مقايسه روش‌هاي زمين‌آماري با روش غيرپارامتريك k- نزديك‌ترين همسايه براي برآورد هدايت هيدروليكي اشباع خاك

Comparing geostatistics techniques and nonparametric k-nearest neighbor technique for predicting soil saturated hydraulic conductivity

آگاهي از هدايت هيدروليكي اشباع خاك در مديريت آبياري و مدل‌سازي هيدورلوژيكي، ضروري مي‌باشد، ولي در بيش‌تر موارد به‌علت محدوديت‌هاي عملي و يا هزينه‌اي، اندازه‌گيري آن با دشواري همراه است. در اين پژوهش مدل‌هاي مختلف زمين‌آماري با نوعي از الگوريتم‌هاي غيرپارامتريك از نوع يادگيرنده هاي تنبل موسوم به k- نزديك‌ترين همسايه، براي تخمين هدايت هيدروليكي اشباع خاك از روي داده‌هاي سهل‌الوصول خاك، مورد مقايسه قرار گرفت. در اين پژوهش 151 نمونه از خاك‌هاي زراعي اطراف بجنورد، جمع‌آوري شده و متغيرهاي كمكي شامل فراواني ذرات، جرم مخصوص حقيقي و ظاهري همچنين هدايت الكتريكي عصاره اشباع خاك (ECe)، درصد مواد آلي خاك (OM)، رطوبت اشباع خاك (?s)، pH و ميزان مواد خنثي‌شونده آن (TNV) براي برآورد هدايت هيدروليكي اشباع به‌كار گرفته شد. استفاده از آماره‌هاي ضريب هبستگي پيرسون (r)، خطاي ماكزيمم (ME)، ريشه ميانگين مربعات خطا (RMSE)، كارآيي مدل (EF) و ضريب جرم باقي‌مانده (CRM) نشان داد كه از نظر دقت برآورد، روش غيرپارامتريك k- نزديك‌ترين همسايه (با داشتن آماره‌هاي 76/0=r، 655/0=EF، 87/42=RMSE، 89/26= MEو 11/0- =CRM) نسبت به ساير روش‌ها از دقت قابل‌قبولي برخوردار بوده و پس از آن روش‌هاي كوكريجينگ و كريجينگ ساده، واجد بيش‌ترين دقت در تخمين مقادير هدايت هيدروليكي اشباع خاك بوده‌اند. بر اين اساس، مي‌توان نتيجه‌گيري كرد كه استفاده از تكنيك k- نزديك‌ترين همسايه به‌عنوان روشي جايگزين براي اشتقاق توابع انتقالي خاك، به‌ويژه هنگامي‌كه فراهمي داده‌هاي جديد، نياز به اشتقاق دوباره اين توابع را الزام‌آور مي‌كند، مي‌تواند به‌كار رود. واژه‌هاي كليدي: تكنيك k- نزديك‌ترين همسايه، روش‌هاي زمين‌آماري، هدايت هيدروليكي اشباع خاك

Knowledge of the soil saturated hydraulic conductivity (Ks) is essential for irrigation management purposes and hydrological modeling, but it cannot often be measured because of practical and/or cost-related reasons. In this research, common geostatistical approaches with one type of the nonparametric lazy learning algorithms, a k-nearest neighbor (k-NN) algorithm, was compared and tested to estimate saturated hydraulic conductivity (Ks) from other easily available soil properties. In this research 151 soil samples were collected from arable land around Bojnourd and saturated hydraulic conductivity (Ks) was estimated from other soil properties including soil textural fractions, EC, pH, SP, OC, TNV, ?s and ?b. The nonparametric k-NN technique performed mostly equally well, in terms of Pearson correlation coefficient (r), modeling efficiency (EF), root-mean-squared errors (RMSE), maximum error (ME) and coefficient of residual mass (CRM) statistics (r=0.76, EF=0.655, RMSE=42.87, ME=26.89 and CRM= -0.11) and after that, Co-Kriging and simple kriging methods, performed better than others. It can be concluded that the k-NN technique is a competitive alternative to other techniques such as pedotransfer functions (PTFs) to estimate saturated hydraulic conductivity especially when for new data set redriving these functions is essential. Keywords: Geostatistics techniques, K-nearest neighbor technique, Soil saturated hydraulic conductivity