مدل سازی جریان آب و انتقال املاح در منطقه غیراشباع نیازمند آگاهی از خصوصیات هیدرولیک خاک از جمله منحنی نگهداشت آب است. تخمین غیرمستقیم این توابع با استفاده از خصوصیات پایه خاک در قالب توابع انتقالی توجه کارشناسان رشته های مختلفی را به خود جلب کرده است. امروزه، استفاده مدل های شبکه عصبی برای اشتقاق توابع انتقالی بسیار معمول است. در این پژوهش، توابع جدید شبه پارامتریک شبکه عصبی معرفی و ارزیابی شد و عملکرد آن ها با توابع مرسوم نقطه ای و پارامتریک مقایسه شد. همچنین، تأثیر دو روش متفاوت آموزش مستقیم و غیرمستقیم مورد ارزیابی قرار گرفت. تمامی تحلیل ها بر روی 122 نمونه خاک از شمال و شمال شرق ایران (آمل و بابل، کرج و بجنورد) انجام شد که به صورت تصادفی انتخاب شده بودند. به طور کلی، نتایج توابع پارامتریک نسبت به نقطه ای بهتر بودند، به طوری که میانگین نمایه های r و RMSE در توابع پارامتریک به ترتیب 93/0 و 032/0 و در توابع نقطه ای به ترتیب 76/0 و 034/0 می باشد. از طرف دیگر، توابع شبه پارامتریک توانستند با استفاده از اطلاعاتی مشابه برای آموزش، نتایج توابع نقطه ای را بهبود بخشند. میانگین نمایه های r و RMSE در توابع شبه پارامتریک به ترتیب برابر با 95/0 و 026/0 بود. به نظر می رسد افزایش نمونه ها در فاز آموزش و انتخاب پتانسیل ماتریک به عنوان ورودی، مهم ترین دلایل موفقیت توابع شبه پارامتریک باشد. همچنین نتایج نشان دادند که اشتقاق توابع انتقالی با داده های محلی (آموزش مستقیم) نتایج بهتری نسبت به اشتقاق داده ها با استفاده از پایگاه داده های جهانی (آموزش غیرمستقیم) دارد.

کلمات کلیدی