مدل سازی هدایت هیدرولیکی اشباع خاک با استفاده از روش های هوشمند

اصغری, شکراله; حسنپور کاشانی, مهسا

doi:10.30466/asr.2026.56168.1885

مدل سازی هدایت هیدرولیکی اشباع خاک با استفاده از روش های هوشمند

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ فیزیک خاک، گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

² گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

10.30466/asr.2026.56168.1885

چکیده

هدایت هیدرولیکی اشباع (K_s) خاک نقش کلیدی در انتقال آب، عناصر غذایی و آلایندهها در خاک دارد. اندازهگیری مستقیم K_s در خاک به زمان و هزینه زیادی نیاز داشته و نتایج بهدست آمده بهدلیل غیریکنواختی خاک و بروز خطا ممکن است چندان قابل اعتماد نباشد. بنابراین از روشهای غیر مستقیم مانند توابع انتقالی رگرسیونی و مدلهای هوشمند برای تخمین این متغیر دیریافت خاک استفاده گردیده است. هدف از این پژوهش، مقایسه عملکرد سه مدل هوشمند نرو-فازی (NF)، برنامهریزی بیان ژن (GEP) و جنگل تصادفی (RF) در برآورد K_s از روی ویژگیهای زودیافت خاک بود. برای این منظور، از اطلاعات مربوط به 102 نمونه خاک منتخب از اراضی زراعی دشت اردبیل شامل شن، سیلت، رس، میانگین و انحراف معیار هندسی قطر ذرات، جرم مخصوص ظاهری و حقیقی، کربن آلی، آهک و K_s استفاده شد. تعداد 82 داده برای آموزش و 20 داده برای آزمون مدلهای هوشمند به کار گرفته شد. پنج ترکیب مختلف از متغیرهای خاک بهعنوان ورودی مدل برای برآورد K_s توسط سه مدل NF، GEP و RF انتخاب شدند. نتایج هر سه روش هوشمند بهکار رفته در تحقیق گویای آن بود که با ترکیب دو متغیر ورودی رس و جرم مخصوص ظاهری خاک، بالاترین دقت بدست آمد. مقادیر آمارههای ضریب تبیین (R²)، ریشه میانگین مربعات خطای نرمال شده (NRMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) براساس دادههای آزمونی برابر 83/0، 118/0، cm min^-1 002/0، 81/0 و 83/0، 145/0، cm min^-1 020/0،71/0و 74/0، 151/0، cm min^-1 020/0 و 69/0 بهترتیب برای بهترین مدل NF، GEP و RF در برآورد K_s محاسبه گردید. نتایج نشان داد که مدل NF در مقایسه با دو مدل هوشمند دیگر به دلیل برخورداری از NRMSE پایین و NS بالا توانست K_s را با دقت بالایی در منطقه مورد مطالعه برآورد نماید.

کلیدواژه‌ها

موضوعات

مهندسی علوم خاک

عنوان مقاله [English]

Modeling of Soil Saturated Hydraulic Conductivity Using Intelligent Methods

نویسندگان [English]

shokrollah Asghari ¹
Mahsa Hasanpour Kashani ²

¹ Soil Physics, Department of Soil Sciences and engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran.

² Department of Water Engineering, Faculty of Agriculture and Natural Recourses, University of Mohaghegh Ardabili, Ardabil, Iran

چکیده [English]

The saturated hydraulic conductivity (Ks) of soil plays a key role in the transport of water, nutrients, and pollutants in soil. Direct measurement of Ks in soil is time-consuming and expensive, and due to soil heterogeneity and error, the results obtained may not be very reliable. Therefore, indirect methods such as regression pedotransfer functions and intelligent models have been used to estimate this soil hardness variable. The aim of this study was to compare the performance of three intelligent models including neurofuzzy (NF), gene expression programming (GEP), and random forest (RF) in estimating Ks from readily available soil variables. For this purpose, information on 102 soil samples selected from the agricultural lands of the Ardabil plain, including sand, silt, clay, geometric mean and geometric standard deviation of particle diameter, bulk and particle density, organic carbon, CaCO3, and Ks, was used. Eighty two data were used for training and 20 data were used for testing the intelligent models. Five different combinations of readily available soil variables were selected as model inputs to estimate Ks by NF, GEP, and RF models. The results of all three intelligent methods used in the study indicated that the combination of two input variables including clay and soil bulk density, had the highest accuracy and was the best model in estimating Ks. The values of the coefficient of determination (R2), normalized root mean square error (NRMSE), mean error (ME), and Nash-Sutcliffe coefficient (NS) were calculated based on the test data as 0.83, 0.118, 0.002 cm min-1, 0.81, and 0.83, 0.145, 0.020 cm min-1, 0.71, and 0.74, 0.151, 0.020 cm min-1, 0.69 for the best NF, GEP, and RF models in estimating Ks, respectively. The results showed that the NF model, compared to the other two intelligent models, was able to estimate Ks with high accuracy in the study area due to its low NRMSE and high NS.

کلیدواژه‌ها [English]

Estimation
Gene expression
Neuro-fuzzy
Random forest
Soil hydraulic conductivity

مراجع

Amirabedi H., Asghari Sh., Mesri T., Balandeh N., and Johari E. 2019. Estimating the soil saturated hydraulic conductivity in Ardabil plain soils using artificial neural networks and regression models. Applied Soil Research, 7(4): 88-109. (In Persian)

Ahmadi A., Palizvan zand P. and Palivan zand, H. 2018. Estimation of saturated hydraulic conductivity by using gene expression programming and ridge regression (A case study in East Azerbaijan province). Iranian Journal of Soil and Water Research, 48(5): 1087-1095. (In Persian)

Badri Z. and Darbandi, S. 2022. Simulation of soil hydraulic conductivity using adaptive fuzzy neural inference system model (Case study of East Azarbaijan Province soils). Water and Soil Science, 32(2): 179-189. (In Persian)

Blake G.R., and Hartge K.H. 1986a. Bulk density, In: Klute, A. (Ed.). Methods of Soil Analysis. Part 1. 2nd ed. Agronomy. Monograph. 9. Madison, WI: Soil Science Society of America; pp. 363-375.

Breiman L. 2001. Random forests. Machine Learning, 45: 5-32.

Ferreira C. 2006. Gene Expression Programming: Mathematical modeling by an artificial intelligence. Springer, Berlin, Heidelberg, New York, p. 478.

Farzadmehr M., Dastourani M., Khashei Siuki A., and Jalali Moakhar V.R. 2021. Estimating the saturated hydraulic conductivity of soil using Gene expression programming method and comparing it with the pedotransfer functions. Journal of watershed Management Research, 11(22):155-164. (In Persian)

Gee G.W., and Or D. 2002. Particle-size analysis. In: Dane J. H., and Topp G. C. (Eds.), Methods of soil analysis—Part 4. Physical Methods—SSSA Book Series No. 5. Soil Science Society of America, Madison, WI, pp. 255-293.

Ghorbani M.A., Deo R.C., Kashani M.H., Shahabi M., and Ghorbani S. 2019. Artificial intelligence-based fast and efficient hybrid approach for spatial modeling of soil electrical conductivity. Soil and Tillage Research, 186: 152–164.

Jury W., and Horton R. 2004. Soil Physics. John Wiley and Sons, Inc.

Klute A., and Dirksen C. 1986. Hydraulic conductivity and diffusivity: Laboratory methods. p. 687-734. In: Klute A(ed). Methods of Soil Analysis. Part 1, Physical and Mineralogical Methods, 2nd ed. ASA and SSSA, Madison, WI.

Kozak E., Pachepsky Y.A., Sokolowski S., Sokolowska Z., and Stepniewski W. 1996. A modified number-based method for estimating fragmentation fractal dimensions of soils. Soil Science Society of America Journal, 60: 1291-1297.

Nelson D.W., and Sommers L.E. 1982. Total carbon, organic carbon, and organic matter. p. 539–579. In A.L. Page et al. (ed.) Methods of Soil Analysis. Part 2. 2^nd ed. Agron. Monogr. 9. ASA and SSSA, Madison, WI.

Piri H., Mobaraki M. and Mir M. 2023. Comparison and application of random forest, chaid and geostatistics models in predicting soil saturated hydraulic conductivity. Journal of Ecohydrology, 10(2): 173-185.

Rehman Z., Khalid U., Ijaz N., Mujtaba H., Haider A., Farooq K., and Ijaz Z. 2022. Machine learning-based intelligent modeling of hydraulic conductivity of sandy soils considering a wide range of grain sizes. Engineering Geology, 311, 106899.

Shirazi M.A., and Boersma L. 1984. A unifying quantitative analysis of soil texture. Soil Science

Society American Journal, 48 (1): 142–147.

Shiri J., Keshavarzi A., Kisi O., and Karimi S. 2017. Using soil easily measured parameters for estimating soil water capacity: Soft computing approaches. Computers and Electronics in Agriculture, 141: 327-339.

Singh V.K., Kumar D., Kashyap P.S., Singh P.K., Kumar A., and Singh S.K. 2020. Modelling of soil permeability using different data driven algorithms based on physical properties of soil. Journal of Hydrology, 580(124223).

Tan Y., Zhang P., Chen J., Shamet R., Nam B.H., and Pu H. 2023. Predicting the hydraulic conductivity of compacted soil barriers in landfills using machine learning techniques. Waste Management, 157: 357-366.

Wan H., Qi H., and Shang S. 2023. Estimating soil water and salt contents from field measurements with time domain reflectometry using machine learning algorithms. Agricultural Water Management, 285, 108364.

Waseem M., Mani N., Andiego G., and Usman, M. 2017. A review of criteria of fit for hydrological models. International Research Journal of Engineering and Technology, 4(11): 1765-1772.

Zhang R., and Zhang S. 2024. Coefficient of permeability prediction of soils using gene expression programming. Engineering Applications of Artificial Intelligence, 128(107504).