مدل سازي منحني مشخصه رطوبتي برخي خاك هاي ايران با استفاده از توابع انتقالي شبه پارامتريك شبكه عصبي

Modeling water retention curve of some Iranian soils using pseudo parametric neural network pedotransfer functions

مدل سازي جريان آب و انتقال املاح در منطقه غير اشباع نيازمند آگاهي از خصوصيات هيدروليك خاك از جمله منحني نگهداشت آب است. تخمين غير مستقيم اين توابع با استفاده از خصوصيات پايه خاك در قالب توابع انتقالي توجه كارشناسان رشته هاي مختلفي را به خود جلب كرده است. امروزه، استفاده از مدل هاي شبكه هاي عصبي براي اشتقاق توابع انتقالي بسيار معمول است. در اين پژوهش، توابع جديد شبه پارامتريك شبكه عصبي معرفي و ارزيابي شد و عملكرد آن ها با توابع مرسوم نقطه اي و پارامتريك مقايسه شد. همچنين، تاثير دو روش متفاوت آموزش مستقيم و غير مستقيم مورد ارزيابي قرار گرفت. تمامي تحليل ها بر روي 122 نمونه خاك از شمال و شمال شرق ايران (آمل و بابل، كرج و بجنورد) انجام شد كه به صورت تصادفي انتخاب شده بودند. به طوركلي، نتايج توابع پارامتريك نسبت به نقطه اي بهتر بودند، به طوري كه ميانگين نمايه هاي r و RMSE در توابع پارامتريك به ترتيب 93/0 و 032/0 و در توابع نقطه اي به ترتيب 76/0 و 034/0 مي باشد. از طرف ديگر، توابع شبه پارامتريك توانستند با استفاده از اطلاعاتي مشابه براي آموزش، نتايج توابع نقطه اي را بهبود بخشند. ميانگين نمايه-هاي r و RMSE در توابع شبه پارامتريك به ترتيب برابر با 95/0 و 026/0 بود. به نظر مي رسد افزايش نمونه ها در فاز آزمايش و انتخاب پتانسيل ماتريك به عنوان ورودي، مهم ترين دلايل موفقيت توابع شبه پارامتريك باشد. همچنين نتايج نشان دادند كه اشتقاق توابع انتقالي با داده هاي محلي (آموزش مستقيم) نتايج بهتري نسبت به اشتقاق داده ها با استفاده از پايگاه داده هاي جهاني (آموزش غير مستقيم) دارد.

Modeling water flow and solute transport in unsaturated zone requires knowledge of soil hydraulic properties such as water retention curve. Indirect determination of these functions from basic soil properties using pedotransfer functions (PTFs) has attracted the attention of researchers in a variety of fields. Nowadays using of ANNs models for PTFs deriving is very usual. In this research we introduced and evaluated new pseudo pedotransfer functions and compared with point and parametric pedotransfer function. Also impact of two different method of training, direct and indirect was calculated. All the calculation is done on 122 soil samples of north and north east of Iran that were selected randomly. Generally result of parametric functions was better than point functions. The average of r and RMSE indicators in parametric functions are 0.93 and 0.032 and in point functions are 0.76 and 0.034. On the other hand pseudo parametric functions improved the results of point functions with using the same information’s for training. The average of r and RMSE indicators in pseudo parametric functions are 0.95 and 0.026. It seems that increasing of samples in training phase and select the matric potentials as input are the most important factors in pseudo parametric functions success. Also results show that using local data for deriving pedotransfer functions (direct training) is better than using universal data base (indirect training).