تخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد فیزیک و حفاظت خاک دانشگاه کردستان

2 عضو هیئت علمی گروه علوم و مهندسی خاک دانشگاه کردستان

چکیده

هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهای
زیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوح
بزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل اعتماد هستند. یکی از راههای غلبه
بر این مشکل، استفاده از روشهای غیرمستقیم همچون توابع انتقالی خاک میباشد. از آنجایی که تاکنون در منطقه موردمطالعه توابعی انتقالی جهت برآورد Ks پیشنهاد
نشده است؛ لذا در این پژوهش با استفاده از شبکههای عصبی مصنوعی و رگرسیونهای آماری و بهرهگیری از تعدادی محدود یا مجموعهای وسیعتر از ویژگیهای
زودیافت خاکی، توابعی انتقالی برای برآورد Ks تبیین و کارآیی آنها ارزیابی شد. بدین منظور، هدایت هیدرولیکی اشباع 95 نقطه محل از زیرحوزههای آبخیز چرداول -
چمشیر در استان ایلام با استفاده از پرمامتر گلف اندازهگیری شد. همچنین برخی از ویژگیهای زودیافت خاک این نقاط مطالعاتی نیز تعیین شد. سپس اعتبار توابع
اشتقاق یافته در تعیین Ks ، با استفاده از جذر میانگین مربعات خطا ) RMSE (، میانگین خطا ) ME ( و ضریب همبستگی پیرسون ) r ( ارزیابی شد. با توجه به نتایج، Ks
با میانگین هندسی قطر ذارت و مقدار شن دارای بیشترین همبستگی بود )بهترتیب دارای r معادل 58 / ۰ و 56 / ۰(. نتایج نشان داد در صورت دسترسی به تعداد کمی از
ویژگیهای زودیافت خاکی، توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی میتوانند Ks را با دقت نسبتاً خوبی پیشبینی کنند )به ترتیب دارای
85 / ۰ = rR-val ، mm/hr 81 / 6 = RMSER-val و 87 / ۰ = rANN-test ، mm/hr 8۰ / 1۰ = RMSEANN-test (. این در حالی است که با توجه به نتایج، در صورت استفاده از ویژگیهای زودیافت بیشتر، دقت پیشبینی Ks توسط مدل شبکه عصبی در هر دو مرحله آموزش و آزمون افزایش یافت ) 92 / ۰ = rtrain ،
mm/hr 36 / 4 = RMSEtrain و 89 / ۰ = rtest ، mm/hr 17 / 7 = RMSEtest (. در مجموع نتایج نشان دادند که شبکههای عصبی مصنوعی در مقایسه با مدلهای رگرسیونی خطی دارای کارآیی نسبتاً بهتر در تخمین هدایت هیدرولیکی اشباع خاک میباشند.

کلیدواژه‌ها


بابائیان، ا.، ه ایی، م. و نوروزی، ع. ا. 1392 . ارزیابی توابع انتاالی طیفی و توابع انتاالی خاک در پیش بینوی نگهداشوت آب در
خاک. نشریه حفاظت منابع آب و خاک. 3 ( 3 :) 25 - 43 .
خاش ی سیوکی، ع.، جلالی موخر، و.، نوفرستی، ع. م. و رمضوانی، ی. 1394 ارزیوابی روش غیرپارامتریو k نزدیو تورین -
ه سایه و سیسته های شبکه عصبی مصنوعی برای برآورد هدایت هیدرولیکی اشباع خاک. م له الکترونی مودیریت خواک
و تولید پایدار، 5 ( 3 :) 81 - 95 .
خلیلیمادم، ب.، افیونی، م.، جلالیان، ا.، عباسپور، ک. و دهاانی، ا. ا. 1394 . کاربرد روشهای رگرسیونی و شبکههوای عصوبی
بهمنظور تخ ین هدایت هیدرولیکی اشباع خاک منهاه زاگرس مرکزی. م له علوم و فنون کشاورزی و منوابع طبی وی، علووم
آب و خاک 71 : 227 - 217 .
شیرانی، ه. و رفیعنژاد، ن. 1390 . برآورد برخی ویژگیهای دیریافوت خواک هوای اسوتان کرموان بوا اسوتفاده از توابوع انتاوالی
رگرسیونی و شبکه عصبی مصنوعی. م له پژوهشهای خاک، 25 ( 4 :) 360 - 349 .

فلامکی، ا. و اسکندری، م. 1391 . تخ ین ضریب توزیع خاک آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی. نشریه -
حفاظت منابع آب و خاک. 2 ( 1 :) 25 - 36 .
قربانی دشتکی، ش. ، دهاانی بانیانی، س.، خداوردیلو، ه.، مح دی، ج. و خلیل مادم، ب. 1391 . برآورد هدایت آبی اشوباع و
عکس طول درشت مویینگی خاک با استفاده از توابع انتاالی خاک. م له علوم و فنون کشاورزی و منابع طبی ی، علوم خواک
و آب، 16 ( 60 :) 157 - 145 .
قنبریان علوی ه، ب.، لیاقت، ع. و سهرابی، س. 1388 . کاربرد شبکه عصبی مصنوعی در پیش بینی هدایت هیدرولیکی اشباع بوا
استفاده از پارامترهای فیزیکی خاک. م له تحایاات مهندسی کشاورزی، 10 ( 1 :) 97 - 112 .
نصرتی کاریزک، ف.، موحدی نایینی، ع.، هزارجریوب ، ا.، روشونی ، . و دهاوانی ، ا. ا. 1391 . اسوتفاد ه از شوبکه هوای عصوبی
مصنوعی برای برآورد هدایت هیدرولیکی اشباع از ویژگی های زودیافت خاک. م لوه الکترونیو مودیریت خواک و تولیود
پایدار، 2 ( 1 :) 95 - 110 .
نوابیان، م.، لیاقت، ع. و ه ایی، م. 1383 . تخ ین هدایت هیدرولیکی اشباع با استفاده از توابع انتاالی. م له پژوهشی مهندسوی
کشاورزی 4 ( 16 :) 12 - 1 .
Ahuja, L.R., Cassel, D.K., Bruce R.R. and Barnes. B.B. 1989. Evaluation of spatial distribution of hydraulic conductivity using effective porosity data. Soil Science, 148: 404-411.
Aimrun, W. and Amin, M.S.M. 2009. Pedo-transfer function for saturated hydraulic conductivity of lowland paddy soils. Paddy Water Environmental, 7: 217–225.
Al Majou, H., Bruand, A. and Duval, O. 2008. Use of in situ volumetric water content at field capacity to improve prediction of soil water retention properties. Canadian Journal of Soil Science. 88: 533-541.
Bagarello, V., Sferlazza, S. and Sgroi, A. 2009. Comparing two methods of analysis of single-ring infiltrometer data for a sandy–loam soil. Geoderma, 149: 415-420.
Bruand, A., Fernández, P.P. and Duval, O. 2003. Use of class pedotransfer functions based on texture and bulk density of clods to generate water retention curves. Soil Use and Management, 19: 232-242.
Dane, J.H. and Topp, C.G., (eds.). 2002. Methods of Soil Analysis: Part 4 Physical Methods Madison, WI: Soil Science Society of America, Soil Science Society of America Book Series Number 5, ISBN 0-89118-810-X, 1692 p.
Ghanbarian-Alavijeh, B., Liaghat, A.M. and Sohrabi, S. 2010. Estimating Saturated Hydraulic Conductivity from Soil Physical Properties using Neural Networks Model. World Academy of Science, Engineering and Technology, 4(2): 58- 63.
Hamilton, L.C. 1990. Modern data analysis. A first course in applied statistics, pp 684.
Islam, N., Wallender, W.W., Mitchell, J.P., Wicks, S. and Howitt, R.E. 2006. Performance evaluation of methods for the estimation of soil hydraulic parameters and their suitability in a hydrologic model. Geoderma, 134: 135-151.
Jabro, J.D. 1992. Estimation of saturated hydraulic conductivity of soils from particle size distribution and bulk density data. Transaction of American Society of Agricultural Engineers. 35(2): 557–560.
Jarvis, N.J., Zavattaro, L., Rajkai, K., Reynolds, W.D., Olsen, P.-A., McGechen, M., Mecke, M. and Mohanty, B. leeds-Harrison P.B. and Jacques, D. 2002. Indirect estimation of near-saturated hydraulic conductivity from readily available soil information. Geoderma, 108, 1-17.
Lado, M., Paz, A. and Ben-Hur, M. 2004. Organic matter and aggregate size interactions in saturated hydraulic conductivity. Soil Science Society of America Journal, 68: 234–242.
Lim, D. and Kolay, P. 2009. Predicting Hydraulic Conductivity (K) of Tropical Soils by Using Artificial Neural Network (ANN). UNUMAS E-Journal of Civil Engineering, 1(1), 1-6.
Mbagwu, J.S.C., and Auerswald, K. 1999. Relationship of percolation stability of soil aggregates to land use, selected properties, structural indices and simulated rainfall erosion. Soil and Tillage Research, 50: 197–206.
Merdun, H., Çınar, Ö., Meral, R. and Apan, M. 2006. Comparison of artificial neural network and regression pedotransfer functions for prediction of soil water retention and saturated hydraulic conductivity. Soil and Tillage Research, 90: 108-116.

Minasny, B., Hopmans, J., Harter, T., Eching, S., Tuli, A. and Denton, M. 2004. Neural networks prediction of soil hydraulic functions for alluvial soils using multistep outflow data. Soil Science Society of America Journal, 68: 417-429.
Navi, K., Twarakavi, C., Šimůnek, J. and Schaap, M.G. 2009. Development of Pedotransfer Functions for Estimation of Soil Hydraulic Parameters using Support Vector Machines. Soil Science Society of America Journal. 73:1443-1452.
Nemes, A., Rawls, W.J. and Pachepsky, Y.A. 2005. Influence of organic matter on the estimation of saturated hydraulic conductivity. Soil Science Society of America Journal, 69(4):1330-1337.
Parasuraman, K., Elshorbagy, A. and Cheng Si, B. 2006. Estimating saturated hydraulic conductivity in spatially variable fields using neural network ensembles. Soil Science Society of America Journal, 70: 1851-1859.
Patile, N.G. and Singh, S.K. 2016. Pedotransfer functions for estimating soil hydraulic properties: A review. Pedosphere, 26(4): 417–430.
Qiao, J., Zhu, Y., Jia, X., Huang, L. and Shao, M. 2018. Estimating the spatial relationships between soil hydraulic properties and soil physical properties in the critical zone (0–100m) on the Loess Plateau, China: A state-space modeling approach, CATENA, 10: 385-393.
Rawls, W.J., Nemes, A. and Pachepsky, Y.A., 2004. Effect of soil organic carbon on soil hydraulic properties. Developments in soil Science, 30: 95-114.
Rezaei Arshad, R., Sayyad, Gh., Mosaddeghi, M., and Gharabaghi, B. 2013. Predicting Saturated Hydraulic Conductivity by Artificial Intelligence and Regression Models. ISRN Soil Science, 2013: 1-8.
Rogiers, B., Mallants, D., Batelaan, O., Gedeon, M., Huysmans, M. and Dassargues, A. 2012. Estimation of hydraulic conductivity and its uncertainty from grain-size data using GLUE and artificial neural networks. Mathematical Geosciences, 44: 739-763.
Schaap, M.G. and Leij, F.J. 1998. Using neural networks to predict soil water retention and soil hydraulic conductivity. Soil and Tillage Research, 47: 37-42.
Shirazi, M.A. and Boersma, L. 1984. A unifying quantitative analysis of soil texture. Soil Science Society of America Journal, 48: 142-147.
Slazar, O., Wesström, I. and Joel, A. 2008. Evaluation of drainmod using saturated hydraulic conductivity estimated by a pedotransfer function model. Agricultural water management, 95(10): 1135-1143.
Tamari, S., Wösten, J.H.M. and Ruiz-Suarez, J.C. 1996. Testing an artificial neural network for predicting soil hydraulic conductivity. Soil Science Society of America Journal, 60(6): 1732-1741.
Tietje, O. and Hennings, V. 1996. Accuracy of the saturated hydraulic conductivity prediction by pedo-transfer functions compared to the variability within FAO textural classes. Geoderma, 69: 71-84.
Vereecken, H., Maes J. and Feyen, J. 1990. Estimating unsaturated hydraulic conductivity from easily measured soil properties. Soil Science, 149(1): 1-12.
Wösten, J., Pachepsky, Y.A. and Rawls, W. 2001. Pedotransfer functions: bridging the gap between available basic soil data and missing soil hydraulic characteristics. Journal of hydrology, 251: 123-150.
Xu, C., Xu, X., Liu, M., Liu, W., Yang, J., Luo, W., Zhang, R. and Kiely, G. 2017. Enhancing pedotransfer functions (PTFs) using soil spectral reflectance data for estimating saturated hydraulic conductivity in southwestern China, CATENA: 158: 350-356.
Zhao, C., Shao, M., Jia, X., Nasir, M. and Zhang, C. 2016. Using pedotransfer functions to estimate soil hydraulic conductivity in the Loess Plateau of China, CATENA, 143: 1-6.