ایجاد توابع انتقالی شبه پیوسته برای برآورد منحنی نگه داشت آب خاک با استفاده از روش درخت M۵

سابقه و هدف: اخیرا توابع انتقالی شبه پیوسته (PC-PTF) برای برآورد منحنی نگه داشت آب خاک (SWRC) معرفی شده است. این توابع به شدت به قدرت الگوریتم های یادگیری ماشین حساس هستند. روش درخت M۵ مشابه درخت های رگرسیون است، که توابع خطی در برگ های آن قرار دارند و دارای قدرت بالایی در ایجاد توابع انتقالی است. با این وجود تاکنون از این روش برای ایجاد PC-PTF برای طیف وسیعی از بافت های خاک استفاده نشده است. همچنین، کارایی برخی متغیرهای ساختمان خاک در بهبود PC-PTFها بررسی نشده است. علاوه بر این، وابستگی توزیع خطای PC-PTFها به عوامل مختلف مورد بررسی عمیق قرار نگرفته است. بنابراین اهداف این مطالعه ایجاد توابع انتقالی شبه پیوسته با استفاده از روش M۵، بررسی تاثیر متغیرهای ساختمان خاک بر عملکرد این توابع و بررسی وابستگی خطای این توابع به عوامل مختلف بود. مواد و روش ها: تعداد ۱۲۰ نمونه خاک از استان های تهران و همدان از عمق ۱۵ تا ۶۰ سانتی متری با کاربری زراعی، باغی و مرتع برداشت شد. بافت خاک، جرم مخصوص ظاهری (BD) ، SWRC، هدایت هیدرولیکی اشباع (Ks) ، مواد آلی (OM) ، میانگین وزنی قطر خاکدانه ها (MWD) و مقاومت فروروی در مکش ۳۰۰ هکتوپاسکال (PR۳۰۰) اندازه گیری شد. ۱۳ تابع انتقالی شبه پیوسته، با هر کدام از روش های درخت M۵ و رگرسیون غیر خطی، در قالب ۳ گروه متغیر ورودی، برای برآورد SWRC ایجاد شد. توزیع خطای تمام توابع انتقالی شبه پیوسته براساس آماره مجذور میانگین مربعات خطا بر روی مثلث بافت خاک ترسیم شد.یافته ها: در تابع اول، مکش خاک به عنوان تنها تخمین گر مورد استفاده قرار گرفت. رگرسیون غیرخطی مدل قابل قبولی برای تابع اول با ضریب تعیین ۷۱۸/۰ ایجاد کرد. در توابع شبه پیوسته ۳ تا ۶ اجزای بافت، BD و رطوبت FC (مکش ۳۰۰ هکتوپاسکال) و PWP (مکش ۱۵۰۰۰ هکتوپاسکال) برای برآورد SWRC مورد استفاده قرار گرفتند. ضریب تعیین این توابع ۷۱۹/۰ تا ۹۹۰/۰ به دست آمد که بهبود عملکرد برآورد SWRC را نشان داد. در روش M۵، استفاده از رطوبت FC موجب بهبود قابل توجه عملکرد مدل گردید و با مجذور میانگین مربعات ۰۱۵/۰ و cm۳cm-۳ ۰۲۰/۰، و ضرب تعیین ۹۸۷/۰ و ۹۷۳/۰ به ترتیب در مراحل آموزش و اعتبارسنجی، یک مدل بهینه را ایجاد کرد. در روش M۵، هر تابعی که از Ks و MWD به عنوان تخمین گر استفاده کرد، بهبود معنی داری نسبت به تابع ۴ که از اجزای بافت خاک و BD به عنوان تخمین گر استفاده کرده بود، نشان داد. مقادیر آماره آکائیک در هر دو مرحله آموزش و اعتبارسنجی در روش M۵ نسبت به رگرسیون غیرخطی، به ترتیب به میزان ۳۷ تا ۲۸۳ درصد و ۱۱۱ تا ۱۵۷ درصد کمتر به دست آمد. توزیع خطا بر روی مثلث بافت خاک، هیچ وابستگی به بافت خاک نشان نداد، ولی به روش ایجاد توابع شبه پیوسته و متغیرهای ورودی مرتبط بود. نتیجه گیری: می توان با روش های هوش مصنوعی قدرتمند یک مدل جامع برای SWRC ایجاد کرد، که باعث عدم نیاز کاربران به مدل های مختلف SWRC مانند ون گنوختن برای خاک های مختلف خواهد بود. استفاده از مجموعه ای از متغیرهای بافت و ساختمان خاک باعث افزایش دقت برآورد SWRC می گردد. ولی آن دسته از متغیرهای ساختمانی، که شاخصی از توزیع اندازه منافذ هستند، برای برآورد SWRC مناسب تر بودند. تاثیر بیشتر FC، در بهبود برآورد SWRC نسبت به PWP، کارایی بیشتر رطوبت در مکش های میانی در برآورد SWRC را نشان داد. الگوریتم قوی روش درخت M۵ برخی الگوهای روابط میان متغیرهای ورودی و خروجی که توسط روش رگرسیون غیرخطی قابل تشخیص نبود، را تشخیص داد. با توجه به وابستگی توزیع خطا بر روی مثلث بافت خاک، به روش ایجاد توابع شبه پیوسته و متغیرهای ورودی، باید نقشه های توزیع خطا را بر اساس فاکتورهای مذکور دسته بندی نمود

کلیدواژه ها:

رگرسیون غیرخطی ، رطوبت ظرفیت زراعی ، نقشه خطای تخمین ، ماده آلی ، هدایت هیدرولیکی اشباع