آمار
| تعداد نشریات | 14 |
| تعداد شماره‌ها | 689 |
| تعداد مقالات | 7,127 |
| تعداد مشاهده مقاله | 11,356,400 |
| تعداد دریافت فایل اصل مقاله | 10,289,565 |
اشتقاق توابع انتقالی مناسب برای برآورد برخی ویژگیهای دیریافت خاک | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 12، دوره 23، شماره 4، مهر 1395، صفحه 203-217 اصل مقاله (556.23 K) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwfst.2016.10360.2480 | ||
| نویسندگان | ||
| جواد سیدمحمدی* 1؛ لیلا اسماعیل نژاد2؛ محمود شعبانپور3 | ||
| 1دانشجوی دکتری علوم خاک دانشگاه تبریز | ||
| 2دانشجوی دکتری گروه علوم خاک دانشگاه تهران | ||
| 3Associate 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 | ||
| توابع انتقالی خاک؛ شبکه عصبی مصنوعی؛ رگرسیون؛ ویژگیهای دیریافت؛ گیلان | ||
| مراجع | ||
|
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. | ||
|
آمار تعداد مشاهده مقاله: 1,706 تعداد دریافت فایل اصل مقاله: 1,372 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب