ارزيابي توابع انتقالي مختلف براي برآورد منحني رطوبتي خاك در شهرستان نقده

دانستن ويژگي هاي هيدروليكي خاك نظير منحني رطوبتي خاك پيش شرط لازم در مدل كردن حركت آب و انتقال املاح در خاك است. روش هاي مستقيم به منظور برآورد اين ويژگي هاي هيدروليكي پر هزينه و زمان بر است. لذا، در اين رابطه روش هاي غيرمستقيم نظير توابع انتقالي مورد استفاده قرار مي گيرد. به منظور برآورد منحني رطوبتي خاك، توابع انتقالي رزتا ، سويل پار-2 و توابع انتقالي رگرسيوني مختلف مورد مقايسه و ارزيابي قرار گرفت. منحني رطوبتي خاك با استفاده از ستون آب آويزان براي مكش هاي كمتر از يك متر آب و صفحه فشاري براي مكش-هاي بيش از يك متر آب تا 15 بار اندازه گيري شد. براي ارزيابي توابع انتقالي يادشده از معيار هاي آماري ريشه مربعات خطا (RMSE)، ميانگين خطاي مطلق (MAE)، ضريب كارآيي اصلاح شده (Eʹ) و شاخص مطابقت اصلاح شده (dʹ) استفاده شد. نتايج نشان داد نرم افزار رزتا با ميانگين مقادير معيار هاي آماري RMSE، MAE، Eʹوdʹ به ترتيب برابر با 0310/0، 0247/0، 7956/0 و 9037/0 در شبيه سازي منحني رطوبتي خاك براي منطقه مورد پژوهش از دقت بالايي نسبت به بقيه توابع انتقالي برخوردار است. نتايج پژوهش حاضر ارجحيت شبكه-هاي عصبي مصنوعي را براي برآورد منحني رطوبتي خاك نسبت به توابع انتقالي رگرسيوني با تعداد پارامتر هاي ورودي بيشتر را نشان داد. نتايج همچنين نشان داد تابع انتقالي كمپل تعديل شده در اين پژوهش بعد از رزتا با مقادير RMSE، MAE، Eʹوdʹ به ترتيب برابر با 0685/0، 0530/0، 5561/0 و 8075/0 برآورد مناسب تري از منحني رطوبتي براي خاك هاي منطقه ي مورد پژوهش ارايه مي دهد.

Soil hydraulic properties such as soil water characteristic curve are necessary prerequisite for modeling water movement and solute transport. Direct methods of estimating these hydraulic properties are time consuming and costly. Indirect methods, such as pedotransfer functions, estimate the hydraulic parameters using easy-to-measure soil properties like particle size distributions, bulk density, or organic matter content. In this study, to estimate soil water characteristic curve, Rosetta pedotransfer function with artificial neural network approach, Soilpar-2, and different regression-based pedotransfer functions were compared and evaluated. For the purpose of comparison and evaluation of pedotransfer functions, statistical criteria of Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Modified Efficiency Coefficient (Eʹ), and Modified Index of Agreement (dʹ) were used. The results show that Rosetta, with mean values of the statistical criteria RMSE, MAE, Eʹ and dʹ equal to 0.0310, 0.0247, 0.7956, and 0.9037, respectively, enjoyed high accuracy compared to the rest of pedotransfer functions. The results of this study showed that, to estimate soil water characteristic curve, the artificial neural network was more preferable than the regression pedotransfer functions with higher number of input parameters for the study area. The results also indicated that the adjusted Campbell pedotransfer function with RMSE, MAE, Eʹ and dʹ equal to 0.0685, 0.0530, 0.5561 and 0.8075, respectively, presented the next best estimate of soil water characteristic curve for soils of the study area, after Rosetta.