برآورد رطوبت خاك در ظرفيت مزرعه و نقطه پژمردگي با استفاده از شبكه عصبي-مصنوعي و رگرسيون چند متغيره

Prediction of the amount of water at Field Capacity and Permanent Wilting Point Using Artificial Neural Network and Multivariate Regression

بررسي ويژگي‌هاي هيدروليكي خاك همچون نقطه پژمردگي و ظرفيت زراعي براي مطالعه و مدل‌سازي حركت آب و املاح در خاك بسيار مهم مي‌باشد. به طوري‌كه به دليل تغييرات زماني و مكاني اين ويژگي‌ها، مطالعات اخير محققين منجر به توسعه روش‌هاي غيرمستقيم در تخمين اين قبيل خصوصيات خاك گرديده است. در همين راستا در اين مطالعه براي برآورد ظرفيت زراعي و نقطه پژمردگي دايم اقدام به نمونه‌برداري خاك از 15 پروفيل (به تعداد 63 نمونه) از منطقه فشند، گرديد. فراواني نسبي ذرات به روش هيدرومتري، جرم مخصوص ظاهري به روش حجمي دست نخورده، درصد رطوبت اشباع بوسيله وزن‌سنجي و پارامترهاي ظرفيت زراعي و نقطه پژمردگي با استفاده از دستگاه فشاري اندازه‌گيري شد. سپس با استفاده از روش‌هاي شبكه عصبي مصنوعي، رگرسيون چند متغيره و چند تابع انتقالي تجربي و پارامترهاي ورودي درصد رس، شن، سيلت، وزن مخصوص ظاهري و رطوبت اشباع اقدام به تخمين نقطه پژمردگي و ظرفيت زراعي گرديد. نتايج نشان داد كه شبكه عصبي بهترين عملكرد و بعد از آن، مدل رگرسيون چند متغيره عملكرد بهتري نسبت به بقيه توابع انتقالي داشته‌اند. در بين توابع انتقالي نيز توابع انتقالي كلاسي عملكرد بهتري نسبت به توابع انتقالي نقطه‌اي و پارامتري داشته‌اند. در كل نتايج اين تحقيق نشان دهنده اهميت فرآيند آموزش در تعيين پارامترهاي مدل با استفاده از داده‌هاي يك منطقه مي‌باشد.

Investigation of soil hydraulic properties like permanent wilting point (PWP) and field capacity (F.C) are very important for studding and modeling the soil water and solute transport in soil in which their spatial and temporal variability led to development of indirect methods in prediction of these soil characteristics. Therefore; in the present study in order to evaluate the amount of water at F.C and P.W.P, 63 samples have been taken from 15 pedons in Fashand region. The particle size distribution have been determined by hydrometric method, bulk density by volumetric method (using undisturbed clods), saturation percentage by weight and percentage of water at F.C and P.W.P by using pressure plate apparatus. We applied the artificial neural network (ANN), multivariate regression (MR) methods and used several pedotransfer functions (PTFs) to predict the F.C and P.W.P parameters, using the easily measurable characteristics of clay, silt and sand percentage, bulk density and water at saturation percentage. The results showed that the ANN method give the best results followed by MR method and finally the PTFs. Regarding the PTFs, the classic are showed better results relative to parametric and point PTFs. In conclusion, the results of this study showed that, training is very important in increasing the model accuracy of one region.