چکیده:
دانستن ویژگیهای هیدرولیکی خاک نظیر منحنی رطوبتی خاک پیش شرط لازم در مدل کردن حرکت آب و انتقال املاح در خاک است. روشهای مستقیم به منظور برآورد این ویژگیهای هیدرولیکی پرهزینه و زمانبر است. لذا، در این رابطه روشهای غیرمستقیم نظیر توابع انتقالی مورد استفاده قرار میگیرد. به منظور برآورد منحنی رطوبتی خاک، توابع انتقالی رزتا ، سویل پار-2 و توابع انتقالی رگرسیونی مختلف مورد مقایسه و ارزیابی قرار گرفت. منحنی رطوبتی خاک با استفاده از ستون آب آویزان برای مکشهای کمتر از یک متر آب و صفحه فشاری برای مکشهای بیش از یک متر آب تا 15 بار اندازهگیری شد. برای ارزیابی توابع انتقالی یادشده از معیارهای آماری ریشه مربعات خطا (RMSE)، میانگین خطای مطلق (MAE)، ضریب کارآیی اصلاح شده (E') و شاخص مطابقت اصلاح شده (d') استفاده شد. نتایج نشان داد نرمافزار رزتا با میانگین مقادیر معیارهای آماری RMSE، MAE، E'وd' به ترتیب برابر با 0310/0، 0247/0، 7956/0 و 9037/0 در شبیه سازی منحنی رطوبتی خاک برای منطقه مورد پژوهش از دقت بالایی نسبت به بقیه توابع انتقالی برخوردار است. نتایج پژوهش حاضر ارجحیت شبکههای عصبی مصنوعی را برای برآورد منحنی رطوبتی خاک نسبت به توابع انتقالی رگرسیونی با تعداد پارامترهای ورودی بیشتر را نشان داد. نتایج همچنین نشان داد تابع انتقالی کمپل تعدیل شده در این پژوهش بعد از رزتا با مقادیر RMSE، MAE، E'وd' به ترتیب برابر با 0685/0، 0530/0، 5561/0 و 8075/0 برآورد مناسبتری از منحنی رطوبتی برای خاکهای منطقهی مورد پژوهش ارایه میدهد.
چکیده انگلیسی:
Soil hydraulic properties such as soil water characteristic curve are necessary prerequisite for modeling water movement and solute transport. Direct methods of estimating these hydraulic properties are time consuming and costly. Indirect methods, such as pedotransfer functions, estimate the hydraulic parameters using easy-to-measure soil properties like particle size distributions, bulk density, or organic matter content. In this study, to estimate soil water characteristic curve, Rosetta pedotransfer function with artificial neural network approach, Soilpar-2, and different regression-based pedotransfer functions were compared and evaluated. For the purpose of comparison and evaluation of pedotransfer functions, statistical criteria of Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Modified Efficiency Coefficient (E'), and Modified Index of Agreement (d') were used. The results show that Rosetta, with mean values of the statistical criteria RMSE, MAE, E' and d' equal to 0.0310, 0.0247, 0.7956, and 0.9037, respectively, enjoyed high accuracy compared to the rest of pedotransfer functions. The results of this study showed that, to estimate soil water characteristic curve, the artificial neural network was more preferable than the regression pedotransfer functions with higher number of input parameters for the study area. The results also indicated that the adjusted Campbell pedotransfer function with RMSE, MAE, E' and d' equal to 0.0685, 0.0530, 0.5561 and 0.8075, respectively, presented the next best estimate of soil water characteristic curve for soils of the study area, after Rosetta.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
