پديد آورندگان :
فرزادمهر، مهنوش دانشگاه بيرجند - گروه علوم و مهندسي آب , دستوراني، مهدي دانشگاه بيرجند - گروه علوم و مهندسي آب , خاشعي سيوكي، عباس دانشگاه بيرجند - گروه علوم و مهندسي آب
چكيده فارسي :
سابقه و هدف: هدايت هيدروليكي اشباع خاك يكي از مهمترين خصوصيات هيدروليكي خاك است كه بر حركت آب در خاك موثر است. شناخت اين ويژگي ميتواند به درك بسياري از مشكلات زيست محيطي كمك كند. از طرفي اندازه گيري اين ويژگي با روش هاي مستقيم مزرعه اي و آزمايشگاهي دشوار، زمان بر و هزينه بر است و استفاده از روش هاي جايگزيني را مي طلبد كه بتوان با صرف وقت، هزينه و زمان كمتري آن را از روي داده هاي زوديافت خاك تخمين زد. روش هاي ناپارامتريك از جمله روش هاي غيرمستقيم و نوين برآورد خصوصيات هيدروليكي خاك از جمله هدايت هيدروليكي اشباع مي باشند. هدف از اين پژوهش مقايسه روش درخت تصميم و يك روش يادگيري برپايه نمونه ( IBk) كه يك رده بند با k همسايه نزديك است در برآورد هدايت هيدروليكي اشباع خاك، از روي خصوصيات زوديافت آن است. مواد و روش ها: در اين پژوهش، از مجموعه دادهاي با اطلاعات خاكشناسي 151 نمونه خاك كه از منطقه اي در بجنورد گردآوري شده بود استفاده شد. خصوصيات زوديافت خاك شامل درصد شن، سيلت، رس، جرم مخصوص ظاهري، جرم مخصوص حقيقي، هدايت الكتريكي، درصد كربن آلي، درصد مواد خنثي شونده، رطوبت اشباع و اسيديته بود. هدايت هيدروليكي اشباع نمونه ها با استفاده از دستگاه نفوذسنج گلف اندازه گيري شده بود. براي تعيين مهمترين پارامترها در پيش بيني و مدل سازي هدايت هيدروليكي اشباع، از آزمون گاما استفاده شد. تركيبات مختلف از پارامترهاي موجود در بانك داده بر اساس مقدار گاما با يكديگر مقايسه شدند و تركيب بهينه براي مدل سازي معين شد. مدل سازي با استفاده از دو روش ناپارامتريك يعني درخت تصميم با بهره گيري از الگوريتم M5P و روش يادگيري برپايه نمونه با بهره گيري از الگوريتم IBk با استفاده از تركيب بهينه پارامترها كه كمترين مقدار گاما را داشت صورت گرفت. براي بهبود عملكرد IBk دو نوع تابع وزندهي فاصله استفاده شد. در آخر معيارهاي ارزيابي مدل ها شامل ضريب تعيين (R2)، جذر ميانگين مربعات خطا (RMSE)، ميانگين قدر مطلق خطا (MAE) و درصد ميانگين قدر مطلق خطا (MAPE) محاسبه شدند.
يافتهها: تركيب بهينه اي كه از آزمون گاما به دست آمد براي مدل سازي هر دو روش استفاده شد. اين تركيب شامل پارامترهاي درصد شن، سيلت، رس، درصد مواد خنثي شونده، هدايت الكتريكي و جرم مخصوص ظاهري خاك بود. مدل M5P، پارامتر جرم مخصوص ظاهري خاك را به عنوان مهمترين متغير دستهبنديكننده انتخاب كرد و سه رابطه خطي براي برآورد هدايت هيدروليكي اشباع با توجه به مقدار جرم مخصوص ظاهري ايجاد كرد. معيارهاي ارزيابي نشان دادند كه اين مدل با جذر ميانگين مربعات خطاي 23/89 سانتيمتر بر روز و ميانگين قدر مطلق خطاي 20/50 درصد، دقت بالايي در پيش بيني هدايت هيدروليكي اشباع نداشت. استفاده از دو نوع تابع وزن دهي تاثيري بر بهبود نتايج مدل IBk نداشتند. مدل IBk نيز با جذر ميانگين مربعات خطاي 31/23 سانتيمتر بر روز و ميانگين قدر مطلق خطاي 23/24 درصد دقت بالايي نداشت. نتيجه گيري: براي برآورد هدايت هيدروليكي اشباع، درخت تصميم مدل مناسب تري نسبت به مدل يادگيري برپايه نمونه بود، همچنين اين مدل اطلاعاتي از ساختار خاك تحت بررسي نيز به دست داد.
چكيده لاتين :
Background and objectives : Soil saturated hydraulic conductivity is one of the most important physical characteristics of soils which affects water movement in soil. Knowledge of this parameter can help to understand and solve environmental problems. But measurement of this parameter by direct laboratory and field methods is hard, time consuming and expensive. Thus there is need to use alternative methods based on conveniently available soil properties to estimate it with less effort, time and cost. Nonparametric methods are new indirect methods to estimate hydraulic properties of soil, including soil saturated hydraulic conductivity (ks). The aim of this study was to use two methods such as M5P decision tree and an IBk instance-based learning method, which is a classifier with k nearest neighbors to estimate ks from conveniently available properties of soil.
Materials and methods: In this study a dataset of 151 soil samples which was collected from a site in Bojnord province was used. Conveniently available soil properties included sand, silt and clay percentage, bulk density, particle density, EC, OC, TNV, saturated moisture and pH. Saturated hydraulic conductivity was measured with the Guelph permeameter. The Gamma test was used to determine important parameters for predicting and the modeling procedure of ks. Then various combinations of parameters of the data set were compared to each other based on their Gamma value, to determine the optimum combination of parameters for modeling ks. Using the optimum combination which had the least Gamma value, the M5P decision tree and the IBk instance-based learning methods were performed. To improve the IBk, two different distance weighting systems were used. Finally, evaluation statistics of each model including R2, RMSE, MAE, and MAPE were calculated.
Results : The optimum combination determined by the Gamma test which was then used for modeling, included sand, silt and clay percent, TNV percent, EC, and bulk density. The tree selected bulk density as the most important discriminative parameter, and constructed 3 linear equations for predicting ks, based on the bulk density value. Evaluation criteria calculated for this model with RMSE= 23.89 cm/d and MAPE= 20.50% it didn’t predict ks accurately. Different weighting systems didn’t improve IBk performance. Also the IBk model with RMSE= 31.23 cm/d and MAPE= 23.24% didn't estimate ks accurately.
Conclusion : The decision tree model performed better than the instance-based learning model to estimate ks. Also the tree showed some information about the structure of the studied soil.
