تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,499 |
تعداد مشاهده مقاله | 2,314,689 |
تعداد دریافت فایل اصل مقاله | 1,937,106 |
برآورد پایداری خاکدانههای تر از ویژگیهای زودیافت خاک در شمالغرب دریاچه ارومیه | ||
تحقیقات کاربردی خاک | ||
دوره 9، شماره 2، شهریور 1400، صفحه 102-115 اصل مقاله (724.51 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
شکراله اصغری* 1؛ مژگان حاتم وند2؛ مهسا حسنپور کاشانی3 | ||
1دانشگاه محقق اردبیلی | ||
2دانش آموخته کارشناسی ارشد، گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
3گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
چکیده | ||
اندازهگیری مستقیم میانگین وزنی قطر (MWD) خاکدانههای تر در آزمایشگاه کاری بسیار وقتگیر و پرهزینه است. هدف از این پژوهش ارائه توابع رگرسیونی، شبکه عصبی مصنوعی (ANN) و نروفازی برای برآورد MWD تر در شمال غرب دریاچه ارومیه بود. در مجموع 100 نمونه خاک دستخورده و دستنخورده از عمق 0 تا 10 سانتیمتری اراضی کشاورزی و بایر منطقه شبستر برای تعیین برخی ویژگیهای فیزیکی و شیمیایی زودیافت خاک برداشتهشد. متغیر MWD به روش الک تر در آزمایشگاه اندازهگیریشد. برای آموزش توابع از 80 درصد دادهها و برای آزمون توابع از 20 درصد دادهها استفاده گردید. همبستگی مثبت و معنیدار بین شن با کربن آلی (**43/0) و رس با نسبت جذبی سدیم (SAR) (**60/0) یافت شد. همبستگی مثبت و معنیدار بین MWD با کربن آلی (**58/0) و شن (**60/0) و همبستگی منفی و معنیدار بین MWD با رس (**48/0-) و SAR (**57/0-) تعیین گردید. نتایج توابع انتقالی نشان داد کربن آلی، شن و SAR مهمترین متغیرهای زودیافت در برآورد MWD بودند. مقادیر ضریب تبیین (R2)، مجذور میانگین مربعات خطا (RMSE) و میانگین خطا (ME) بهترتیب 84/0، mm 192/0،mm 122/0- و 84/0، mm154/0 ، mm 030/0 و 87/0،mm 215/0 و mm 161/0- بهترتیب برای بهترین تابع رگرسیونی، ANN و نروفازی در دادههای آزمون بهدست آمد. بنابراین توابع ANN بهدلیل داشتن RMSE پایین و ME نزدیک به صفر در مقایسه با توابع رگرسیونی و نروفازی از دقت بیشتری در برآورد MWD تر در خاکهای منطقه مورد مطالعه برخوردار بودند. | ||
کلیدواژهها | ||
توابع انتقالی خاک؛ رگرسیون؛ شبکه عصبی مصنوعی؛ میانگین وزنی قطر خاکدانه؛ نروفازی | ||
مراجع | ||
Alijanpour Shalmani A., Shabanpour M., Asadi H., and Bagheri F. 2011. Estimation of soil aggregate stability in forest`s soils of Guilan province by artificial neural networks and regression pedotransfer functions. Water and Soil Science, 21(3):153-162. (In Persian) Amirabedi H., Asghari Sh., Mesri T., and Balandeh N. 2016. Prediction of mean weight diameter of aggregates using artificial neural network and regression models. Applied Soil Research, 4(1): 39-53. (In Persian) Annabi M., Raclot D., Bahri H., Bailly G.S., Gomez C., and Bissonnais Y.L. 2017. Spatial variability of soil aggregate stability at the scale of an agricultural region in Tunisia. Catena, 153: 157–167. Asghari Sh., Roozban E., and Khodaverdiloo H. 2016. Derivation of pedotransfer functions for estimating penetration resistance, aggregate stability and parameters of van Genuchten moisture curve model in Fandoglou forest lands of Ardabil. Water and Soil Science, 26(1):129-148. (In Persian) Azamathulla H.M., Chang C.K., Ghani A.A., Ariffin J., Zakaria N.A., and Hasan Z.A. 2009. An ANFIS-based approach for predicting the bed load for moderately sized rivers. Journal of Hydro-environment Research, 3 (1): 35–44. Besalatpour A.A., Ayoubi S., Hajabbasi M.A., Mosaddeghi M.R., and Schulin R. 2013. Estimating wet soil aggregate stability from easily available properties in a highly mountainous watershed. Catena, 111: 72–79. 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. Blake G.R., and Hartge K.H. 1986b. Particle Density. In: Klute, A. (Ed). Methods of Soil Analysis. Part 1. 2nd Ed. Agronomy. Monograph. 9. Madison, WI: Soil Science Society of America; pp. 377-382. Danielson R, E., and Sutherland P.L. 1986. Porosity. In׃ Klute A (Ed). Methods of Soil Analysis. Part 1, 2 nd Ed. Agronomy Monograph. 9. Madison, WI: Soil Science Society of America; pp. 443-461. Evrendilek F., Celik I., and Kilic S. 2004. Changes in soil organic carbon and other physical soil properties along adjacent Mediterranean forest, grass land, and crop land ecosystem Turkey. Journal of Arid Environments, 59: 743–752. 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. SSSA Book Series No. 5. Madison, WI: Soil Science Society of America; 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. Hamzehpoura N., and Bogaert P. 2017. Improved spatiotemporal monitoring of soil salinity using filtered kriging with measurement errors: An application to the West Urmia Lake, Iran. Geoderma, 295: 22–33. Hillel D. 2004. Environmental Soil Physics. New York, USA: Academic Press. 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. Marashi M., Mohammadi Torkashvand A., Ahmadi A., and Esfandyari M. 2017. Estimation of soil aggregate stability indices using artificial neural network and multiple linear regression models. Spanish Journal of Soil Science, 7(2):122-132. Marashi M., Mohammadi Torkashvand A., Ahmadi A., and Esfandyari M. 2019. Adaptive neuro-fuzzy inference system: Estimation of soil aggregates stability. Acta Ecologica Sinica, 39: 95–101. Mollaei M., Bashari H., Basiri M., and Mosaddeghi M.R. 2015. Soil structural stability assessment using wet-sieving method in selected rangeland sites in Isfahan province. Journal of Water and Soil Science, 18 (70):121-133. (In Persian) Moghaddamnia A., Remesan R., Hasanpour Kashani M., Mohammadi M., Han D., and Piri J. 2009. Comparison of LLR, MLP, Elman, NNARX and ANFIS Models—with a case study in solar radiation estimation. Journal of Atmospheric and Solar-Terrestrial Physics, 71: 975–982. Merdun H., Cinar O., 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., and Mcbartney, A. B. 2002. The neuro-m method for fitting neural network parametric pedotransfer functions. Soil Science Society of America Journal. 66: 352-361. Nelson D.W., and Sommers L.E. 1982. Total carbon, organic carbon, and organic matter. In A.L. Page et al. (Ed.) Methods of Soil Analysis. Part 2. 2nd Ed. Agron. Monogr. 9. Madison, WI: Soil Science Society of America; pp. 539–579. Neaman A., and Singer A. 2011. The effects of palygorskite on chemical and physico-chemical properties of soils: a review. Geoderma, 123(3): 297-303. Page A.L. 1985. Methods of Soil Analysis. Part 2. Chemical and Microbiological Methods. Agron.Monog.9. ASA and SSSA, Madison, WI. Raheli B., Aalami M., T., El-Shafie A., Ghorbani M.A., and Deo, R.C. 2017. Uncertainty assessment of the multilayer perceptron (MLP) neural network model with implementation of the novel hybrid MLP-FFA method for prediction of biochemical oxygen demand and dissolved oxygen: A case study of Langat River. Environmental Earth Sciences, 76(14): 503. Richards L.A. 1954. Diagnosis and improvement of saline and alkali soils. Agricultural Handbook No. 60. U.S. Salinity Laboratory Riverside, California. Tajik F. 2004. Evaluation of soil aggregate stability in some regions of Iran. Journal of Water and Soil Science, 8 (1):107-123. (In Persian) Yazdani A., Mosaddeghi M.R., Khademi H., Ayoubi S., and Khayamim F. 2014. Relationship between surface aggregate stability and some soil and climate properties in Isfahan province. Soil Management, 3(2): 23-31. (In Persian) Yoder R.E. 1936. A direct method of aggregate analysis of soils and a study of the physical nature of erosion losses. Journal of American Society Agronomy, 28: 337-35. | ||
آمار تعداد مشاهده مقاله: 1,511 تعداد دریافت فایل اصل مقاله: 1,046 |