اشتقاق توابع انتقالی مناسب برای برآورد برخی ویژگی‎های دیریافت خاک

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 دانشجوی دکتری علوم خاک دانشگاه تبریز

2 دانشجوی دکتری گروه علوم خاک دانشگاه تهران

3 Associate Professor, Department of soil science, University of Guilan

چکیده

سابقه و هدف: اندازه‎گیری مستقیم برخی خواص خاک ممکن است مشکل، هزینه‎بر و وقت‎گیر باشد. بنابراین این خواص می‎توانند به اسانی از داده‎های زودیافت تخمین زده شوند. ظرفیت تبادل کاتیونی یک شاخص مهم حاصل‎خیزی و ظرفیت ذخیره آلاینده‎ها در خاک می‎باشد. ویژگی‎های هیدرودینامیکی خاک تعیین کننده جریان آب در خاک-گیاه- اتمسفر بوده که کنترل کننده فرآیندهایی مانند تغذیه آبی و جریان عناصر مغذی بین خاک و پوشش گیاهی می‎باشد. شناخت خواص هیدرودینامیک خاک برای مدلسازی فرآیندهای فیزیکی مربوط به ذخیره رطوبت خاک دارای اهمیت است. علی‎رغم پیشرفت‎های زیاد در روش‎های اندازه‎گیری، تعیین دقیق خواص هیدرولیکی خاک بخصوص برای خاک‎های دست‎نخورده و در محدوده خشک منحنی رطوبتی همچنان مشکل است. همچنین اندازه‎گیری خواص هیدرولیکی و ظرفیت تبادل کاتیونی خاک زمان‎بر، مشکل و پر‎هزینه است. به همین دلیل، این مطالعه سعی در توسعه توابع انتقالی مناسب برای تخمین رطوبت ظرفیت زراعی، نقطه پژمردگی دایم و ظرفیت تبادل کاتیونی خاک‎های نواحی جنوب استان گیلان دارد.
مواد و روش‎ها: محدوده مورد مطالعه درمنطقه گیلوان در جنوب استان گیلان واقع شده است. اقلیم منطقه اریدیک بوده، بارندگی سالیانه 245 میلی‎متر و میانگین درجه حرارت 18 درجه سانتی‎گراد است. 240 نمونه خاک از لایه 0 تا 30 سانتی‎متری جمع آوری شد. سپس خواصی چون رس، شن و سیلت، آهک، مواد آلی، جرم مخصوص ظاهری و گچ اندازه‎گیری شدند. اولین مرحله در مطالعات آماری بررسی نرمال بودن داده‎ها است. برای تعیین نرمال بودن داده‎ها ازآزمون کولموگروف-اسمیرنوف استفاده شد. داده‎ها به دو دسته آزمون (25%) و آموزش (75%) تقسیم شدند. این تقسیم‎بندی به گونه‎ای انجام گرفت که ویژگی‎های آماری هر دو گروه مثل حداقل، حداکثر، انحراف معیار و ... یکسان باشند. سپس مدل‎های رگرسیون و شبکه عصبی بر داده‎های آموزش اعمال شد. برای جلوگیری از خطا در فرآیندهای شبکه عصبی، داده‎ها به مقیاس استاندارد از 1/0 تا 9/0 تبدیل شد. توابع پرسپترون چند لایه، پس انتشار، و لونبرگ-مارکواردت برای توسعه شبکه‎های عصبی مصنوعی توسعه یافت. برای ارزیابی مدلها از معیارهای RMSE، R2، و MEF استفاده شد.
یافته‎ها: در تجزیه رگرسیون، برای ظرفیت تبادل کاتیونی، درصد رس و ماده‎آلی، برای مقدار ظرفیت زراعی، رس، سیلت و جرم مخصوص ظاهری و برای نقطه پژمردگی دایم، درصد رس دارای تأثیر معنادار در مدل‎های توسعه یافته بودند. ضرایب تبیین در مدل‎های رگرسیون ایجاد شده برای ظرفیت تبادل کاتیونی، ظرفیت زراعی و نقطه پژمردگی دایم به ترتیب برای خطی 72/0، 84/0 و 73/0 و غیرخطی 78/0، 87/0 و 74/0 بودند. بهترین توابع انتقالی توسعه یافته برای خواص دیر یافت در شبکه عصبی مصنوعی از مدل پرسپترون چندلایه با 2 لایه پنهان، 8 نرون برای ظرفیت زراعی و پژمردگی و 6 نرون برای ظرفیت تبادل کاتیونی با در نظر گرفتن همه ورودی‎ها بدست آمد. ضریب تبیین برای ظرفیت تبادل کاتیونی 98/0، رطوبت ظرفیت زراعی 99/0 و رطوبت نقطه پژمردگی دائم 98/0 بود. مدل‎های شبکه عصبی برای تعیین خواص دیریافت با ورودی از داده‎های زودیافت که دارای بیشترین ضریب حساسیت بودند، طراحی شدند. نتایج این مدل‎ها شبیه به مدل‎های رگرسیون غیرخطی بود. نتایج در استفاده از داده‎های آزمون، نشان داد که مدل‎های بدست آمده از شبکه‎های عصبی با ورودی شامل همه داده‎های زودیافت دقیق‎تر از مدل‎های رگرسیون بود.
نتیجه‎گیری: در روش رگرسیون، مدل‎های غیرخطی برای پیش‎بینی خواص دیریافت دقیق‎تر از مدل‎های خطی بودند. در شبکه‎های عصبی مصنوعی مدل‎هایی با تمام ورودی‎های زودیافت دقیق‎تر از مدل‎هایی بودند که شامل ورودی‎های زودیافت که دارای بیشترین ضریب حساسیت بودند. در صورتی‎که تعداد داده‎های زودیافت ورودی کافی نباشند مدل‎های رگرسیونی می‎توانند دقت قابل قبولی داشته باشند. اما اگر این داده‎ها کافی باشند شبکه‎های عصبی مصنوعی دقت بیشتری خواهند داشت. دقت شبکه‎های عصبی با کاهش پارامترهای ورودی کاهش می‎یابد.

کلیدواژه‌ها


عنوان مقاله [English]

Derivation the Suitable Pedotranfer Functions for Prediction of Some Difficulty Available Soil Properties

نویسندگان [English]

  • javad seyedmohammadi 1
  • leila esmaeelnejad 2
1 University of Tabriz
2 University of Tehran
3
چکیده [English]

Background and Objective: Direct measurement of some soil properties may be difficult, costly and time consuming. So, these properties can be predicted usefully using easily available data. Soil cation exchange capacity (CEC) is a vital indicator of soil fertility and pollutant sequestration capacity. Soil hydrodynamic properties drive the flow of water in the soil-plant-atmosphere system, and hence control processes such as aquifer recharge or nutrient fluxes between soil and vegetation. Knowledge of soil hydrodynamics is important for modeling physical processes related to soil water content. Despite great advances in measurement methods, it is still difficult to determine soil hydraulic properties accurately, especially for undisturbed soils and in the dry range. However, the measurement of the soil hydraulic properties and CEC is time-consuming, labor-intensive and expensive. That is why, the present study aimed to develop pedotransfer functions (PTFs) for the estimation of field capacity (FC), permanent wilting point (PWP), and CEC of the soils of Guilan province.
Materials and Methods: Study area is located in south of Guilan Province, Gilevan region, northern Iran. The climate is aridic. The annual precipitation is 245 mm, and the average temperature is 18 °C. A total of 240 soil samples from 0-30 cm layer of this region were collected. Then, both difficulty and easily available properties such as clay, sand and silt percent, CaCO3, organic matter, bulk density and gypsum were measured. The first step for using statistical methods is to study the normality of data. In order to know whether the data were normal, Kolmogorov-Smirnov test was used. Data were divided into two groups of test (%25) and train (%75). This division carried out in such a way that statistical characteristics of two groups such as minimum, maximum, standard deviation, etc. were similar. Then regression and artifitial neural network (ANN) models set on training data. For prevention of error in ANN process, data converted in standard scale from 0.1 to 0.9. Multi-layer percepteron, feed forward backpropagation, and Levenberg-Marquardt functions were used for extension of ANN. Relative root mean square error (RMSE), determination coefficient (R2) and model efficiency factor (MEF) criteria were used for evaluation of models.
Results: In regression analysis, for CEC, clay and organic matter percent, in FC moisture content, clay, silt as well as bulk density, and for PWP, clay percent showed significant effects in created models. Coefficients of determination in created linear models for CEC, FC and PWP were 0.72, 0.84 and 0.73, respectively.While these coefficients for non-linear models were 0.78, 0.87 and 0.74 for CEC, FC and PWP, respectively. The best PTFs for prediction of difficulty available properties in ANN obtained by multi-layer perceptron model with 2 hidden layers, 8 neurons for FC and PWP, 6 neurons for CEC and considering all inputs. Coefficients of determination for CEC, FC and PWP were 0.98, 0.99 and 0.98, respectively. ANNs designed for prediction of difficulty available properties with inputs include soil easily available properties that have the most sensitivity coefficient with difficulty available property. Test results of these models were similarity non-linear regression models. The results of models compared with test data showed that the models obtained from ANNs were more accurate than the regression model.
Conclusion: In regression method, non-linear models for prediction of soil difficulty available properties were more accurate than linear models. In ANNs, models with inputs including all of the soil easily available properties were more accurate than models with inputs include soil easily available properties that have the most sensitivity coefficient with difficulty available property.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Difficulty available properties
  • Guilan
  • Regression
  • Soil pedotransfer functions
1.Agyare, W.A., Park, S.J., and Vlek, P.L.G. 2007. Artificial neural network estimation of saturated hydraulic conductivity. Vadose Zone J. 6: 423-431.
2.Amini, M., Abbaspour, K.C., Khademi, H., Fathianpour, N., Afyuni, M., and Schulin, R. 2005. Neural network models to predict cation exchange capacity in arid regions of Iran. Europ. J. Soil Sci. 56: 551-559.
3.Bayat, H., Davatgar, N., and Jalali, M. 2014. Prediction of CEC using fractal parameters by artificial neural networks. International Agrophysics. 28: 143-152.
4.Burt, R. 2014. Soil survey laboratory methods manual. Soil survey investigations report No. 42, Version 5. United States Department of Agriculture, Natural Resources Conservation Service, National Soil Survey Center.
5.Esmaeelnejad, L. 2008. Investigation on physicochemical and mineralogical properties of the marls and their effect on soil erosion in the south of Guilan province. M.Sc. Thesis, Faculty of Agriculture, University of Guilan, 165p.
6.Esmaeelnejad, L., Ramezanpour, H., Seyedmohammadi, J., and Shabanpour, M. 2015. Selection of a suitable model for the prediction of soil water content in north of Iran. Spanish J. Agric. Res. 13: 1. 12-2.
7.Ghorbani Dashtaki, S., Homaee, M., and Khodaverdiloo, H. 2011. Derivation and validation of pedotransfer functions for estimating soil water retention curve using a variety of soil data. Soil Use and Management. 26: 68-74.
8.Haverkamp, R., Leij, F.J., Fuentes, C., Sciortino, A., and Ross, P.J. 2005. Soil water retention. I. Introduction of shape index. Soil Sci. Soc. Amer. J. 69: 1881-1890.
9.Horn, R., Fleige, H., Richter, F.H., Czyz, E.A., Dexter, A., Diaz-Pereira Damitru, E., Enarche, R., Mayol, F., Rajkai, K., Delarosa, D., and Simota, C. 2005. SIDASS project 5: prediction of mechanical strength of arable soils and its effects on physical properties at various map scales. Soil and Tillage Research. 82: 47-56.
10.Khodaverdiloo, H., Homaee, M., van Genuchten, M.T., and Ghorbani Dashtaki, S. 2011. Deriving and validating pedotransfer functions for some calcareous soils. J. Hydrol. 399: 93-99.
11.Kianpoor, K.Y., Rezaie, A.R., Amerikhah, H., and Sami, M. 2012. Comparison of multiple linear regressions and artificial intelligence-based modeling techniques for prediction the soil cation exchange capacity of Aridisols and Entisols in a semiarid region. Austr. J. Agric. Engin. 3: 39-46.
12.McBratney, A.B., Minasny, B., Cattle, S.R., and Vervoort, R.W. 2002. From pedotransfer functions to soil inference systems. Geoderma. 109: 41-73.
13.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.
14.Mosaddeghi, M.R., and Mahboubi, A.A. 2011. Point pedotransfer functions for prediction of water retention of selected soil series in a semi-arid region of western Iran. Archives of Agronomy and Soil Science. 57: 327-342.
15.Rawls, W.J., and Pachepsky, Y.A. 2002. Soil consistence and structure as predictors of water retention. Soil Sci. Soc. Amer. J. 66: 1115-1126.
 16.Sarmadian, F., Azimi, S., Keshavarzi, A., and Ahmadi, A. 2013. Neural computing model for prediction of soil cation exchange capacity: A data mining approach. Inter. J. Agron. Plant Prod. 4: 7. 1706-1712. 
17.Sarmadian, F., Taghizadeh Mehrjardi, R., and Akbarzadeh, A. 2009. Modeling of some soil properties using artificial neural network and multivariate regression in Gorgan province, north of Iran. Austur. J. Bas. Appl. Sci. 3: 1. 323-329.
18.Seybold, C.A., Grossman, R.B., and Reinch, T.G. 2005. Predicting cation exchange capacity for soil survey using linear models. Soil Sci. Soc. Amer. J. 69: 856-886.