معرفي توابع انتقالي در فيزيك خاك و استفاده از آنان در برآورد منحني خصوصيت رطوبتي ، همراه با اشاره اي به مدل هاي مبتني به شبكه هاي عصبي

توابع انتقالی (PTF) در علم خاكشناسی به توابعی گفته می شود كه قادر باشند برخی از خصوصیات خاك را با استفاده از ویژگی های آسان آن تخمین بزنند . این ویژگی های آسان خاك یا بصورت معمول در آزمایشگاه اندازه گیری می شود و یا اینكه اندازه گیری آنها نیاز به هزینه زیادی ندارد . واژه توابع انتقالی اولین بار توسط بوما در سال 1989 معرفی شد . او این واژه را به توابعی اطلاق كرد كه داده های موجود ر ا به داده هایی كه موجود نیستند ولی به آنها نیاز داریم، تبدیل می كنند. در نقشه برداری خاك بیشتر داده های آسان خاك نظیر مرفولوژی، بافت خاك، ساختمان و pH ، هدایت الكتریكی عصاره اشباع اندازه گیری می شود. با استفاده از توابع انتقالی می توان به تعداد این داده ها با استفاده از داده های موجود اضافه كرد . بنابراین كمبود داده های مورد نیاز خاكشناسی با استفاده از این توابع جبران می گردد. توابع انتقالی از انواع رگرسیونها و یا مكانیسم های دیگر تبدیل داده (مانند شبكه های عصبی ) بهره می برند. هرچند كه تا سال 1989 كسی توابع انتقالی را نامگذاری نكرده بود، اما حقیقت این است كه مطالعه متون علمی نشان می دهد، استفاده از توابع مختل ف جهت تخمین خصوصیاتی از خاك كه اندازه گیری آنها دشوار است، سابقه طولانی ای دارد . برخی از آژانس های خاكشناسی فرمول های تجربی جهت برآورد ویژگی های دشوار خا ك مختص خود استف اده می كردند (بصورت غیر رسمی ). البته این عمل احتمالا بدلیل دشواری هایی كه آنها در عمل با آن روبرو بوده اند، هزینه های زیاد و همچنین در اختیار داشتن بانك داده غنی ای كه در دست داشته اند، انجام شده است . تا امروز بیشترین تحقیقات در مورد توابع انتقالی در زمینه تخمین میز ان آب خاك (منحنی خصوصیت رطوبتی )، هدایت هیدرولیكی و خصوصیات هیدرولیك خاك صورت گرفته است . دلیل این نوع توجه ، تعدد پارامتر ها، نبود روشهای مدون اندازه گیری پارمتر ها، دشواری و هزینه زیاد از یك سمت و از سوی دیگر نیاز مدل های جدید مطا لعه حركت آب و املاح در خاك به پارامتر های هیدرولیك خاك می باشد. از این رو مدل های بسیاری برای برآورد خصوصیات هیدرولیك خاك ارائه شد ه است. در سال های اخیر استفاده از هوش مصنوعی و تكنیك شبكه های عصبی نیز به عنوان توابع انتقالی، در عرصه این علم مطرح شده است . ه دف از این نوشتار معرفی مختصری از توابع انتقالی ، سوابق آنها در برآورد منحنی خصوصیت رطوبتی خاك و معرفی مدل های مبتنی بر شبك ههای عصبی می باشد.

Pedotransfer functions (PTF) is a term used in soil science literature, which can be defined as predictive functions of certain soil properties from other easily-, routinely-, or cheaply-measured properties. This concept arises in soil science as information on soil survey is now highly demanded.The term pedotransfer function (PTF) was coined by Bouma (١٩٨٩) as translating data we have into what we need. The most readily available data come from soil survey, such as field morphology, soil texture, structure and pH. Pedotransfer functions add value to this basic information by translating them into estimates of other more laborious and expensively determined soil properties. These functions fill the gap between the available soil data and the properties which are more useful or required for a particular model or quality assessment. Pedotransfer functions utilize various regression analysis and data mining techniques (like neural networks) to extract rules associating basic soil properties with more difficult to measure properties.Although not formally recognized and named until ١٩٨٩, the concept of the pedotransfer function has long been applied to estimate soil properties that are difficult to determine. Many soil science agencies have their own (unofficial) ‘rule of thumb’ for estimating difficult-to-measure soil properties. Probably because of the particular difficulty, cost of measurement, and availability of large databases, the most comprehensive research in developing PTFs has been for the estimation of water retention, hydraulic conductivity and soil hydraulic properties.This is because of, number of parameter, lack of standard method to measurements , cost. Furthermore the new computer models that applied in water and solute movement through soil need to these parameters. Later many models using neural networks as pedotransfer functions. The object of this paper is introduction to pedotransfer functions, their history and the neural network models.