view in publisher's site

Soil moisture simulation using hybrid artificial intelligent model: Hybridization of adaptive neuro fuzzy inference system with grey wolf optimizer algorithm

Highlights•A newly developed hybrid intelligent model is proposed for soil moisture prediction.•The proposed model is validated against well-established machine learning models.•Several related morphological variables are used to build the predictive models.•The designed predictive models are evaluated and assessed comprehensively.•The ANFIS-GWO is showed a robust and reliable model for soil moisture prediction.AbstractAccurate estimation of soil moisture content is necessary for optimal management of water and soil resources. Soil moisture is an important variable in the hydrologic cycle, which plays an important role in the global water and energy balance due to its impact on hydrological, ecological, and meteorological processes. The purpose of the present study was to explore a newly developed hybrid intelligent model for simulating soil moisture content. A hybrid adaptive neuro fuzzy inference system (ANFIS) model-grey wolf optimization (GWO) algorithm was designed here and validated against the neural network (ANN), support vector regression (SVR) and standalone ANFIS models. The models input parameters were di-electric constant, soil bulk density, clay content and organic matter of 1155 soil samples. Various statistical indices were employed to evaluate the performances of the applied models. For a reliable ranking of models, the Global Performance Indicator (GPI) was utilized, which is a 5-agent index. The results evidenced the feasibility of the developed hybrid ANFIS-GWO model with superior simulation results. At the testing stage, the MAE and SI values for the ANFIS-GWO were 1.468% and 0.098, respectively, which indicated the superiority of the ANFIS-GWO compared to the ANFIS-Fuzzy C mean (MAE=6.427%, SI=0.354), and ANFIS-sub clustering (MAE=2.137%, SI=0.141) models. Based on the GPI, the ANFIS-GWO model was ranked as the best model, followed by the standalone ANFIS and SVR models, while the worst accuracy was attained through ANN model. The ANFIS-GWO model improved the simulation accuracy by 48% and 50%, respectively, compared to the standalone ANFIS and SVR models. In addition, based on the GPI, the ANFIS-GWO model presented an enhancement of about 77 percent compared to the ANN model. The high accuracy of the ANFIS-GWO model compared to the standalone ANFIS model represents the performance of the GWO algorithm for escaping local optima, which makes the ANFIS-GWO as a powerful tool for estimating soil moisture. Overall, the explored hybrid intelligent models demonstrated a reliable pedotransfer function of soil moisture where it can contribute to several geo-sciences engineering principles.

شبیه‌سازی رطوبت خاک با استفاده از مدل هوش مصنوعی ترکیبی: هیبریدیزاسیون سیستم استنتاج عصبی - فازی تطبیقی با الگوریتم بهینه‌سازی گرگ خاکستری

نکات برجسته * یک مدل هوشمند هیبریدی جدید برای پیش‌بینی رطوبت خاک پیشنهاد شده‌است. * مدل پیشنهادی در برابر مدل‌های یادگیری ماشین به خوبی تثبیت شده‌است. * چندین متغیر مورفولوژیکی مرتبط برای ساخت مدل‌های پیش‌بینی استفاده می‌شوند. * مدل‌های پیش‌بینی طراحی‌شده به طور جامع ارزیابی و ارزیابی می‌شوند. ANFIS - GWO یک مدل قوی و قابل‌اعتماد برای پیش‌بینی رطوبت خاک نشان داد. برآورد صحیح رطوبت خاک برای مدیریت بهینه منابع آب و خاک ضروری است. رطوبت خاک یک متغیر مهم در چرخه هیدرولوژیکی است که نقش مهمی در آب جهانی و تعادل انرژی به دلیل تاثیر آن بر فرآیندهای هیدرولوژیکی، اکولوژیکی و هواشناسی ایفا می‌کند. هدف مطالعه حاضر کشف یک مدل هوشمند هیبریدی جدید برای شبیه‌سازی رطوبت خاک بود. یک سیستم استنباط عصبی - فازی تطبیقی (ANFIS)الگوریتم بهینه‌سازی گرگ مدل خاکستری (GWO)در اینجا طراحی شد و در برابر شبکه عصبی (ANN)، رگرسیون بردار پشتیبان (SVR)و مدل‌های ANFIS مستقل اعتبار سنجی شد. پارامترهای ورودی مدل‌ها عبارت بودند از ثابت دی الکتریکی، جرم مخصوص ظاهری خاک، مقدار رس و ماده آلی ۱۱۵۵ نمونه خاک. شاخص‌های آماری مختلفی برای ارزیابی عملکرد مدل‌های کاربردی به کار گرفته شد. برای یک رتبه‌بندی قابل‌اعتماد از مدل‌ها، شاخص عملکرد جهانی (GPI)استفاده شد، که یک شاخص ۵ عاملی است. نتایج امکان‌پذیری مدل ترکیبی ANFIS - GWO را با نتایج شبیه‌سازی برتر نشان داد. در مرحله آزمایش، مقادیر MAE و SI برای ANFIS - GWO به ترتیب ۱.۴۶۸ % و ۰.۰۹۸ بودند، که برتری ANFIS - GWO را در مقایسه با میانگین ANFIS - فازی C (MAE = ۶.۴۲۷ %، SI = ۰.۳۵۴)و خوشه‌بندی فرعی ANFIS (MAE = ۲.۱۳۷ %، SI = ۰.۱۴۱)نشان داد. براساس GPI، مدل ANFIS - GWO به عنوان بهترین مدل رتبه‌بندی شد و به دنبال آن مدل‌های مستقل ANFIS و SVR قرار گرفتند، در حالی که بدترین دقت از طریق مدل ANN حاصل شد. مدل ANFIS - GWO دقت شبیه‌سازی را به ترتیب تا ۴۸ % و ۵۰ % در مقایسه با مدل‌های مستقل ANFIS و SVR بهبود بخشید. علاوه بر این، براساس GPI، مدل ANFIS - GWO یک افزایش حدود ۷۷ درصدی را در مقایسه با مدل ANN نشان داد. دقت بالای مدل ANFIS - GWO در مقایسه با مدل ANFIS مستقل نشان‌دهنده عملکرد الگوریتم GWO برای فرار از بهینه‌سازی محلی است که ANFIS - GWO را به عنوان یک ابزار قدرتمند برای تخمین رطوبت خاک می‌سازد. به طور کلی، مدل‌های هوشمند هیبریدی بررسی شده، یک تابع انتقالی قابل‌اطمینان از رطوبت خاک را نشان دادند که در آن می‌تواند به چندین اصل مهندسی زمین - علوم کمک کند.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Water Science and Technology
  • ترجمه مقاله Water Science and Technology
  • مقاله علوم و فن‌آوری آب
  • ترجمه مقاله علوم و فن‌آوری آب
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.