تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,491 |
تعداد مشاهده مقاله | 2,271,263 |
تعداد دریافت فایل اصل مقاله | 1,906,039 |
تاثیر متغیرهای ورودی بر قابلیت برآورد مقدار رطوبت خاک از طریق مدل های مختلف منحنی نگهداشت آب خاک | ||
تحقیقات کاربردی خاک | ||
مقاله 3، دوره 2، شماره 1، مرداد 1393، صفحه 26-42 اصل مقاله (264.75 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
عیسی ابراهیمی1؛ حسین بیات* 2؛ حمید زارع ابیانه3 | ||
1- دانشجوی سابق کارشناسی ارشد، گروه خاکشناسی دانشکده کشاورزی دانشگاه بوعلی سینا | ||
2استادیار گروه خاکشناسی دانشکده کشاورزی دانشگاه بوعلی سینا | ||
3دانشیار گروه آبیاری دانشکده کشاورزی دانشگاه بوعلی سینا | ||
چکیده | ||
منحنی نگهداشت آب خاک یکی از ویژگیهای اصلی خاک است و کاربردهای فراوانی دارد. اندازهگیری مستقیم این منحنی بسیار زمان بر و پرهزینه است. بنابراین، این منحنی اغلب با استفاده از روشهای غیرمستقیم از جمله توابع انتقالی خاک برآورد میگردد. مدلهای پرشماری برای کمیسازی این منحنی ارائه شده است و همچنین توابع انتقالی فراوانی برای پیشبینی این منحنی ایجاد گردیده است. با این وجود قابلیت برآورد مقدار رطوبت خاک با استفاده از سطوح متفاوت متغیرهای ورودی توابع انتقالی از طریق مدلهای متفاوت منحنی نگهداشت آب خاک با استفاده از شبکههای عصبی مصنوعی مورد بررسی قرار نگرفته است. در این پژوهش 75 نمونه خاک از استان گیلان جمعآوری و آزمایشهای پایه روی آنها انجام شد. آب خاک در 12 مکش (صفر، 1 ، 2، 5 ،10 ، 25 ، 50 ، 100 ، 200 ، 500 ، 1000 و 1500 کیلوپاسکال) اندازهگیری و ده مدل بر آنها برازش داده شد. معادله پریر بر دادههای توزیع اندازه ذرات و خاکدانهها برازش شده و پارامترهای فراکتالی مربوطه بهدست آمدند. پارامترهای فراکتالی ذرات و خاکدانهها هر کدام در مراحل جداگانه به همراه رس، شن و جرم مخصوص ظاهری برای برآورد رطوبت از طریق مدلهای مختلف استفاده شدند. در بین مدلهای مورد مطالعه مدل سکی، فرمی و گاردنر با دقت بالاتری در مقایسه با سایر مدلهای منحنی نگهداشت آب خاک برآورد شدند. بر خلاف انتظار دقت برآورد مدلهای دکستر و دورنر پایین بود. نتایج تجزیه کلاستر نشان داد که مدلهای دورنر و دکستر هر کدام در یک گروه جداگانه قرار گرفتند. مشاهده شد که تغییر برآوردگرها باعث تغییر در دقت برآورد رطوبت توسط مدلها شده و جایگاه و رتبهبندی مدلها در جداول را تغییر داد. در سطح اول مدلهای فرمی و دکستر به ترتیب بهترین و ضعیفترین دقت برآورد را داشتند. ولی درسطح دوم برآوردگرها مدل گاردنر و تانی بهترتیب بهترین و ضعیفترین دقت برآورد را نشان دادند. | ||
کلیدواژهها | ||
پارامترهای فراکتالی؛ تجزیه کلاستر؛ مدل های منحنی نگهداشت آب خاک | ||
مراجع | ||
Reference
Agyare W, Park S and Vlek P. 2007. Artificial neural network estimation of saturated hydraulic conductivity. Vadoze Zone Journal, 6(2): 423-431.
Arya LM and Paris JF. 1981. A physicoempirical model to predict the soil moisture characteristic from particle-size distribution and bulk density data. Soil Science Society of America Journal, (45): 1023–1030.
Baker L, and Ellison D. 2008. Optimisation of pedotransfer functions using an artificial neural network ensemble method. Geoderma, (144): 212–224.
Bayat H, Ebrahimi E, Rastgo M, Davatgar N and Zareabiane H. 2013. Investigating the fitting accuracy of different soil water characteristic models on various soil textural classes. Journal of Soil and Water Knowledge, 23(3): 159-175. (In Persian).
Bezdek JC, Keller J, Krishnapuram R and Pal NR. 1999. Fuzzy models and algorithms for pattern recognition and image processing, Kluwer, Boston, London, 776p.
Bezdek JC and Pal SK. 1992. Fuzzy models for pattern recognition—methods that search for structures in data, IEEE Press, Piscataway, USA.
Brutsaert, W. 1966. Probability laws for pore-size distribution. Soil Science Society of America Journal, 101: 85–92. 412.
Brooks RH and Corey AT. 1964. Hydraulic properties of porous media. ColoradoStateUniversity Hydrology Papers No. 3, Fort Collins, 27p.
Buchan GD, Grewal K and Robson A. 1993. Improved models of particle-size distribution: An illustration of model comparison techniques. Soil Science Society of America Journal, 57(4): 901-908.
Campbell GS. 1974. A simple method for determining unsaturated conductivity from moisture retention data. Soil Science, 117(6): 311-314.
Cazemier D, Lagacherie P and Martin-Clouaire R. 2001. A possibility theory approach for estimating available water capacity from imprecise information contained in soil databases. Geoderma, 103(1): 113-132.
Dane JH and Jan WH. 2002. Water retention and storage. In Warren AD (ed.). Methods of soil analysis. Part 4. Physical methods. Soil Science Society of America, Madison, Wisconsin, pp: 671-717.
Davatgar N, Kavoosi M, Alinia MH and Paykan M. 2006. Study of potassiun status and effect of physical and chemical properties of soil on it in paddy soils of GuilanProvince. Journal of Water and Soil Sciences, 9(4): 71-89. (In Persian).
Dexter A, Czyz E, Richard G and Reszkowska A. 2008. A user-friendly water retention function that takes account of the textural and structural pore spaces in soil. Geoderma, 143(3): 243-253.
Durner W. 1994. Hydraulic conductivity estimation for soils with heterogeneous pore structure. Water Resources Research, 30(2): 211-223.
Fooladmand HR and Hadipour S. 2011. Parametric pedotransfer functions of a simple linear scale model for soil moisture retention curve. African Journal of Agricultural Research, 6(17): 4000-4004.
Fredlund DG and Xing A. 1994. Equations for the soil-water characteristic curve. Canadian Geotechnical Journal, 31(4): 521-532.
Frigge M, HoaglinDC and Iglewicz B. 1989. Some implementations of the boxplot. The American Statistician, 43(1): 50-54.
Gardner W. 1956, Mathematics of isothermal water conduction in unsaturated soils. Highway Research Board Special Report 40, International Symposium on Physico-Chemical Phenomenon in Soils. WashingtonDC, pp. 78-87.
Gee GW and Or D. 2002. Particle-size and analysis. In: Warren AD (ed.). Methods of soil analysis Part 4. Physical methods. Soil Science Society of America, Madison, Wisconsin, pp: 255-295.
Groenevelt P and Grant CD. 2004. A new model for the soil-water retention curve that solves the problem of residual water contents. European Journal of Soil Science, 55(3): 479-485.
Grossman RB and Reinsch TG. 2002. In: Dane JH, Clarke TG (ed.). Methods of soil analysis Part 4. Physical methods. Soil Science Society of America, Madison, Wisconsin, pp: 211-254.
Hoppner F, Klawonn F, Kruse R and Runkler T. 1999. Evaluation of soil water retention curve with the pore–solid fractal model. Geoderma, (127): 52- 61.
Haverkamp R, Leij FJ, Fuentes C, Sciortino A and Ross P. 2005. Soil Water Retention. Soil Science Society of America Journal, 69(6): 1881-1890.
Jana RB, Mohanty BP and Springer EP. 2007. Multiscale pedotransfer functions for soil water retention. Vadoze Zone Journal, 6(4): 868-878.
Khlosi M, Cornelis WM, Douaik A, van GenuchtenMT and Gabriels D. 2008. Performance evaluation of models that describe the soil water retention curve between saturation and oven dryness. Vadoze Zone Journal, 7(1): 87-96.
Koekkoek E and Booltink H. 1999. Neural network models to predict soil water retention. European Journal of Soil Science, 50(3): 489-495.
Kosugi Ki. 1994. Three-parameter lognormal distribution model for soil water retention. Water Resources Research, 30(4): 891-901.
Manyame C, Morgan C, Heilman J, Fatondji D, Gerard B and Payne W. 2007. Modeling hydraulic properties of sandy soils of Niger using pedotransfer functions. Geoderma, 141(3): 407-415.
Mayr T and Jarvis N. 1999. Pedotransfer functions to estimate soil water retention parameters for a modified Brooks–Corey type model. Geoderma, 91(1): 1-9.
McKee C and Bumb A. 1984. The importance of unsaturated low parameters in designing a hazardous waste site. Hazardous Wastes and Environmental Emergencies Hazardous Materials Control Research Institute National Conference. March 12-14, Houston, Texas, pp: 50-58.
McKee C and Bumb A. 1987. Flow-testing coalbed methane production wells in the presence of water and gas. Society of Petroleum Engineers Formation Evaluation, 2(4): 599-608.
Merdun H, Cınar 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(1): 108-116.
Millan H, Gonzalez PM, Morilla AA and Perez E. 2007. Self similar organization of Vertislo microstructure a pore solid fractal interretation. Geoderma, (138): 185-190.
Minasny B, Hopmans J, Harter T, Eching S, Tuli A and Denton M. 2004. Neural networks prediction of soil hydraulic functions for alluvial soils using multistep outflow data. Soil Science Society of America Journal, 68(2): 417-429.
Minasny B and McBratney A. 2002. The method for fitting neural network parametric pedotransfer functions. Soil Science Society of America Journal, 66(2): 352-361.
Nabizadeh E and Beigi Harchegani H. 2011. The Fitting Quality of Several Water Retention Models in Soil Samples from Lordegan, Charmahal-va-Bakhtiari. Journal of Water and Soil, 25(3): 634-645. (In Persian.)
Pachepsky YA,Timlin D and Varallyay G. 1996. Artificial neural networks to estimate soil water retention from easily measurable data. Soil Science Society of America Journal, 60(3): 727-733.
Perrier E, Bird N and Rieu M. 1999. Generalizing the fractal model of soil structure: The pore–solid fractal approach. Geoderma, 88(3): 137-164.
Rawls W and Pachepsky YA. 2002. Soil consistence and structure as predictors of water retention. Soil Science Society of America Journal, 66(4): 1115-1126 | ||
آمار تعداد مشاهده مقاله: 2,395 تعداد دریافت فایل اصل مقاله: 1,405 |