@article { author = {Khashei-siuki, Abbas and جلالی موخر, وحید}, title = {Comparing nonparametric k-nearest neighbor technique with ANN model for predicting soil saturated hydraulic conductivity}, journal = {Journal of Soil Management and Sustainable Production}, volume = {5}, number = {3}, pages = {81-95}, year = {2016}, publisher = {Gorgan University Of Agricultural Sciences}, issn = {2322-1267}, eissn = {2322-1275}, doi = {}, abstract = {Soil saturated hydraulic conductivity is the most important physical parameter, but its measurement often is difficult because of practical and/or cost-related reasons. In this research, expert system approaches with one type of the nonparametric lazy learning algorithms, a k-nearest neighbor (k-NN) algorithm, was compared and tested to estimate saturated hydraulic conductivity (Ks) from other easily available soil properties. In this research 151 soil samples were collected from farms land around Bojnourd and saturated hydraulic conductivity (Ks) was estimated from other soil properties including soil textural fractions, EC, pH, SP, OC, TNV, ρs and ρb. Results showed that the accuracy of the parameter estimation, using parametric method of artificial neural network to compare with k-nearest neighbors for terms of all the parameters (with r=0.97, EF=0.946, RMSE= 8.798, ME= 28.446 and CRM =-0.144) compared to other methods input models is acceptable and can used to estimate saturated hydraulic conductivity especially when for new data set available these functions is essential.}, keywords = {Artificial neural network,k-nearest neighbor technique,soil saturated hydraulic conductivity}, title_fa = {ارزیابی روش غیرپارامتریک k- نزدیکترین همسایه و سیستم‌های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک}, abstract_fa = {هدایت هیدرولیکی اشباع خاک از مهم ترین ویژگی های فیزیکی خاک است لیکن در بیشتر موارد به علت محدودیت‌های عملی و یا هزینه‌ای، اندازه‌گیری آن با دشواری همراه است. در این پژوهش مدل‌های مختلف شبکه های عصبی مصنوعی با نوعی از الگوریتم‌های غیرپارامتریک از نوع یادگیرنده‌های تنبل موسوم به k-نزدیکترین همسایه، برای تخمین هدایت هیدرولیکی اشباع خاک از روی داده‌های سهل‌الوصول خاک، مورد مقایسه قرار گرفت. در این تحقیق 151 نمونه از خاکهای زراعی اطراف بجنورد، انتخاب و متغیرهای کمکی شامل فراوانی ذرات، جرم مخصوص حقیقی و ظاهری همچنین هدایت الکتریکی عصارة اشباع خاک (ECe)، درصد مواد آلی خاک (OM)، رطوبت اشباع خاک (θs)، و میزان مواد خنثی شونده آن (TNV) جهت برآورد هدایت هیدرولیکی اشباع به کار گرفته شد. استفاده از پارامترهای آماری نشان داد که از لحاظ دقت برآورد، روش شبکه عصبی مصنوعی در مقایسه با روش غیر پارامتریک k-نزدیکترین همسایه در شرایط ارائه تمامی پارامترها (با داشتن آماره‌های 97/0=r،946/0=EF، 798/8=RMSE، 446/28= MEو 134/0- =CRM) نسبت به سایر روشها و مدلهای ورودی از دقت قابل قبولی برخوردار می باشد و می تواند به عنوان روشی جایگزین برای اشتقاق توابع انتقالی خاک، به‌ویژه هنگامی که فراهمی داده‌های جدید، نیاز به اشتقاق مجدد این توابع را الزام‌آور می‌کند، به کار رود.}, keywords_fa = {روشهای شبکه عصبی مصنوعی,تکنیک k-نزدیکترین همسایه,هدایت هیدرولیکی اشباع}, url = {https://ejsms.gau.ac.ir/article_2768.html}, eprint = {https://ejsms.gau.ac.ir/article_2768_cb02e018cf09cb90344ddd46a90f423a.pdf} }