كارايي مدل هاي برآورد دامنه رطوبتي با حداقل محدوديت در خاك

Performance of Three Models in Predicting Least Limiting Water Range in Soil

دامنه اي از رطوبت حجمي خاك كه در آن، محدوديت ها براي رشد گياه در ارتباط با پتانسيل آب، تهويه و مقاومت مكانيكي خاك در كمترين مقدار خود باشد، دامنه رطوبتي با حداقل محدوديت (LLWR) ناميده مي شود. اندازه گيري LLWR به طور تجربي به هزينه و زمان زيادي نياز دارد. به كارگيري توابع تبديلي ((PTF مي تواند بر آورد آن را تسريع كند. درباره صحت و قابليت اعتماد تخمين PTF هاي توسعه يافته براي خصوصيات هيدروليكي خاك از طريق شبكه عصبي مصنوعي (ANNs)، روش چند هدفي مديريت گروهي داده ها ( (MGMDHو رگرسيون چند متغيره خطي MLR)) اطلاعات متناقضي در دست است. اين پژوهش به منظور ارزيابي كارايي سه روش مذكور در تخمين مستقيم LLWR انجام گرفت. بدين منظور 188 نمونه دست نخورده براي تعيين منحني نگهداري آب خاك، منحني مقاومت خاك و نهايتاً ثابت-هاي رطوبتيpwp) ?، fc?، sr ?، afp ?) و نمونه هاي دست خورده براي اندازه گيري يازده ويژگي فيزيكي و شيميايي خاك به كار گرفته شد. پس از محاسبه LLWR از رطوبت هاي حد بالا و حد پايين (LLWRe) يك بار ديگر نيز LLWR با به كارگيري سه روش مذكور مستقيما ((LLWRd از خصوصيات خاك برآورد شد. صحت و قابليت اعتماد تخمين با به كارگيري آماره هاي مجذور ميانگين مربعات خطا (RMSE)، معيار اطلاعات آكايك AIC)) و بهبود نسبي مورد بررسي قرار گرفت. روش ANNs از بالاترين صحت و قابليت اعتماد تخمين برخوردار بودRMSE) پايين تر و AIC منفي تر(. MGMDH و MLR در درجات بعدي قرار داشتند. معني دار بودن تفاوت صحت و قابليت اعتماد تخمين PTF هاي ايجاد شده با سه روش مختلف با به كارگيري AIC ارزيابي شد. تفاوت ها بين PTF هاي ايجاد شده با روش هاي ANNs وMGMDH از يك طرف و روش MLR از نظر آماري معني دار بود، اما تفاوت بين ANNs با MGMDH فقط براي مرحله آموزش معني دار شد. در بين سه روش مورد مطالعه، ANNs از بالاترين كارايي در برآورد مستقيم LLWR برخوردار بود.

The range of the soil volumetric water content at which plant growth is least limited in relation to water potential, aeration, and mechanical resistance is the least limiting water range (LLWR). Experimentally, measurement of LLWR is expensive and time consuming. Using pedotransfer functions (PTFs) can facilitate its prediction. There are, however, contradictory information about the accuracy and reliability of the developed PTFs for soil hydraulic properties using various methods including artificial neural networks (ANNs), multi-objective group method of data handling (MGMDH) and multivariate linear regression (MLR). Evaluating the performance of these methods in direct prediction of LLWR was the main purpose of the present study. To this end, 188 undisturbed soil samples were used to determine water retention and soil resistance curves and finally four moisture coefficients (?pwp,? fc,? sr,? afp) and disturbed samples for measurement of eleven various soil physical and chemical attributes. After calculation of LLWR from upper and lower limits (LLWRe), another time it was directly predicted from soil attributes (LLWRd) using the three mentioned methods. Accuracy and reliability of the developed PTFs was evaluated using root mean square error (RMSE), Akaike information criterion (AIC), and relative improvement (R.i). ANNs appeared as the most accurate and reliable one for LLWRd prediction (lower RMSE and more negative AIC); MGMDH and MLR ranked in descending order. Significant differences between accuracy and reliability of the developed PTFs by the three methods was evaluated using AIC. Differences between developed PTFs by ANNs and MGMDH versus MLR method were statistically significant, but differences between ANNs and MGMDH were only significant for the training step. Among the three methods studied, ANNs had the highest performance in LLWRd prediction.