@article { author = {Abdollahi-Siahkalroudi, Marzeyeh and Nikbakht, Jafar and Mohammadi, Mohammad Hossein and Khaledian, Mohammad Reza}, title = {Comparing Regression and Artificial Neural Networks in Estimation of soil Wetted Pattern Dimensions With Magnetic and None Magnetic Water}, journal = {Iranian Journal of Irrigation & Drainage}, volume = {9}, number = {1}, pages = {170-179}, year = {2015}, publisher = {Iranian Irrigation and Drainage Association}, issn = {2008-7942}, eissn = {2676-6884}, doi = {}, abstract = {Having proper information of the wetted width and depth of soil for the appropriate design and management of a drip irrigation system is essential. This research was carried out to calculate the wetted depth and the maximum wetted width in both surface and subsurface drip irrigations with normal and magnetic waters. Measured values were compared with linear and nonlinear regression and neural network models. Experimental measurements were done on a clay loam soil in the greenhouse of Zanjan University. The results showed that the simple linear and multiple regression for Schwartzman and Zur (1986) and Mirzaei et al (2008) to estimate the wetted depth in surface drip irrigation with normal water was better (r=0.988 and RMSE=0.011 m). The difference between the estimated values using Schwartzman and Zur (1986) and Mirzaei et al (2008) in the wetted depth with magnetic water in surface drip irrigation (r=0.974 and RMSE=0.014 m) and the maximum wetted width in surface drip irrigation with normal water (r=0.950 and RMSE=0.028 m) and with magnetic water (r=0.976 and RMSE=0.023 m) with the observed data was minimal. Among the artificial neural networks models used in this study, multilayer perceptron model as compared with radial basis function model performed better.}, keywords = {Artificial Neural Networks,Drip Irrigation,Normal water,Magnetic water,Regression}, title_fa = {مقایسه رگرسیون و شبکه‌های عصبی مصنوعی در برآورد ابعاد پیاز رطوبتی با آب معمولی و مغناطیسی}, abstract_fa = {داشتن اطلاعات دقیق از عرض و عمق خیس شده خاک در زیر هر قطره‌چکان برای طراحی و مدیریت دقیق سامانه‌های آبیاری قطره‌ای ضروری است. در این تحقیق مقادیر عمق و حداکثر عرض خیس شده خاک تحت آبیاری قطره‌ای سطحی و زیرسطحی با آب معمولی و مغناطیسی با استفاده از مدل رگرسیون ساده خطی و چند گانه و شبکه‌های عصبی مصنوعی شبیه‌سازی شد. از داده‌های اندازه‌گیری شده در خاک با بافت لوم‌رسی که با سه تکرار در گلخانه مزرعه تحقیقاتی دانشگاه زنجان انجام گرفته بود استفاده شد. نتایج نشان داد که عملکرد رگرسیون ساده خطی و دو روش رگرسیون چندگانه شوارتزمن و زور (1986) و میرزایی و همکاران (1387) در تخمین عمق خیس شده در روش آبیاری قطره‌ای سطحی با آب معمولی بهتر بود (988/0=r و m011/0=RMSE). اختلاف مقادیر تخمینی با روش‌های شوارتزمن و زور (1986) و میرزایی و همکاران (1387) در عمق خیس شده با آب مغناطیسی در آبیاری قطره‌ای سطحی (974/0=r و  m014/0=RMSE) و حداکثر عرض خیس شده در آبیاری قطره‌ای سطحی با آب معمولی (950/0=r و m028/0=RMSE) و مغناطیسی (976/0=r و  m023/0=RMSE) با مقادیر واقعی اندک بود. در بین مدل‌های شبکه‌های عصبی مصنوعی، مدل پرسپترون چند لایه نسبت به مدل تابع پایه شعاعی عملکرد بهتری داشت.}, keywords_fa = {آبیاری قطره‌ای,آب معمولی,آب مغناطیسی,رگرسیون,شبکه‌های عصبی مصنوعی}, url = {https://idj.iaid.ir/article_54873.html}, eprint = {https://idj.iaid.ir/article_54873_ad3dbb13fc724961542d95d23c13bf48.pdf} }