاهش تبخیر. بهمن ماه، دانشگاه شهید باهنر، انجمن مهندسی آبیاری و آب.
قربانی دشتکی، ش.، همایی، م. و مهدیان، م.ح. 1387. برآورد پارامترهای نفوذ با استفاده از شبکه عصبی مصنوعی. مجله آب و خاک (علوم و صنایع کشاورزی). 23.1: 198-185.
قیومی محمدی، ا.م.، قربانی دشتکی، ش.، رئیسی، ف. و طهماسبی، پ. 1392. اثر رهاسازی اراضی بر تغییرات نفوذ آب به خاک. نشریه حفاظت منابع آب و خاک. 2. 4: 51-41.
کمالی، پ.، ابراهیمیان، ح. و وردی‌نژاد، و.ر. 1394. ارزیابی و مقایسة روش بهینه سازی چندسطحی و مدل IPARM در تخمین پارامترهای نفوذ درآبیاری جویچه ای. مدیریت آب و آبیاری. 5.1: 54-43.
گلدانساز، س.م.، سلطانی­گرد فرامرزی، م.، رضایی، م.ب. و زارع چاهوکی، م.ع. 1390. معرفی و بررسی شکل زیستی، خواص و قسمت­های مورد استفاده فلور دارویی کفه ابرکوه یزد. فصلنامه پژوهش­های علوم گیاهی. 23.3: 21-16.
محمودآبادی، ا.، کریمی، ع.ر.، حق نیا، غ. و سپهر، ع. 1396. ارزیابی عملکرد رگرسیون چندمتغیره، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن در تخمین برخی خصوصیات خاک. پژوهش های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی). 24.2: 44-23.
نشاط، ع. و پاره کار، م. 1386. مقایسه روش های تعیین سرعت نفوذ عمودی آب در خاک. علوم کشاورزی و منابع طبیعی. 14.3: 195–186.
Baofeng, G., Gunn, S.R., Damper, R.I. and Nelson, J.D.B. 2008. Customizing Kernel Functions for SVM-Based Hyperspectral Image Classification. IEEE Transactions on Image Processing. 17: 622–629.
Burt, R. 2004. Soil survey laboratory methods manual: Soil survey investigations”, Version4.0. Natural Resources Conservation Service, Nebraska, United States.
Emdad‚ M.R. 2007. Effect of water quality on soil structure and infiltration under furrow irrigation. Irrigation Science. 23: 50–60.
Horton, R.E. 1940. An approach toward to physical interpretation of infiltration capacity. Soil Science Society of American Journal. 5: 399–417.
Minasny, B. and McBratney, A.B. 2002. The Neuro-m method for fitting neural network parametric pedotransfer functions. Soil Science Society of American Journal. 66: 352–361.
Moussa, S.E. 2015. Support Vector Machine and Regression Analysis to Predict the Field Hydraulic Conductivity of Sandy Soil. Journal of Civil Engineering. 19: 2307–2316.
Nasseri, A., Neyshabori, M.R. and Abbasi, F. 2008. Effectual components on furrow infiltration. Irrigation and Drainage. 57: 481–489.
Parasuraman, K., Elshorbagy, A. and Si, B.C. 2006. Estimating saturated hydraulic conductivity in spatially variable field using neural network ensembles. Soil Science Society of American Journal. 70: 1851–1859.
Philip, J.R. 1957. The theory of infiltration, I. Infiltration equation and its solution. Soil Science. 83: 345–357.
Sarmadian, F. and Keshavarzi, A. 2010. Developing pedotransfer functions for estimating some soil properties using artificial neural network and multivariate regression approaches. World Academic Science Engineering Technology. 48: 427–433.
Shirazi, M.A. and Boersma, L. 1984. A unifying quantitative analysis of soil texture. Soil Science Society of American Journal. 48: 142–147.
Vapnik, V.N. 1998. Statistical Learning Theory. New York: Wiley.
Wang, W.C., Chau, K.W., Cheng, C.T. and Qiu, L. 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology. 374: 294–306.