برآورد برخي خصوصيات هيدروليكي خاك با استفاده از توابع انتقالي

Prediction of Some Soil Hydraulic Properties Using Pedotransfer Functions

ظرفيت زراعي (Field Capacity, FC) و نقطه پژمردگي دايم (Permanent Wilting Point, PWP) در تعيين عمق خالص آب آبياري موثر مي باشند. با اينحال اندازه‌گيري مستقيم اين خصوصيات به خصوص در سطوح وسيع، مشكل، زمان بر و پر هزينه است. توابع انتقالي خاك جزو روش‌هاي غير مستقيمي است كه مي‌تواند جايگزين روش‌هاي مستقيم گردد. در اين تحقيق ابتدا عملكرد شش تابع انتقالي موجود در منابع در برآورد رطوبت در نقاط FC و PWP بر روي 112 نمونه خاك منتخب از شمال و شمال شرق كشور ارزيابي گرديد. مقادير ريشه ميانگين مربعات خطا (Root Mean Square Error, RMSE) براي توابع انتقالي اشاره شده موجود ما بين 05/0 تا 17/0 و 03/0 تا 13/0 براي برآورد رطوبت به ترتيب در نقاط FC و PWP تغيير نمود. بنابراين توابع انتقالي جديدي بر مبناي تكنك رگرسيون چندگانه خطي و شبكه‌هاي عصبي مصنوعي و با استفاده از خصوصيات تعدادي از نمونه خاك ها (90 نمونه) بسط و توسعه يافت و نتايج آن ها بر روي نمونه خاك هاي متفاوتي مورد اعتبارسنجي قرار گرفت. نتايج نشان داد كه تكنيك رگرسيون چندگانه خطي با اختصاص مقادير 035/0، 01/0، 027/0 و 024/0 براي شاخص RMSE به ترتيب در برآورد رطوبت در نقطه FC، PWP، آب قابل دسترس و آبدهي ويژه، و تكنيك شبكه عصبي با اختصاص مقادير 013/0، 007/0، 015/0 و 013/0 براي همين شاخص و در مورد همان خصوصيات، عملكرد مناسبي داشتند. همچنين نتايج نشان داد كه كاربرد متغيرهايي نظير ميانگين هندسي و انحراف معيار هندسي قطر ذرات، بعد فركتالي و مكش ورود هوا، براي نخستين بار در ورودي توابع انتقالي، توانست به مقدار قابل توجهي دقت نتايج را بالا ببرد، اگرچه تاييد اين نظريه نيازمند مطالعات بيشتر مي باشد.

Field capacity (FC) and permanent wilting point (PWP) are efficacious in determining net irrigation water depth. However, direct measurement of these properties is tedious, time consuming and costly especially on large scale. Soil pedotransfer functions (PTFs) as the indirect methods can replace by the direct methods. In this study, performance of the six available pedotransfer functions on FC and PWP moisture content predicting was evaluated on 112 soil samples that were collected from the north and northeast regions of Iran. The Root Mean Square Error (RMSE) values of menioned available PTFs were changed between 0.05 to 0.17 and 0.03 to 0.13 in moisture prediction on FC and PWP points, respectively. Therefore new PTFs were developed by Multiple Linear Regression (MLR) and Artificial Neural Network (ANN) techniques based on soil properties (90 samples) and the results were validated on different soils (22 samples). The results showed that both MLR technique with assigning the RMSE values approximately 0.035, 0.01, 0.027 and 0.024 to predict soil moisture content on FC and PWP, total available water and specific yield and ANN technique with assigning the values approximately 0.013, 0.007, 0.015 and 0.013 to the same properties, evaluated in appropriate performance. The results also showed that using variables such as geometric mean and geometric standard deviation particle diameter, fractal dimension and air-entry suction, for the first one on input variables of PTFs, improved the accuracy of the results significantly, although accepting of this theory requires more studies.