كاربرد روش‏هاي رگرسيوني و شبكه‏هاي عصبي به‌ منظور تخمين هدايت هيدروليكي اشباع خاك منطقه زاگرس مركزي

Estimation of Soil Saturated Hydraulic Conductivity in Part of Central Zagroos Using Regression and ANNs method

در سال هاي اخير با ظهور سامانه اطلاعات جغرافيايي و تكنولوژي سنجش از دور، ويژگي هاي توپوگرافيكي (ارتفاع، شيب و جهت شيب) و ويژگي هاي پوشش گياهي به راحتي به وسيله مدل هاي رقومي ارتفاع و شاخص پوشش گياهي (NDVI) در مقياس هاي مختلف (حوزه اي و منطقه اي) قابل دسترس مي باشد. هدف از انجام اين پژوهش، بررسي امكان استفاده از ويژگي هاي توپوگرافيكي و پوشش گياهي به همراه ويژگي هاي خاك به عنوان ويژگي هاي زود يافت براي تخمين هدايت هيدروليكي اشباع خاك است. براي اين كار توزيع اندازه ذرات خاك، كربن آلي، كربنات كلسيم و چگالي ظاهري در افق هاي رويين و زيرين و ويژگي هاي توپوگرافيكي و NDVI از افق رويين خاك اندازه گيري شدند. سه ساختار شبكه عصبي پرسپترون براي مقايسه با رگرسيون چند متغيره خطي مورد استفاده قرار گرفتند. كارايي توابع انتقالي خاك و توابع پيش بيني مكاني خاك به وسيله ضريب همبستگي اسپيرمن (r)، ميانگين مربعات خطاي نرمال شده (NMSE) و ميانگين خطاي مطلق(MAE) بين مقادير اندازه گيري شده و مشاهده شده مورد ارزيابي قرار گرفت. نتايج نشان داد كه ويژگي هاي توپوگرافيكي و پوشش گياهي از متغير هاي حساس در تخمين هدايت هيدروليكي اشباع خاك در مراتع زاگرس مركزي مي باشند. به طور كلي شبكه هاي عصبي (0/87=r) داري كارايي بهتري از رگرسيون چند متغيره خطي (0/69=r) در تخمين هدايت هيدروليكي اشباع خاك هستند.

With the advent of advanced geographical informational systems (GIS) and remote sensing technologies in recent years, topographic (elevation, slope, and aspect) and vegetation attributes are routinely available from digital elevation models (DEMs) and normalized difference vegetation index (NDVI) at different spatial (watershed, regional) scales. This study explores the use of topographic and vegetation attributes in addition to soil attributes to develop pedotransfer functions (PTFs) for estimating soil saturated hydraulic conductivity in the rangeland of central Zagros. We investigated the use of artificial neural networks (ANNs) in estimating soil saturated hydraulic conductivity from measured particle size distribution, bulk density, topographic attributes, normalized difference vegetation index (NDVI), soil organic carbon (SOC), and CaCo3 in topsoil and subsoil horizon. Three neural networks structures were used and compared with conventional multiple linear regression analysis. The performances of the models were evaluated using spearmanrsquo s correlation coefficient (r) based on the observed and the estimated values and normalized mean square error (NMSE). Topographic and vegetation attributes were found to be the most sensitive variables to estimate soil saturated hydraulic conductivity in the rangeland of central Zagros. Improvements were achieved with neural network (r=0.87) models compared with the conventional multiple linear regression (MLR) model (r=0.69).