
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,501 |
تعداد مشاهده مقاله | 8,629,256 |
تعداد دریافت فایل اصل مقاله | 8,223,757 |
کارایی روش های حداقل مربعات معمولی (OLS) و شبکه بیزین در تخمین درصد سدیم تبادلی (ESP) خاک | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 12، دوره 26، شماره 2، خرداد و تیر 1398، صفحه 225-238 اصل مقاله (775.79 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwsc.2019.15927.3113 | ||
نویسندگان | ||
علی باریکلو1؛ مسلم ثروتی* 2؛ محمدصادق علیائی3 | ||
1دانش آموخته کارشناسی ارشد علوم خاک، دانشگاه زنجان | ||
2عضو هیئت علمی مرکز آموزش عالی شهید باکری میاندوآب، دانشگاه ارومیه | ||
3استادیار، 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 | ||
بناب؛ ویژگی های زود یافت؛ مدل سازی؛ خاک های سدیمی | ||
مراجع | ||
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 | ||
آمار تعداد مشاهده مقاله: 555 تعداد دریافت فایل اصل مقاله: 517 |