کارایی روش های حداقل مربعات معمولی (OLS) و شبکه بیزین در تخمین درصد سدیم تبادلی (ESP) خاک

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد علوم خاک، دانشگاه زنجان

2 عضو هیئت علمی مرکز آموزش عالی شهید باکری میاندوآب، دانشگاه ارومیه

3 استادیار، عضو هیات علمی وزارت علوم، تحقیقات و فناوری (معاونت پژوهش و فناوری)

چکیده

سابقه و هدف: در علوم خاک، برای ارزیابی درجه سدیمی‌بودن خاک از دو ویژگی مهم نسبت جذب سدیم و درصد سدیم تبادلی استفاده می‌شود. برای اندازه‌گیری درصد سدیم تبادلی، اندازه‌گیری ظرفیت تبادل کاتیونی ضروری است که اندازه‌گیری آن وقت‌گیر، پرهزینه و همراه با خطا است. به‌منظور تخمین غیر مستقیم درصد سدیم تبادلی، استفاده از ویژگی‌های زودیافت خاک بسیار بهینه و اقتصادی‌تر می‌باشد. تحقیقات نشان داده‌اند که بین درصد سدیم تبادلی و نسبت جذب سدیم رابطه وجود دارد. بنابراین، از نسبت جذب سدیم می‌توان برای پیش-بینی درصد سدیم تبادلی استفاده کرد. به همین دلیل تلاش‌های زیادی برای تخمین درصد سدیم تبادلی با استفاده از پارامتر‌های زودیافت خاک انجام شده است. هدف از این تحقیق، توسعه مدل کمترین مربعات معمولی و شبکه بیزین برای تعیین درصد سدیم تبادلی با استفاده از نسبت جذب سدیم درخاک‌های شهرستان بناب در استان آذربایجان شرقی است.
مواد و روش‌ها: در تحقیق حاضر، 209 نمونه خاک با استفاده از روش شبکه‌بندی منظم (250 × 250) از غرب شهرستان بناب برداشته شد. این محدوده 1300 متر بالاتر از سطح آزاد دریاهای آزاد بوده و با آب و هوای نیمه خشک در شمال غرب ایران واقع شده است. سپس برخی از خواص شیمیایی خاک مانند Na+ ،Ca2+ ،Mg2+، SAR و ESP نمونه‌های خاک با استفاده از روش‌های آزمایشگاهی اندازه‌گیری شد. سپس، دو مدل کمترین مربعات معمولی و شبکه بیزین برای تخمین درصد سدیم تبادی از نسبت جذب سدیمی توسعه داده شد .تخمین-گر OLS، تابع خطی از مقادیر متغیر وابسته بوده که با استفاده از وزن‌های یک تابع غیر خطی از مقادیر متغیرهای مستقل عمل می‌کند .بنابراین، تخمین‌گر OLS وابسته به نحوه استفاده از مقادیر متغیر وابسته است، صرف نظر از اینکه چگونه از مقادیر مستقل استفاده می‌کند . شبکه بیزین نیز یک مدل گرافیکی احتمالی است که مجموعه‌ای از متغیرها و وابستگی‌های مشروط را از طریق یک نمودار آسیکلیک هدایت-شده (DAG) نشان می‌دهد. این شبکه یک گراف جهت‌دار غیرمدور است که مجموعه‌ای از متغیرهای تصادفی و نحوه ارتباط مستقل آنها را نشان می‌دهد. در واقع شبکه‌های بیزین می‌توانند مشکلات تصمیم‌گیری را در حین عدم اطمینان حل کنند.
یافته‌ها: ضریب تبیین و جذر میانگین مربعات خطا مدل ESP-SAR با روش‌های کمترین مربعات معمولی و شبکه بیزین به‌ترتیب 99/0، 71/0 و 98/0، 63/1 برآورد گردید. بر اساس نتایج آماری فوق هر دو مدل قابل قبول هستند. برای مقایسه مقادیر ESP خاک با استفاده از مدل خاک ESP-SAR با مقادیرESP اندازه‌گیری شده با استفاده از روش آزمایشگاهی، از آزمون t استفاده شد .نتایج آزمون t نشان داد که تفاوت بین مقادیر ESP خاک تخمینی توسط مدل‌ها و مقادیر اندازه‌گیری شده با روش‌های آزمایشگاهی از لحاظ آماری معنی دار نبود (P> 0.05). بنابراین، مدل‌های ESP-SAR توسعه‌یافته می‌تواند یک روش آسان، اقتصادی و کوتاه برای ارزیابی ESP خاک ارائه دهد. شاخص GMER همچنین تخمین کم دو روش را مورد ارزیابی قرار داد.
نتیجه‌گیری: نتایج مطالعه حاضر نشان داد که مدل‌های کمترین مربعات معمولی و شبکه بیزین به‌عنوان مدل‌های ریاضی بین متغیرهای ورودی و خروجی می‌توانند درصد سدیم تبادلی را با محدودیت‌های قابل قبول پیش‌بینی کنند. همچنین روشOLS نسبت به BS‌ به‌دلیل ضریب تبیین بالا و ریشه میانگین مربعات خطای کم از کارایی بیشتری برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Performance of Ordinary least Squares (OLS) and Bayesian network (BN) in Exchange sodium percentage prediction based on Sodium adsorption Ratio

نویسندگان [English]

  • Ali Barikloo 1
  • moslem Servati 2
  • mohammad sadegh Oliaei 3
1 M.Sc. Graduated of Soil Science Department, University of Zanjan
3 Assistant Professor, And Faculty Member of the Ministry of Science, Research and Technology (Corresponding Author)
چکیده [English]

Background and Objectives: Two different criteria are exist in the soil science as indices of Alkality. These are the Sodium Adsorption Ratio (SAR) and the Exchangeable Sodium Percentage (ESP). As shown for measured of ESP, it is essential to have soil Cation Exchange Capacity (CEC). But, For CEC determined using laborious and time consuming tests, it be more appropriate and economical to develop a model that predict ESP indirectly from a easily-measured properties. Researches showed a relationship between ESP and SAR. So, SAR can be allocated to predict of ESP. For this reason, many attempts have been made to predict ESP from soil. The specific goal of the research develop model to determining ESP based on SAR by OLS and BN models for Bonab soils in East Azarbaijan province, Iran.
Materials and Methods: For arrived presented research, 209 soil samples were taken by grid survey (250˟250) of Bonab, Iran. The site is located at mean 1300 m above mean sea level, in semiarid climate in the Northwest of Iran. Then, some soil chemical properties such as Na+, Ca2+, Mg2+, SAR and ESP of the soil samples were measured using laboratory experiments. Then, two model was developed by OLS and BN. OLS estimators are linear functions of the values of the dependent variable which are linearly combined using weights that are a non-linear function of the values of the explanatory variables. So the OLS estimator is respect to how it uses the values of the dependent variable only, and irrespective of how it uses the values of the explanatory. So A Bayesian network is a probabilistic graphical model that represents a set of variables and their conditional dependencies via a directed acyclic graph (DAG). Given symptoms, the network can be used to compute the probabilities of the presence of various diseases. Efficient algorithms can perform inference and learning in Bayesian networks. Generalizations of Bayesian networks that can represent and solve decision problems under uncertainty.
Results: The Coefficient of Determination (R2) and Root Mean Square error (RMSE) of the soil ESP-SAR model is reported 0.99, 0.71 and 0.98, 1.63 by OLS and BN respectively. Based on the statistical result, both of soil ESP-SAR model was judged acceptable. T-test were used to compare the soil ESP values predicted using the soil ESP-SAR model with the soil ESP values measured by laboratory tests. The paired samples t-test results indicated that the difference between the soil ESP values predicted by the model and measured by laboratory tests were not statistically significant (P>0.05). Therefore, the soil ESP-SAR model can provide an easy, economic and brief methodology to estimate soil ESP. The GMER index also indicated low estimation of two selected land evaluation method.
Conclusion: The results of present study illustrated that OLS and BN models can predict ESP with acceptable limits. OLS and BN are mathematical models between input and output variables and has the ability of modeling between ESP and SAR.

کلیدواژه‌ها [English]

  • Bonab
  • easily-measurd properties
  • Modeling
  • Sodic soil
1.Banaei, M.H., Momeni, A., Baybordi, M.,
and Malakouti, J. 2004. Iranian Soils.
Sana Press, Tehran, Iran.
2.Bouyoucos, G.J. 1962. Hydrometer
method improved for making particle size
analysis of soils. Agron. J. 56: 464-466.
3.Bower, CA., Reitemeier, RF., and
Fireman, M. 1952. Exchangeable cation
analysis of saline and alkali soils. Soil
Science. 73: 251-261.
4.Chi, Ch.M., Zhao, Ch.W., Sun, X.J.,
and Wang, Z.C. 2011. Estimating
exchangeable sodium percentage from
sodium adsorption ratio of salt-affected
soil in The Songnen plain of Northeast
China. Soil Science Society of China
Pedosphere 21: 2. 271-276.
5.Dahiya, I.S., Richter, J., and Malik, R.S.
1984. Soil spatial variability: A review.
Inter. J. Trop. Agric. 11: 91-102.
6.Evangelou, V.P., and Marsi, M. 2003.
Influence of ionic strength on sodiumcalcium exchange of two temperate
climate soils. Plant and Soil. 250: 307-313.
7.Farahmand, A., Oustan, S.H., Jafarzadeh,
A.J., and Asgarzad, A.N. 2011. The
parameters of sodium and salinity in
some salt affected soils of the Tabriz
Plain. J of Soil and Water, 19: 2. 22. 1-15.
(In Persian)
8.Heckerman, D. 1997. Bayesian networks
for data mining. Data Mining and
Knowledge Discovery. 1: 1. 79-119.
9.Jurinak, J.J., and Suarez, D.L. 1990. The
chemistry of salt-affected soils, P 42-63.
In: Tanji, K.K. (ed). Agricultural Salinity
Assessment and Management, No, 71.
American Society of Civil Engineers,
New York, N.Y.
10.Kevin, B., and Nicholson, E. 2010.
Bayesian artificial intelligence. Second
Edition, United states. 3: 1. 370-450.
11.Lake, H.R., Akbarzadeh, A., and
Mehrjardi, R.T. 2009. Development of
pedotransfer functions (PTFs) to predict
soil physico-chemical and hydrological
characteristics in southern coastal zones
of the Caspian Sea. J. Ecol. Natur.
Environ. 1: 7. 160-172.
12.Lal, P., Chippa, B.R., and Arvind,
K. 2003. Salt affected soils and
crop production, a modern synthesis,
AGROBIS (India). Pp: 42-61.
13.Lesch, S.M., Strauss, D.J., and Rhoades,
J.D. 1995. Spatial prediction of soil
salinity using electromagnetic induction
techniques 1. Statistical prediction
models: A comparison of multiple
linear regression and cokriging. Water
Resources Research, 31: 373-386.
14.Nguyen, R.T., Prentiss, D., and Shively,
J.E. 1998. Rainfall interpolation for
Santa Barbara County. UCSB,
Department Geography. USA.
15.Rhoades, J.D. 1982. Cation exchange
capacity. P 149-157. In: Page, A.L.,
Miller, R.H. and Keeney, D.R. (eds).
Methods of Soil Analysis. Part 2. Agron.
Monogr. 9, American Society of
Agronomy, Madison, WI, USA.
16.Richards, L.A. 1954. USDA Handbook
60. U.S. Department of Agriculture,
Washington DC. USA
17.Rowell, D.L. 1994. Soil Science:
Methods and Application. Longman
Group, Harlow, England, 345p.
18.Seilsepour, M., Rashidi, M., and
Khabbaz, B.G. 2009. Prediction of soil
exchangeable sodium percentage based
on soil sodium adsorption ratio. Amer.-
Euras. J. Agric. Environ. Sci. 5: 1. 1-4.
19.Sumner, M.E. 1993. Sodic soils:
New perspectives. Austr. J. Soil Res.
31: 683-750.
20.Tamari, S., WoÈsten, J.H.M., and
Ruiz-SuaÂrez, J.C. 1996. Testing an
artificial neural network for predicting
soil hydraulic conductivity. Soil Sci.
Soc. Amer. J. 60: 1732-1741.
21.Tu, J. 2011. Spatially varying
relationships between land use and
water quality across an urbanization
gradient explored by geographically
weighted regression. Applied Geography,
31: 1. 376-392.
22.USDA. 1996. Soil Survey Laboratory
Methods Manual. Soil Survey
Investigations Republic, Washington:
United States Government Print.
23.Wagner, B., Tarnawski, V.R., Hennings,
V., Muller, U., Wessolek, G., and
Plagge, R. 2001. Evaluation of
pedotransfer function for unsaturated
soil hydraulic conductivity using
an independent data set. Geoderma.
102: 275-297.
24.Zare, M., Ordookhani, K., Emadi, A.,
and Azarpanah, A. 2014. Relationship
between soil exchangeable sodium
percentage and soil sodium adsorption
ratio in Marvdasht plain, Iran. Inter. J.
Adv. Biol. Biom. Res. 2: 12. 2934-2939