برآورد منحني مشخصه آب خاك با استفاده از مدل پارامتريك مقياس‏ گذاري شده

Estimating soil moisture characteristics curve using parametric scaled model

اندازه‏گيري مستقيم منحني مشخصه آب خاك به دليل تغييرپذيري مكاني و زماني زياد خصوصيات هيدروليكي، كاري دشوار و پرهزينه است، لذا تخمين منحني مشخصه آب خاك با استفاده از ويژگي‏هاي زوديافت پايه‏اي خاك مورد توجه واقع شده است. در اين پژوهش، از داده‏هاي پراكنش اندازه‏اي ذرات 12 نمونه خاك پايگاه اطلاعات داده‏اي UNSODA براي مقايسه مدل‏هاي پارامتريك مقياس‏گذاري شده و نرم افزار ROSETTA استفاده شد. نتايج نشان داد كه منحني مشخصه آب خاك را مي‏توان با استفاده از داده‏هاي منحني پراكنش اندازه‏اي ذرات خاك برآورد نمود و عملكرد نسبي (RI) برآورد منحني مشخصه آب خاك با استفاده از مدل‏ پارامتريك مقياس‏گذاري شده 3/50% بيشتر از نرم افزار ROSETTA مي‏باشد. همچنين به دليل عملكرد مستقل از داده‏هاي آزمايشگاهي و عدم نياز به پارامترهاي تجربي در روش مقياس‏گذاري، استفاده از اين روش نسبت به نرم افزار ROSETTA مناسب‏تر است. نتايج مقايسه آماري مدل مقياس‏گذاري شده نشان داد كه اين روش بهترين برازش را بر داده‏هاي تجربي دارد. همچنين در مدل پارامتريك مقياس‏گذاري، در مكش‏هاي بالا (رطوبت كم) و خشك شدن خاك، برآورد منحني مشخصه آب خاك عملكرد نسبي بهتري نسبت به نرم‏افزار ROSETTA نشان مي‏دهد، بنابراين مي‏توان از اين روش براي برنامه‏ريزي آبياري استفاده نمود. روش مقياس‏گذاري نشان داد كه با استفاده از درصد ذرات شن، سيلت و رس مي‏توان منحني مشخصه آب خاك را با دقت برآورد كرد، به دليل تغييرپذيري مكاني زماني نسبتاً ثابت درصد ذرات شن، سيلت و رس مي‏توان از روش مقياس‏گذاري در مقياس‏هاي مطالعاتي بزرگ استفاده نمود.

Direct measurement of soil moisture characteristics curve (SMC) due to spatial and temporal variation is labor and expensive. Therefore, estimation of SMC from basic soil properties which can be measured easily would be satisfactory. In this study, a dataset containing 50 particle size distributions (PSD) data of UNSODA were selected to verify parametric and nonparametric (ROSETTA model). Results indicated that SMC is easily predictable by means of PSD curve and parametric models could predict SMC more accurate than ROSETTA software. In order to determine the effect of the number of model input in prediction of SMC two methods were used, full PSD method using at least 4 mass particle frequencies, semi PSD method using sand, silt and clay percentages as a model input. Statistical analysis revealed that semi PSD method is the best fitted model to experimental data. The semi PSD method predicted SMC more accurately in comparison with other methods as a result of data independency. The predicted SMC is continuous and more reliable in drying. So the semi PSD method could be used in irrigation programming. Since, sand, silt and clay percentages are easily available soil properties and their spatialtemporal variability are approximately constant, our method can be used as an alternative to predict SMC in large scale studies.