@article { author = {Pourreza Bilondi, Mohsen and Khashei-Siuki, Abbas}, title = {Uncertainty Analysis of Artificial Neural Networks in Simulation of Saturated Hydraulic Conductivity Using Monte-Carlo Simulation}, journal = {Iranian Journal of Irrigation & Drainage}, volume = {9}, number = {4}, pages = {655-664}, year = {2015}, publisher = {Iranian Irrigation and Drainage Association}, issn = {2008-7942}, eissn = {2676-6884}, doi = {}, abstract = {Hydraulic conductibility as a key soil property is essential for irrigation management purposes and plays an important role in understanding site-specific unsaturated water flow and transport processes. Since it cannot often be measured because of practical and/or cost-related reasons, data driven models such as artificial neural network may be applied for prediction of soil hydraulic properties. This paper aimed to assess uncertainty analysis in neural network prediction originated from different weights due to different training data sets. Here, we present a unique dataset that consists of 151 samples collected from arable land around Bojnourd City, containing of sand, silt and clay contents, saturated water content, Electrical Conductivity (EC), pH, real density, Organic matter (OM), Total Neutralizing Value (TNV) and bulk density (ρb). Bulk and real densities determined based on stepwise regression analysis as most important inputs to neural network model. Then a two layer perceptron neural network with 1000 different samples trained with some available transfer and training functions in Matlab. Results assessed with NUE as an integrated index defined as ratio of percentage of the observation coverage by 95 percent prediction uncertainty (95PPU) divided by average relative interval length of 95PPU. Uncertainty analysis results revealed that log-sigmoid and linear transfer functions with NUE values 0.57 and 0.59 performed better tan-sigmoid transfer function with NUE=0.25. Also all training functions (except of gradient descent training function) could predict saturated hydraulic conductivity with high reliability.}, keywords = {Uncertainty Analysis in artificial neural network,transfer and training functions,Saturated hydraulic conductivity}, title_fa = {تحلیل عدم قطعیت خروجی شبکه عصبی در شبیه‌سازی هدایت هیدرولیکی اشباع خاک}, abstract_fa = {هدایت هیدرولیکی اشباع خاک از مهم­ترین ویژگی­های فیزیکی خاک است که در مدیریت آبیاری مزارع، انتقال آلودگی و هم­چنین جریان آب در محیط­های غیراشباع نقش مهمی را دارا است. لیکن در بیش­تر موارد به علت محدودیت­های عملی و یا هزینه­ای، اندازه­گیری آن با دشواری همراه است. از این رو استفاده از مدل­های شبیه­سازی داده محور مانند شبکه عصبی مصنوعی با صرف هزینه کم و کارایی بالا می­توانند جایگزین مناسبی برای این منظور باشد. از آنجا که انتخاب دوره­های مختلف آموزش و آزمون به همراه توابع انتقال و آموزش متفاوت در این نوع مدل­ها به عنوان مهم­ترین منبع خطا می­باشد، لذا عدم اطمینان و قطعیت لازم در مقادیر خروجی شبیه­سازی شده مدل نیز از آن قابل نتیجه­گیری می­باشد. از این رو در این تحقیق بررسی منابع عدم قطعیت مذکور در شبیه­سازی هدایت هیدرولیکی اشباع خاک مورد بررسی قرار گرفته است. در انجام این تحقیق، تعداد 151 نمونه از خاک­های زراعی (اراضی اطراف شهرستان بجنورد) انتخاب و متغیرهای مؤثر چگالی ظاهری و واقعی خاک با کمک رگرسیون مرحله­ای از بین دوازده متغیر مختلف اندازه­گیری شده جهت برآورد هدایت هیدرولیکی اشباع به کار گرفته شد. نتایج تحلیل عدم قطعیت به­دست آمده از 1000 سری داده مختلف نمونه­گیری شده (با کمک نمونه گیر مونت کارلو) جهت استفاده در دوره­های آموزش و آزمون شبکه عصبی پرسپترون با دو لایه بررسی و ارزیابی گردید. علاوه بر این، عملکرد ترکیب توابع انتقال و آموزش مختلف شبکه عصبی در تمام 1000 سری داده نیز به­عنوان دومین منبع خطا ارزیابی شد. نسبت درصد قرارگیری مشاهدات در بازه اطمینان به پهنای بازه (معیار NUE) برای توابع انتقال لگاریتم سیگموئید (NUE=0.57) و خطی (NUE=0.59) نسبت به تابع تانژانت سیگموئید (NUE=0.25)، بالاتر و بهتر مشاهده گردید. هم­چنین از بین توابع مختلف آموزش تنها تابع کاهش گرادیان دارای زمان اجرای بالاتر و مقدار معیار NUE پایین­تر به نسبت بقیه بوده و بنابراین بیش­ترین عدم قطعیت را در نتایج مقادیر هدایت هیدرولیکی خروجی شبیه­سازی شده داشت.  }, keywords_fa = {Uncertainty Analysis in artificial neural network,transfer and training functions,Saturated hydraulic conductivity}, url = {https://idj.iaid.ir/article_55089.html}, eprint = {https://idj.iaid.ir/article_55089_630eb07956cb2092e9b1eabc22601a51.pdf} }