ارزیابی مدل های هوشمند جهت برآورد هدایت هیدرولیکی اشباع در خاک های لومی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران

2 دانشیار گروه مهندسی آب دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران

چکیده

هدایت هیدرولیکی اشباع یکی از پارامترهای اصلی در مطالعات کشاورزی و محیط‌زیست است که برای پیش‌بینی و مدیریت آب و انتقال املاح در خاک ضروری است. در این تحقیق از 1200 سری داده مربوط به خاک‌های لومی جهت پیش‌بینی و مدل‌سازی هدایت هیدرولیکی اشباع با استفاده از خصوصیات فیزیکی خاک نظیر وزن مخصوص ظاهری خاک، ظرفیت آب در دسترس، محتوای کربن آلی و مقادیر رس، سیلت و ماسه استفاده شد. از این تعداد سری داده، 900 سری برای استفاده در بخش آموزش مدل‌ها و 300 سری برای آزمون مدل‌ها در سه سناریو طراحی‌شده تخصیص یافت. عملکرد مدل‌های SVM، MLP و M5 در برآورد هدایت هیدرولیکی اشباع خاک لومی مورد ارزیابی قرار گرفت. عملکرد مدل‌ها با استفاده از شاخص‌های آماری ضریب تبیین (R2)، خطای مجذور میانگین مربعات (RMSE) و خطای بایاس میانگین (MBE) مقایسه شد. نتایج به‌دست‌آمده نشان داد هر سه مدل مورداستفاده از توانایی خوبی در مدل‌سازی هدایت هیدرولیکی اشباع برخوردارند، اما مدل M5 با ضریب تبیین بالای 95/0 در هر سه سناریو و RMSE پایین‌تر نسبت به سایر مدل‌ها به‌عنوان مدل برتر انتخاب شد. نتایج نشان داد که مدل‌های داده‌کاوی هوشمند تخمین مقادیر ناشناخته را بر اساس الگوهای موجود در یک پایگاه داده امکان‌پذیر می‌نمایند. بنابراین مدل-های بکار گرفته‌شده می‌توانند در پیش‌بینی انتقال املاح در خاک و پارامترهای فیزیکی خاک استفاده شوند.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Intelligent Models Due to Estimating Saturated Hydraulic Conductivity in Loamy Soils

نویسندگان [English]

  • Shadieh Heydari 1
  • Mojtaba Khoshravesh 2
1 PhD Student, Sari Sciences Agriculture and Natural Resources University
2 Associate Professor. Department of Water Engineering. Sari Agricultural Sciences and Natural Resources University, Iran
چکیده [English]

Saturated hydraulic conductivity is one of the main parameters in agricultural and environmental studies that is essential for the estimation and management of water and solute transport in soil. In this research, 1200 series of data related to loamy soils were used to prediction and modeling saturated hydraulic conductivity using soil physical properties such as bulk density, available water capacity, organic carbon content and percent of clay, silt and sand content. From studied data series, 900 series were allocated for use in training models and 300 series for testing models in three designed scenarios. The performance of SVM, MLP and M5 models was evaluated in estimating saturated hydraulic conductivity of loamy soils. The performance of the models was compared using the statistical indices such as coefficient of determination (R2), root mean square error (RMSE) and mean bias error (MBE). The results showed that all three models used have good ability in saturated hydraulic conductivity modeling, but the M5 model with a high coefficient of determination over 0.95 in all three scenarios and a lower RMSE than other models was selected as the superior model. The results showed that intelligent data mining models make it possible to estimate unknown values based on ready patterns in a database. Therefore, the applied models can be used to predict solute transport in soil and soil physical parameters.

کلیدواژه‌ها [English]

  • Solute Transport
  • Water Flow in Soil
  • decision tree
  • Soil physical properties
  • Bulk Density
پوررضا بیلندی، م. و خاشعی سیوکی، ع. 1394. تحلیل عدم قطعیت خروجی شبکه عصبی در شبیه­سازی هدایت هیدرولیکی اشباع خاک، نشریه آبیاری و زهکشی ایران. 9 (4): 655-664.
حسینی،س، ا. 1388. برآورد و تحلیل دماهای حداکثر شهرستان اردبیل با استفاده از مدل تئوری شبکه­های عصبی مصنوعی، پایان‌نامه کارشناسی ارشد جغرافیای طبیعی (اقلیم‌شناسی)، دانشگاه محقق اردبیلی.
سرمدیان، ف.، تقی­زاده.، ر.ا.، عسگری، ح.م.، و اکبر­زاده.، ا. 1389 . مقایسه روش­های نروفازی، شبکه عصبی و رگرسیون چند­متغیره در پیش­بینی برخی خصوصیات خاک (مطالعه موردی: استان گلستان)، مجله تحقیقات آب و خاک. (41): 211-220.
عزیزپور، س.، فتحی، پ. و نوبخت وکیلی، ک. 1391. برآورد توأم هدایت هیدرولیکی اشباع خاک و تخلخل مؤثر با استفاده از رویکرد مسأله معکوس هوشمند، مجله علوم و فنون کشاورزی و منابع طبیعی. 16 (6-): 13-22.
Al-Dosary, N.M., Al-Sulaiman, M.A. and Aboukarima, A.M. 2019. Modelling the unsaturated hydraulic conductivity of a sandy loam soil using Gaussian process regression, Water SA. 45 (1): 121-130.
Amer, A.M., Logsdn, S.D., and Davis, D. 2009. Prediction of hydraulic conductivity in unsaturated soils. Soil Science. 174 (9): 508–515.
Asadollahzadeh, T., Mashal, M. and Karimzadgan, S. 2014. Investigating the Precision of Hydraulic Conductivity and Sorptive Number Estimation in Cased Boreholes by Reynolds Analysis: The Cased of Pakdasht Region, Journal of Water and Soil. 28(4):708-716.
Elbisy, M.S. 2015. Support Vector Machine and regression analysis to predict the field hydraulic conductivity of sandy soil. KSCE Journal Civil Engineering. 19 (7): 2307–2316.
Emamzadeh, S., Soltani, A. S. J., Mashal, M., and Kalanaki, M. 2014. Comparison of RBF and MLP neural network performance to estimate the saturated hydraulic conductivity. Second National Conference on Sustainable Agriculture and Natural Resources.
Emamzadeh, E.S., Soltani, J., Mashal, M., Kalanaki, M. and Asadolahzadeh, T. 2017. Performance evaluation of MLP and RBF neural networks to estimate the soil saturated hydraulic conductivity, Modern Applied Science. 11(3):1-12.
Greg, A. 2003. Temporal and spatial (down profile) variability of unsaturated soil hydraulic properties determined from a combination of repeated field experiments and inverse modeling. Journal of Hydrology. 281: 23–35.
Haykin, S. 1999. Neural Networks: A Comprehensive Foundation. Prentice-Hall Inc., NJ.
Koorevaar, P., Menelik, G. and Dirksen, C. 1983. Elements of soil physics. Elsevier, New York, 228 p.
Kruk, E., Malec, M., Klatka, S., Brodzińska-Cygan, A. and Kołodziej, J. 2017. Pedotransfer function for determining saturated hydraulic conductivity using Artificial Neural Network, Acta Scientiarum Polonorum Formatio Circumiectus. 16(4): 115-126.
Mady, A.Y. and Shein, E.V. 2018. Support Vector Machine and Nonlinear Regression Methods for Estimating Saturated Hydraulic Conductivity, Moscow University Soil Science Bulletin. 73(3): 129-133.
Marcel, G.S., J.L. Feike., T. Martinus., and H. van Genuchten., 1998. Neural Network Analysis for Hierarchical Prediction of Soil Hydraulic Properties, Soil Science Society. 62: 847-855.
Moosavi, A.A. and Sepaskhah, A.R. 2012. Artificial neural networks for predicting unsaturated soil hydraulic characteristics at different applied tensions. Arch. Agron. Soil Sci. 58 (2): 125–153.
Navabian, M., A.M. Liaghat., and M. Homayi., 2004. Prediction of lectrical conductivity with neural networks. International water and soil conference, Shiraz University. 203-211.
Neshat, A. and Farhad, M. 2012. A presentation of an experimental model for unsaturated hydraulic conductivity under affection of physical properties of Soil: A case-by-case study of Baghin Plain in Kerman, Iran. Acad. J. Plant Sci. 5 (3): 70–75.
Nosrati, K.F., Movahedi, S.A., Naini, A. Hezar, J., Rishani, Gh. and Dehghani, A. 2012. Using artificial neural networks to estimate saturated hydraulic conductivity from easily available soil properties. Electronic Journal of Soil Management and Sustainable Production. 2(1): 95-110.
Pal, M., Deswal, S. 2009. M5 model tree based modelling of reference evapotranspiration: HYDROLOGICAL PROCESSES. 23, P. 1437-1443.
Reynolds, W. D. and Topp, G. C. 2008. Soil water analyses: Principles and parameters. In M.R. Carter, & E.G. Gregorich (Eds.), Soil sampling and methods of analysis. 2nd Ed. CRC Press, Boca Raton, FL. pp. 913–939.
Rezaei, A. R., Sayad, G. A. Mazloom, M., Jafari N., & M. Shorafa, 2012, Comparison of artificial neural networks and regression pedotransfer functions for predicting saturated hydraulic conductivity in soils of Khuzestan province. JWSS - Isfahan University of Technology. 16(60): 107-118.
Ryel, R.J., M.M. Caldwell, C.K. Yoder, D. Or, and A.J. Leffler. 2002. Hydraulic redistribution in a stand of Artemisia tridentata: Evaluation of benefits to transpiration assessed with a simulation model. Oecologia. 130:173–184.
Sihag, P. 2018. Prediction of unsaturated hydraulic conductivity using fuzzy logic and arti_cial neural network. Model. Earth Syst.Environ. 4 (1): 189–198.
Sihag, P., Tiwari, N.K. and Ranjan, S. 2017. Prediction of unsaturated hydraulic conductivity using adaptive neuro-fuzzy inference system (ANFIS). ISH J. Hydraul. Eng. 1–11.
Sihag, P., Mohsenzadeh Karimi, S. and Angelaki, A. 2019. Random forest, M5P and regression analysis to estimate the field unsaturated hydraulic conductivity, Applied Water Science. 9(129). https://doi.org/10.1007/s13201-019-1007-8.
Tayfur,G., Nadiri,A.A., Moghaddam,A.A. 2014. Supervised intelligent committee machine method for hydraulic conductivity estimation. Water Resources Management. 28(4): 1173-1184.
Tokunaga, T.K. 2009. Hydraulic properties of adsorbed water films in unsaturated porous media. Water Resour. Res. 45:W06415.
Tuller, M., and D. Or. 2001. Hydraulic conductivity of variably saturated porous media: Film and corner flow in angular pore space. Water Resour. Res. 37:1257–1276.
Twarakavi, N.K.C., Simunek, J. and Schaap, M.G. 2009. Development of Pedotransfer Functions for Estimation of Soil Hydraulic Parameters using Support Vector Machines, Soil Physics. 73(5): 1443-1452.
Vapnik, V.N. 1998. Statistical Learning Theory, John Wiley, New York.
Wang, Y., J. Ma, H. Guan, and G. Zhu. 2017. Determination of the saturated film conductivity to improve the EMFX model in describing the soil hydraulic properties over the entire moisture range. J. Hydrol. 549:38–49.
Wang, Y., J. Ma, Y. Zhang, M. Zhao, and W.M. Edmunds. 2013. A new theoretical model accounting for film flow in unsaturated porous media.Water Resour. Res. 49:5021–5028.
Yao, R.J., Yang,J.S., Wu,D.H., Li,F.R., Gao,P., Wang,X.P. 2015. Evaluation of pedotransfer functions for estimating saturated hydraulic conductivity in coastal salt-affected mud farmland. Journal of Soils and Sediments. 1-15