کارایی مدل‌های برآورد دامنه رطوبتی با حداقل محدودیت در خاک

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکترای دانشگاه تبریز

2 استاد دانشگاه تبریز

3 استادیار دانشگاه بوعلی‌سینا، همدان

4 دانشیار دانشگاه تبریز

چکیده

دامنه­ای از رطوبت حجمی خاک که در آن، محدودیت­ها برای رشد گیاه در ارتباط با پتانسیل آب، تهویه و مقاومت مکانیکی خاک در کمترین مقدار خود باشد، دامنه رطوبتی با حداقل محدودیت (LLWR) نامیده می­شود. اندازه­گیری LLWR به طور تجربی به هزینه و زمان زیادی نیاز دارد. به کارگیری توابع تبدیلی ((PTF می­تواند بر آورد آن را تسریع کند. درباره صحت و قابلیت اعتماد تخمین PTF­های توسعه یافته برای خصوصیات هیدرولیکی خاک از طریق شبکه عصبی مصنوعی (ANNs)، روش چند­هدفی مدیریت گروهی داده­ها ( (MGMDHو رگرسیون چند متغیره خطی MLR)) اطلاعات متناقضی در دست است. این پژوهش به منظور ارزیابی کارایی سه روش مذکور در تخمین مستقیم LLWR انجام گرفت. بدین منظور 188 نمونه دست نخورده برای تعیین منحنی نگهداری آب خاک، منحنی مقاومت خاک و نهایتاً ثابت­های رطوبتیpwp)θ،  fcθ، sr θ، afp θ) و نمونه­های دست خورده برای اندازه­گیری یازده ویژگی فیزیکی و شیمیایی خاک به کار گرفته شد. پس از محاسبه LLWR از رطوبت­های حد بالا و حد پایین  (LLWRe) یک بار دیگر نیز LLWR با به کارگیری سه روش مذکور مستقیما ((LLWRd از خصوصیات خاک برآورد شد. صحت و قابلیت اعتماد تخمین با به کارگیری آماره­های مجذور میانگین مربعات خطا (RMSE)، معیار اطلاعات آکایک AIC)) و بهبود نسبی مورد بررسی قرار گرفت. روش ANNs از بالاترین صحت و قابلیت اعتماد تخمین برخوردار بودRMSE)  پایین­تر و AIC منفی­تر(. MGMDH و MLR در درجات بعدی قرار داشتند. معنی­دار بودن تفاوت صحت و قابلیت اعتماد تخمین PTF­های ایجاد شده با سه روش مختلف با به کارگیری AIC ارزیابی شد. تفاوت­ها بین PTF­های ایجاد شده با روش­های ANNs وMGMDH  از یک طرف و روش MLR از نظر آماری معنی­دار بود، اما تفاوت بین ANNs با MGMDH  فقط برای مرحله آموزش معنی­دار شد. در بین سه روش مورد مطالعه، ANNs از بالاترین کارایی در برآورد مستقیم LLWR برخوردار بود.

عنوان مقاله [English]

Performance of Three Models in Predicting Least Limiting Water Range in Soil

نویسندگان [English]

  • Z. Kazemi 1
  • M. R. Neyshabouri 2
  • H. Bayat 3
  • Sh. Oustan 4
  • M. Moghaddam 2
چکیده [English]

The range of the soil volumetric water content at which plant growth is least limited in relation to water potential, aeration, and mechanical resistance is the least limiting water range (LLWR).Experimentally, measurement of LLWR is expensive and time consuming. Using pedotransfer functions (PTFs) can facilitate its prediction. There are, however, contradictory information about the accuracy and reliability of the developed PTFs for soil hydraulic properties using various methods including artificial neural networks (ANNs), multi-objective group method of data handling (MGMDH) and multivariate linear regression (MLR). Evaluating the performance of these methods in direct prediction of LLWR was the main purpose of the present study. To this end, 188 undisturbed soil samples were used to determine water retention and soil resistance curves and finally four moisture coefficients (θpwpfcsrafp) and disturbed samples for measurement of eleven various soil physical and chemical attributes. After calculation of LLWR from upper and lower limits (LLWRe), another time it was directly predicted from soil attributes (LLWRd) using the three mentioned methods. Accuracy and reliability of the developed PTFs was evaluated using root mean square error (RMSE), Akaike information criterion (AIC), and relative improvement (R.i). ANNs appeared as the most accurate and reliable one for LLWRd prediction (lower RMSE and more negative AIC); MGMDH and MLR ranked in descending order. Significant differences between accuracy and reliability of the developed PTFs by the three methods was evaluated using AIC. Differences between developed PTFs by ANNs and MGMDH versus MLR method were statistically significant, but differences between ANNs and MGMDH were only significant for the training step. Among the three methods studied, ANNs had the highest performance in LLWRd prediction.