تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,491 |
تعداد مشاهده مقاله | 2,264,557 |
تعداد دریافت فایل اصل مقاله | 1,896,505 |
برآورد رطوبت های ظرفیت زراعی، پژمردگی دائم و قابل استفاده در خاک های دشت اردبیل با استفاده از مدل های رگرسیونی و شبکه عصبی مصنوعی | ||
تحقیقات کاربردی خاک | ||
مقاله 6، دوره 1، شماره 1، مرداد 1392، صفحه 60-72 اصل مقاله (272.31 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
حامد امیرعابدی1؛ شکراله اصغری* 2؛ ترحم مصری گندشمین3؛ فرشاد کیوان بهجو4 | ||
1دانشجوی کارشناسی ارشد، گروه علوم خاک، دانشگاه محقق اردبیلی | ||
2استادیار، گروه علوم خاک، دانشگاه محقق اردبیلی | ||
3استادیار، گروه مکانیک ماشینهای کشاورزی، دانشگاه محقق اردبیلی | ||
4استادیار، 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 | ||
مراجع | ||
References
Bauer A and Black AL. 1992. Organic carbon effects on available water capacity of three soil textural groups. Soil Sci. Soc. Am. J. 56׃ 248-254.
Bouma J. 1989. Using soil survey data for quantitative land evaluation. Adv. Soil Sci. 9:177-213.
Campbell GS. 1985. Soil Physics with Basics, Elsevier press, Amsterdam.
Ganbarian Alavijeh B and Liaghat A. 2011. Evaluation of pedotransfer functions and effect of organic matter in prediction of soil saturated water content.J. Water Soil. 25(5): 1016-1024. (in Farsi with English Summary)
Gardner, WH. 1986. Water content. In: Methods of soil analysis. Part1. Physical and mineralogical methods. 2nd Ed. (ed. A. Klute). Madison, WI: Am. Soc. Agron. 493-544.
Haghverdi A, Ghahraman B, Khoshnood Yazdi AA and Arabi Z. 2010. Estimating of water content in FC and PWP in north and north east of Iran's soil samples using k-nearest neighbor and artificial neural networks. Journal of Water and Soil, 24 (4): 804-814. (In Farsi with English Summary)
Hillel D. 2004. Introduction to environmental soil physics. Elsevier Academic Press. 494 p.
Hutson JL and Cass A. 1987. A retentivity function for use in soil-water simulation models. J. Soil Sci. 38: 105–113.
Khodaverdiloo H, Homaee M, Th. van Genuchten M and Ghorbani Dashtaki Sh. 2011. Deriving and validating pedotransfer functions for some calcareous soils. J. Hydro. 399: 93-99.
Klute A. 1986. Methods of soil analysis. Part 1. Physical and mineralogical methods. 2nd Ed. Agron. Monog. 9. ASA and SSSA, Madison, WI.
McBratneyAB, Minasny B, Cattle SR and Vervoort RW. 2002. From pedotransfer function to soil inference system. Geoderma, 109: 41–73.
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 Till. Res. 90: 108–116.
Mesri Gundoshmian T. 2009. The use of intelligent systems to optimize drop Combine. PhD Thesis, Engineering of Agriculture Machinery Mechanization Department, University of Tabriz. (In Farsi with English Summary)
Minasny B and Mcbartney AB. 2002. The neuro-m method for fitting neural network parametric pedotransfer functions. Soil Sci. Soc. Am. J. 66: 352-361.
Minasny B, McBratneyAB and Bristow KL. 1999. Comparison of different approaches to the development of pedotransfer functions for water retention curves. Geoderma, 93: 225–253.
Mosaddeghi MR and Mahboubi AA. 2011. Point pedotransfer functions for prediction of water retention of selected soil series in a semi-aired region of western Iran. Archives of Agronomy and Soil Science. 57(4): 327-342.
Navvabian M, Liaghat EM and Homaie M. 2004. Rapid estimation of hydraulic conductivity using neural networks. In: Proceedings of the Second National Student conference on Water and soil Resources. Shiraz Uni. Press, Pp: 203-211.
Pachepsky YA, Timlin DJ and Varallyay G. 1996. Artificial neural networks to estimate soil water retention from easily measurable data. Soil Sci. Soc. Am. J. 60: 727–773.
Page AL (ed.).1985. Methods of soil analysis. Part 2. Chemical and microbiological methods. Agronomy No. 9. American Society of Agronomy, Madison, WI.
Ramezani M, Ganbarian B, Liaghat AM and Salehi Khoshkroudi Sh. 2011. Developing pedotransfer functions for saline and saline- alkali soils. J. Water and Irrigation Manag. 1(1): 99-110. (In Farsi with English Summary)
Sarmadian F, Taghizade R, Asghari H and Akbarzade A. 2010. Comparison neuro-fuzzy, neural network and regression stepwise methods in predicting some soil properties. J. Water Soil Res. 41 (1): 211-220. (In Farsi with English Summary)
Schaap M G, Leij FJ and Van Genuchten MTh. 2001. Rosetta: a computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions. J. Hydrol. 251: 163–176.
Schaap MG and Bouten W. 1996. Modeling water retention curves of sandy soils using neural networks. Water Resour. Res. 32: 3033–3040.
Schaap MG, Leij FJ and Van Genuchten MTh. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Sci. Soc. Am. J. 62:847–855.
Shirani H and Rafienejad N. 2012. Estimating of some missing soil properties with regression pedotransfer functions and neural network in the Kerman. J. Soil Res. 25. (4): 349-359. (In Farsi with English Summary)
Shirazi MA and Boersma L. 1984. A unifying quantitative analysis of soil texture. SSSA. J. 48: 142–147.
Tamari, S, Wo¨sten, JH M and Ruiz-Suarez JC. 1996. Testing an artificial neural network for predicting soil hydraulic conductivity. Soil Sci. Soc. Am. J. 60: 1732–1741.
Van Genuchten, MTh. 1980. A closed-form equation for predicting the hydraulic conductivity of unsaturated soils. Soil Sci. Soc. Am. J. 44: 892–898.
Warrick AW. 2002. Soil physics companion. CRC Press. 389 p.
| ||
آمار تعداد مشاهده مقاله: 4,487 تعداد دریافت فایل اصل مقاله: 2,375 |