نوع مقاله : مقاله پژوهشی

نویسندگان

• حامد امیرعابدی ¹
• شکراله اصغری ²
• ترحم مصری گندشمین ³
• فرشاد کیوان بهجو ⁴

¹ دانشجوی کارشناسی ارشد، گروه علوم خاک، دانشگاه محقق اردبیلی

² استادیار، گروه علوم خاک، دانشگاه محقق اردبیلی

³ استادیار، گروه مکانیک ماشینهای کشاورزی، دانشگاه محقق اردبیلی

⁴ استادیار، گروه مرتع و آبخیزداری، دانشگاه محقق اردبیلی

چکیده

اندازه­گیری مستقیم ویژگی­های هیدرولیکی خاک وقت­گیر، پرهزینه­ و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک غیر واقعی است. در عوض، این ویژگی­ها می­توانند از روی ویژگی­های زودیافت خاک مانند توزیع اندازه ذرات خاک، جرم ویژه ظاهری، کربن آلی و کربنات کلسیم معادل با استفاده از توابع انتقالی خاک برآورد شوند. هدف از این پژوهش، ارائه مدل­های رگرسیونی و شبکه عصبی مصنوعی بر اساس ویژگی­های زودیافت یاد شده برای برآورد ویژگی­های دیریافت شامل رطوبت ­های ظرفیت زراعی، پژمردگی دائم و قابل استفاده در شماری از خاک­های دشت اردبیل بود.برای این منظور 100 نمونه خاک برداشته شد سپس برخی ویژگی­های فیزیکی و شیمیایی آنها اندازه­گیری شد. داده­ها به دو سری داده­های آموزشی (80 نمونه) و داده­های آزمونی (20 نمونه) تقسیم شدند. برای ایجاد مدل­های شبکه عصبی از نرم­افزار 5 Neurosolution و برای ایجاد مدل­های رگرسیونی از نرم افزار SPSS استفاده شد. مقادیر ضریب تبیین (R²) و مجذور میانگین مربعات خطا (RMSE) در تخمین پارامترهای دیریافت شامل رطوبت­های ظرفیت زراعی، پژمردگی دائم و قابل استفاده به ترتیب برابر 82/0 و 29/2، 82/0 و 38/1، 57/0 و 97/1 برای بهترین مدل­ رگرسیونی و به ترتیب برابر 87/0 و 9/1، 90/0 و 02/1، 73/0 و 56/1 برای بهترین مدل­ شبکه عصبی مصنوعی بود. مقادیر R² و RMSE برای نتایج مدل­های رگرسیونی و شبکه عصبی مصنوعی نشان داد که هر دو روش می­توانند ضرایب رطوبتی خاک را با دقت مناسبی برآورد کنند. با این حال، مدل­های رگرسیونی در برآورد رطوبت قابل استفاده کارآیی لازم را نداشتند. دقت تخمین ضرایب رطوبتی توسط مدل­های شبکه عصبی مصنوعی بیشتر از مدل­های رگرسیونی بود. 

کلیدواژه‌ها

• توابع انتقالی خاک
• رطوبت پژمردگی دائم
• رطوبت ظرفیت زراعی
• رگرسیون
• شبکه عصبی مصنوعی

عنوان مقاله [English]

Estimating of Field Capacity, Permanent Wilting and Available Water Content in Ardabil Plain Soils using Regression and Artificial Neural Network Models

نویسندگان [English]

• Hamed Amir Abedi ¹
• Shokrollah asghari ²
• Tarahhom Mesri Gandoshmin ³
• Farshad Keivan behjo ⁴

¹ MSc. Student of Soil Science, College of Agriculture, Mohaghegh Ardabili University

² Assis. Prof. Department of Soil Science, Mohaghegh Ardabili University

³ Assis. Prof, Department of Mechanical Engineering, Mohaghegh Ardabili University

⁴ Assistant Professor, Faculty of Natural Resources, Mohaghegh Ardabili University

چکیده [English]

Direct measurement of soil hydraulic properties is consuming, costly and sometimes unreliable because of soil heterogeneity and experimental errors. These properties can be estimated from surrogate data such as particle size distribution, bulk density, organic carbon and CaCO₃ using pedotransfer functions (PTFs). The objective of this research was presentation of regression and neural network models for estimation of missing soil properties including field capacity, permanent wilting and available water contents from above-cited surrogate soil properties in some soil of  the Ardabil Plain. Total 100 soil samples were taken and then some physical and chemical properties of them measured. Soil samples were divided into two groups as 80 for the development and 20 for the validation of PTFs. Neural network and regression models were made using Neurosolution5 and SPSS softwares, respectively. The values of determination coefficient (R²) and root mean square error (RMSE) for the estimation of field capacity, permanent wilting and available water contents were obtained 0.82 and 2.29, 0.82 and 1.38, 0.57 and 1.97 in the best regression models and 0.87 and 1.9, 0.90 and 1.02, 0.73 and 1.56 in the best neural network models, respectively. The values of R² and RMSE for the results of regression and artificial neural network PTFs showed that both models can be applied to predicting missing soil properties. Regression models hadn’t any efficiency to predict available water content. Artificial neural networks were performed better than regression models in this case.

کلیدواژه‌ها [English]

• artificial neural networks
• field capacity water content
• permanent wilting water content
• Regression
• Soil Pedotransfer Function