برآورد رطوبت خاک در ظرفیت مزرعه و نقطه پژمردگی با استفاده از شبکه‌عصبی-مصنوعی و رگرسیون چند ‌متغیره

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دستیار علمی ،مهندسی علوم کشاورزی ،دانشگاه پیام نور ، تهران ، ایران

2 دانشیار گروه مهندسی علوم خاک، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران

3 . دانشجوی دکتری مهندسی علوم خاک، گروه مهندسی علوم خاک، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه

چکیده

بررسی ویژگی‌های هیدرولیکی خاک همچون نقطه پژمردگی و ظرفیت زراعی برای مطالعه و مدل‌سازی حرکت آب و املاح در خاک بسیار مهم می‌باشد. به طوری‌که به دلیل تغییرات زمانی و مکانی این ویژگی‌ها، مطالعات اخیر محققین منجر به توسعه روش‌های غیرمستقیم در تخمین این قبیل خصوصیات خاک گردیده است. در همین راستا در این مطالعه برای برآورد ظرفیت زراعی و نقطه پژمردگی دائم اقدام به نمونه‌برداری خاک از 15 پروفیل (به تعداد 63 نمونه) از منطقه فشند، گردید. فراوانی نسبی ذرات به روش هیدرومتری، جرم مخصوص ظاهری به روش حجمی دست نخورده، درصد رطوبت اشباع بوسیله وزن‌سنجی و پارامترهای ظرفیت زراعی و نقطه پژمردگی با استفاده از دستگاه فشاری اندازه‌گیری شد. سپس با استفاده از روش‌های شبکه عصبی مصنوعی، رگرسیون چند متغیره و چند تابع انتقالی تجربی و پارامترهای ورودی درصد رس، شن، سیلت، وزن مخصوص ظاهری و رطوبت اشباع اقدام به تخمین نقطه پژمردگی و ظرفیت زراعی گردید. نتایج نشان داد که شبکه عصبی بهترین عملکرد و بعد از آن، مدل رگرسیون چند متغیره عملکرد بهتری نسبت به بقیه توابع انتقالی داشته‌اند. در بین توابع انتقالی نیز توابع انتقالی کلاسی عملکرد بهتری نسبت به توابع انتقالی نقطه‌ای و پارامتری داشته‌اند. در کل نتایج این تحقیق نشان دهنده اهمیت فرآیند آموزش در تعیین پارامترهای مدل با استفاده از داده‌های یک منطقه می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of the amount of water at Field Capacity and Permanent Wilting Point Using Artificial Neural Network and Multivariate Regression

نویسندگان [English]

  • Elham .Mehrabi Gohari 1
  • Fereydoon Sarmadian 2
  • Roohallah Taghizadeh Mehrjardi 3
1
2
3
چکیده [English]

Investigation of soil hydraulic properties like permanent wilting point (PWP) and field capacity (F.C) are very important for studding and modeling the soil water and solute transport in soil in which their spatial and temporal variability led to development of indirect methods in prediction of these soil characteristics. Therefore; in the present study in order to evaluate the amount of water at F.C and P.W.P, 63 samples have been taken from 15 pedons in Fashand region. The particle size distribution have been determined by hydrometric method, bulk density by volumetric method (using undisturbed clods), saturation percentage by weight and percentage of water at F.C and P.W.P by using pressure plate apparatus. We applied the artificial neural network (ANN), multivariate regression (MR) methods and used several pedotransfer functions (PTFs) to predict the F.C and P.W.P parameters, using the easily measurable characteristics of clay, silt and sand percentage, bulk density and water at saturation percentage. The results showed that the ANN method give the best results followed by MR method and finally the PTFs. Regarding the PTFs, the classic are showed better results relative to parametric and point PTFs. In conclusion, the results of this study showed that, training is very important in increasing the model accuracy of one region.      

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Pedotransfer functions
  • Multivariate Regression
  • Field capacity
  • Permanent wilting point

مراجع

1) Akaike, H. 1973. Information theory and an extension of the maximum likelihood principle. In: Petrox, B., Csaki, F. (Eds.), Symposium on Information Theory, Akademiai Kiado, Budapest, Hungary, p. 267.
2) Bell, A.M. and H. Van Keulen. 1995. Soil pedotransfer functions for four Mexican soils. Soil Sci. Soc. Am. J. 59: 865–871.
3) Borgesen, C.D. and M. Schaap. 2005. Point and parameter pedotransfer functions for water retention predictions for Danish soils. Geoderma.127: 154-167.
4) Bouma, J. 1989. Using soil survey data for quantitative land evaluation. Adv. Soil Sci. 9: 177–213.
5) Carsel, R.F. and R.S. Parrish. 1988. Developing joint probability distribution of soil water retention characteristic. Water Resour. Res. 24: 755-769.
6) Cavazza, L, A. Patruno and E. Cirillo. 2007. Field capacity in soils with a yearly oscillating water table. Biosys. Engin. 98:  364 – 370.
7) Demuth, H, M. Beale. 1998. Neural ntwork tolbox for ue with MATLAB. MathWorks, Inc.
8) Ghorbani Dashtaki, Sh. and M. Homaei. 2002. Prediction of parametric hydraulic function in unsaturated soils using pedotransfer functions. Agri. Engi. Res. J. 3 (12):3-15.
9) Givi, J. and Sh. Prasher. 2005. Comparison between multivariate regression and artificial neural network for prediction of available water content. 9th Soil Science Congress. 675- 677.
10) Givi, J. S.O. Prasherb and R.M. Patel. 2004. Evaluation of pedotransfer functions in predicting the soil water contents at field capacity and wilting point. Agri.Wat. Manag.70:  83–96.
11) Menhaj, M. 1998. Fundamental of Artificial neural networks. Amirkabir Press.
12) Merdun, H., C. Ozer, R. Meral, and M. Apan. 2006. Comparison of artificial neural network and regression pedotransfer functions for prediction of soil water retention and saturated hydraulic conductivity. Soil & Till. Res. 90: 108–116.
13) Minasny, B. A.B. McBratney. 2002. The Neuro-m method for fitting neural network parametric pedotransfer functions. Soil Sci. Soc. Am. J. 66: 352–361. 13
14) Minasny, B., A.B. McBratney, K.L. Bristow. 1999. Comparison of different approaches to the development of pedotransfer functions for water-retention curves. Geoderma 93, 225–253.
15) Mirkhani, R. 2001. Pedotransfer functions for determination of hydraulic curve in loamy soils. Msc thesis. TMU.
16) Pachepsky, Y.A. D. Timlin and G. Varallyay. 1996. Artificial neural networks to estimate soil water retention from easily measurable data. Soil Sci. Soc. Am. J. 60:727–733.
17) Parasuraman, K., Elshorbagy, and B.C. Si. 2006. Estimating saturated hydraulic conductivity in spatially variable fields using neural network in Ensembles. Soil Sci. Soc. Am. J. 70: 1851-1859.
18) Rawls. W.J., D.L. Brakensiek and K.E. Saxton. 1982. Estimation of soil water properties, Trans. ASAE 26: 1747–1752.
19) Rawls, W.J; D. L. Brakensiek. 1982. Estimating soil water retention from water properties. Trans. ASAE. 108: 166-171.
20) Saxon, K.E, W.J. Rawls, J.S. Roberger and R.I. Popendick. 1986. Estimating soil-water characteristics from texture. Soil. Sci. Soc. Am. J. 50: 1031-1036.
21) Schaap, M.G. and F.J. Leij. 1998. Using neural networks to predict soil water retention and soil hydraulic conductivity. Soil & Tillage Research. 47: 37–42.
22) Schaap, M.G., F.J. Leij and M.Th. van Genuchten. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Sci. Soc. Am. J. 62: 847–855.
23) Sparks, D.L., A.L. Page, P.A. Helmke, R.H. Leoppert, P.N. Soltanpour, M.A. Tabatabai, G.T. Johnston and M.E. Summer. 1996. Methods of soil analysis, Soil Sci. Soc. Of Am., Madison, Wisconsin.
24) Tamari, S., J.H.M. Wosten and J.C. Ruiz-Suarez. 1996. Testing an artificial neural network for predicting soil hydraulic conductivity. Soil Sci. Soc. Am. J. 60: 1732–1741.
25) Van Genuchten, M.Th. 1980. A closed-form equation for predicting the hydraulic conductivity of unsaturated soils. Soil Sci. Soc. Am. J. 44: 892–898.
26) Vereeken, H. J. Meas and J. Feyen. 1989. Estimating unsaturated hydraulic vonductivity from easily measured soil properties. Soil Sci. 149: 1-12.
27) Wosten, J.H.M. Y.A. Pachepsky and W.J. Rawls. 2001. Padotransfer functions:  bridging the gap between available basic soil data and missing soil hydraulic characteristics. J. Hydrol. 251, 123–150.
 
 
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار