نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانش آموخته کارشناسی ارشد، گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
2 دانشیار گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
3 دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی
4 دانشآموخته کارشناس ارشد علوم خاک، دانشگاه ارومیه
5 دانشآموخته کارشناس ارشد گروه آب، دانشگاه ارومیه
چکیده
هدایت هیدرولیکی اشباع بهعنوان یک ویژگی دیریافت میتواند از ویژگیهای زودیافت خاک شامل جرم ویژه ظاهری، بافت خاک، کربن آلی، کربنات کلسیم معادل با استفاده از توابع انتقالی رگرسیونی و شبکههای عصبی مصنوعی برآورد شود. هدایت هیدرولیکی اشباع خاک به روش بار افتان در 100 نمونه خاک جمعآوری شده از دشت اردبیل تعیین شد. بعد از انجام تجزیههای شیمیایی و فیزیکی روی نمونههای خاک، دادهها به دو سری دادههای آموزشی (80 نمونه) و دادههای اعتبارسنجی (20 نمونه) تقسیم شدند. مدلهای رگرسیونی توسط نرمافزار SPSS و به روش گامبهگام و مدلهای شبکه عصبی توسط نرمافزارNeurosolution شکل گرفتند. برای انجام تجزیههای آماری از ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و ضریب آکائیک (AIC) استفاده شد. بهترین مدل رگرسیونی دارای متغیرهای شن، سیلت و جرم مخصوص ظاهری بود و بهترین مدل شبکه عصبی از متغیرهای ورودی میانگین هندسی قطر ذرات خاک، انحراف معیار هندسی قطر ذرات خاک و جرم مخصوص ظاهری بهدست آمد. مقادیر R2، (cm min-1)RMSE در فاز آموزش و اعتبارسنجی برای بهترین مدل رگرسیونی بهترتیب برابر (53/0، 074/0 و 51/0، 052/0) و برای بهترین مدل شبکه عصبی بهترتیب برابر (84/0، 04/0 و 73/0، 06/0) بود. در این پژوهش بهصورت جداگانه از تمامی پارامترهای مستقل شامل جرم مخصوص ظاهری، جرم مخصوص حقیقی، درصد آهک، میانگین هندسی قطر و انحراف معیار هندسی قطر ذرات خاک بهعنوان ورودی در تکنیک شبکه عصبی استفاده شد. مقادیر R2 و (cm min-1) RMSE در مرحله آموزش و آزمون بهترتیب برابر (87/0، 036/0 و 58/0، 076/0) بود. نتایج تحقیق در این مورد نشان داد شبکههای عصبی با دادههای ورودی یکسان هدایت هیدرولیکی اشباع خاک را با دقت بیشتری (84/0=R2) نسبت به مدلهای رگرسیونی (53/0=R2) برآورد میکنند. همچنین مشاهده شد زمانی که تعداد دادههای ورودی در روش شبکه عصبی افزایش مییابد دقت برآورد در دادههای آموزشی بیشتر میشود.
کلیدواژهها
عنوان مقاله [English]
Estimating the Soil Saturated Hydraulic Conductivity in Ardabil Plain Soils Using Artificial Neural Networks and Regression Models
نویسندگان [English]
- hamed amirabedi 1
- shorollahi asghari 2
- tarahom mesri 3
- Naser Balandeh 4
- ebrahim johari 5
1 MSc. Graduate, Department of Soil Science and Engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran
2 Associate Professor, Department of Soil Science and Engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran.
3 3Associate Professor, Department of Biosystem Engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran
4 4MSc. Graduate, Department of Soil Science, Faculty of Agriculture and Natural Resources, Urmia University, Urmia, Iran
5 5MSc. Graduate, Department of Water Engineering, Faculty of Agriculture and Natural Resources, Urmia University, Urmia, Iran
چکیده [English]
Abstract
Soil saturated hydraulic conductivity (Ks) can be estimated from surrogate data such as soil texture, bulk density and organic carbon and CaCO3 contents using regression (Reg-PTFs) and artificial neural networks (ANN-PTFs) pedotransfer function (PTF). Saturated hydraulic conductivity was measured by falling head method in 100 soil samples that obtained from Ardabil plain, Iran. After performing physicals and chemicals analysis on soil samples, the data were divided into two sets of training (80 samples) and validation data (20 samples). Regression models were created by SPSS software, stepwise method and neural networks models were created by Neurosolution software. Statistics criteria such as coefficient of determination (R2), root mean square deviation (RMSE) and Akaike information Criterion (AIC) were determined. Input variables in the best regression models were sand, silt and bulk density. The best neural network models were obtained from the input variables that include bulk density, geometric mean and standard deviation of soil particle size distribution. The values for R2 and RMSE in training and testing data set for the Reg-PTF were 0.53, 0.074 and 0.51, 0.052 and for the ANN-PTF they were 0.84, 0.04 and 0.73, 0.06, respectively. In this research all independent variables such as bulk density, particle density, CaCO3, geometric mean and standard deviation of the particle size distribution included as inputs for development of Reg-PTFs and ANN-PTFs. The amount of R2 and RMSE for training and testing data set equal 0.87, 0.036 and 0.58, 0.076, respectively. Results showed that the ANN-PTF (R2= 0.84) performs better than the Reg-PTF (R2= 0.53) in this case. It was also found that when all independent variables were used as inputs in the neural ANN-PTF the values of R2 and RMSE (0.87 and 0.036) have been improved in the training data set.
کلیدواژهها [English]
- Hydraulic conductivity
- Neural networks
- Pedotransfer function