تعداد نشریات | 13 |
تعداد شمارهها | 145 |
تعداد مقالات | 1,452 |
تعداد مشاهده مقاله | 2,187,351 |
تعداد دریافت فایل اصل مقاله | 1,821,374 |
برآورد پارامترهای منحنی مشخصه رطوبتی با استفاده از ویژگیهای فیزیکی، ژئوفیزیکی و مکانیکی خاک با درخت تصمیمگیری | ||
تحقیقات کاربردی خاک | ||
دوره 9، شماره 4، اسفند 1400، صفحه 38-48 اصل مقاله (1.21 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
سمیرا مصری1؛ شجاع قربانی دشتکی* 2؛ حسین شیرانی3؛ ابوالقاسم کامکار روحانی4؛ حمیدرضا متقیان5 | ||
1دانشگاه شهرکرد | ||
2عضو هیات علمی دانشگاه شهرکرد | ||
3استاد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولی عصر رفسنجان، رفسنجان، ایران | ||
4دانشگاه شاهرود | ||
5گروه خاک؛ دانشگاه شهرکرد | ||
چکیده | ||
امروزه استفاده از روشهای نوین به منظور برآورد پارامترهای هیدرولیکی همانند منحنی مشخصه رطوبتی مورد توجه قرار دارد. هدف از این پژوهش برآورد عوامل اثرگذار در مدلسازی پارامترهای منحنی مشخصه رطوبتی، به وسیله خصوصیات زودیافت فیزیکی، ژئوفیزیکی و مکانیکی با استفاده از درخت تصمیمگیری و تخمینگر خطا اعتبار-سنجی متقاطع و بازجایگزینی میباشد. در این پژوهش، 72 نمونه خاک از شش بافت مختلف از روستای مرغملک و شهرستان شهرکرد گردآوری شد. خصوصیات زودیافت خاک در دو سناریو (سناریو اول: کربنات کلسیم، ماده آلی، درصد شن و رس، چگالی ظاهری، pH، EC، میانگین وزنی قطر خاکدانه خشک و مرطوب و رطوبت اشباع، سناریو دوم: کربنات کلسیم، ماده آلی، درصد شن و رس، چگالی ظاهری، درصد سنگریزه، مقاومت الکتریکی، ثابت دیالکتریک، مقاومت فروروی) به نرمافزار معرفی شدند. نتایج حاصل از این پژوهش نشان داد که ضریب همبستگی برای متغیرهای هدف PWP در سناریو اول 88/0 و در سناریو دوم برای متغیر هدف FC 93/0 بیشترین مقدار است. با جایگزینی ویژگیهای ژئوفیزیکی و مکانیکی در سناریو دوم ضریب همبستگی برای متغیرهای FC و α که متاثر از ساختمان و بافت خاک هستند افزایش و برای متغیرهای PWP و n و m که بیشتر متاثر از بافت خاک هستند، کاهش یافت. %RMSE نیز برای متغیرهای FC و α در سناریو دوم با اختلاف جزئی کمتر از سناریو اول بود، اما به طور کلی با توجه به %RMSE مدلسازی برای همه متغیرهای هدف در هر دو سناریو موفق بوده است. | ||
کلیدواژهها | ||
ثابت دی الکتریک؛ مقاومت الکتریکی؛ مقاومت مکانیکی؛ هوش مصنوعی | ||
مراجع | ||
Amir-Abedi H. Asghari Sh.A., Mesri-Gandshamin T., Keivanbehjo F. 2013. Estimating of field capacity, permanent wilting and available water content in Ardabil plain soils using regression and artificial neural network models. Applied Soil Research. 1 (1): 60-72. (In Persian)
Bouyoucos G.J. 1962. Hydrometer method improved for making particle size analysis of soils. Agronomy Journal. 54: 464-465.
Farzadmehr M., Chahmani M., Khayaki Siouki AS. 2018. Comparing decision tree and instance-based learning models to estimate soil saturated hydraulic conductivity. Journal of Soil and Water Conservation Research. 25 (5): 167-184. (In Persian)
Hengle T., and Husnjak S. 2006. Evaluation adequacy and usability of soil maps in Croatia. Soil Science Society of America Journal, 70:920-929.
Hutson J.L., and Cass A. 1987. A retentivity function for use in soil-water simulation models. Journal of Soil Science. 38: 105–113.
Kemper W.D., and RoseNau R.C. 1986. Aggregate stability and size distribution. In Sparks D.L. (Ed.) Methods of Soil Analysis. American society of agronomy, Madison. pp: 425-442.
Khashei Siuki A., Jalali Moakhar V.R., Noferesti A.M., and Ramazani Y. 2015. Comparing nonparametric k-nearest neighbor technique with ANN model for predicting soil saturated hydraulic conductivity. Journal of Soil Management and Sustainable Production. 5: 3. 81-95. (In Persian)
Klute A., and Dirksen C. 1986. Hydraulic conductivity and diffusivity: Laboratory methods. In: A. Klute (Eds). Method of Soil Analysis, Part1: Agronomy Soil Science Society of America Madison.W.I. 687-734.
Meshkani A.S., and Nazemi AS. 2009. Introduction to Data Mining. Ferdowsi University Press, Mashhad. 456P.
Mesri S., Ghorbanidashtaki Sh., Shirani H., Kamkarrohani A., Motaghian H.M., and Bahrami H.A. 2020. Hydraulic conductivity estimation using different decision tree modeling scenarios. Iranian journal of soil research. (34): 143-154.doi.org/10.22092/ijsr.2020.122159
Mesri S., Ghorbanidashtaki Sh., Shirani H., Kamkarrohani A., and Motaghian H.M. 2020. Evaluating the accuracy of some field methods for measuring soil moisture. Journal of water research in agriculture. 34 :93- 105.doi.org/10.22092/jwra.2020.121920
Minasny B. 2007. Prediction soil properties. Jurnal Ilmu Tanah dan Lingkungan. 7: 54-67.
Moncada M.P., Gabriels D., and Cornelis W.M. 2014. Data-driven analysis of soil quality indicators using limited data. Geoderma. 235: 271-278.
Nemes A., Rawls W.J., and Pachepsky Y.A. 2006. Use of the nonparametric nearest neighbor approach to estimate soil hydraulic properties. Soil Science Society of America Journal. 70: 2. 327-336.
Page M.C., Sparks D.L., Noll M.R., and Hendricks G.J. 1987. Kinetics and mechanisms of potassium release from sandy Middle Atlantic Coastal Plain soils. Soil Science Society of America Journal. 51: 1460-1465.
Ramezani M., Ganbarian B., Liaghat A.M., and Salehi Khoshkroudi Sh. 2011. Developing pedotransfer functions for saline and saline- alkali soils. Journal of Irrigation and Water Management. 1(1): 99-110. (In Persian with English Summary)
Shahrabi c. 2011. Data Mining 2. First edition, Amir Kabir University Industrial Jihad Press, Tehran. 300p.
Shirani. H. 2017. Artificial Neural Networks with an Application in Agricultural and Natural Resource Sciences. Rafsanjan University Press. 320p. (In Persian)
Walkley A., and Black I.A. 1934. An examination of the Degtjareff method for determining soil organic matter and a proposed modification of the chromic acid titration method. Soil Science Journal. 37: 29-38.
Wenner F. 1916. A method of measuring earth resistivity; Scientific Paper, Report No. 258; National Bureau of Standards; Gaithersburg, MD, USA; V (12), pp. 469-482. | ||
آمار تعداد مشاهده مقاله: 1,303 تعداد دریافت فایل اصل مقاله: 1,012 |