ارزیابی سطوح مختلف ورودی نرم افزار Rosetta در برآورد برخی ویژگی‌های هیدرولیکی خاک
الموضوعات :
پریسا مشایخی
1
(
استاديار بخش تحقيقات خاک و آب، مرکز تحقيقات و آموزش کشاورزي و منابع طبيعي اصفهان، سازمان تحقيقات، آموزش و ترويج کشاورزي، اصفهان ايران.
)
محسن دهقانی
2
(
استاديار بخش تحقيقات خاک و آب، مرکز تحقيقات و آموزش کشاورزي و منابع طبيعي اصفهان، سازمان تحقيقات، آموزش و ترويج کشاورزي، اصفهان ايران.
)
الکلمات المفتاحية: ظرفيت زراعي, مدلسازي, نقطه پژمردگي دائم, ROSETTA,
ملخص المقالة :
مقدمه و هدف پژوهش: ظرفيت مزرعه (FC) و نقطه پژمردگي دائم گياه (PWP) از جمله مهمترين نقاط در منحني مشخصه رطوبتي خاک هستند. اين پارامترها از اهميت زيادي در مديريت، برنامه ريزي و طراحي سيستم هاي مختلف آبياري و مديريت کشاورزي برخوردار مي باشند. روش هاي مستقيم اندازه گيري اين پارامترها بسيار دشوار و زمان بر است. توابع انتقال پدو (PTF) به طور گسترده اي براي پيش بيني پارامترهاي هيدروليکي خاک به نفع اندازه گيري هاي آزمايشگاهي يا ميداني گران قيمت استفاده شده اند.Rosetta يکي از انواع توابع انتقالي بر اساس شبکه هاي عصبي مصنوعي (ANN) است که امکان تخمين پارامترهاي هيدروليکي معادله ون گن اختن و عدم قطعيت آنها را فراهم مي کند. از آنجا که اين نرم افزار در بسياري از نرم افزارهاي متداول بررسي ويژگي هاي هيدروليکي خاک از جمله هايدروس، ديسک و ... براي برآورد اوليه مورد استفاده قرار مي گيرد، اين تحقيق با هدف بررسي ميزان دقت سطوح مختلف ورودي نرم افزار ROSETTA در تخمينFC و PWP انجام شد. روش پژوهش: براي انجام پژوهش حاضر از داده هاي مربوط به ويژگي هاي فيزيکي حدود 280 نمونه خاک از مناطق مختلف استان اصفهان استفاده شد. خاک هاي مورد مطالعه در 9 کلاس بافتي شامل لوم رسي، لوم رسي سيلتي، رس سيلتي، لوم شني، لوم، رسي، لوم سيلتي، لوم شني و لوم رسي شني طبقه بندي شدند. به منظور تخمين پارامترهاي معادله ون گنوختن سه سطح از ورودي نرم افزار Rosetta شامل 1) استفاده از کلاس بافتي(TC)، 2) درصد ذرات شن، رس و سيلت (SSC) و 3) درصد شن و رس و سيلت به علاوه چگالي ظاهري خاک (SSC+BD) استفاده شد. مقاديرFC و PWP با استفاده از پارامترهاي هيدروليکي تخمين زده شده توسط ROSETTA، از طريق معادله ون گنوختن محاسبه و با مقادير اندازه گيري شده در آزمايشگاه به کمک دستگاه صفحات فشاري، مقايسه شدند. براي ارزيابي آماري ميزان دقت پارامترهاي برآورد شده ازشاخصهاي آماري متفاوتي مانند جذر ميانگين مربعات خطا (RMSE)، جذر ميانگين مربعات خطاي نرمال شده (NRMSE)خطاي باياس ميانگين(MBE)، ضريب کارآيي اصلاح شده('E) و شاخص مطابقت اصلاح شده ('d) استفاده شد. يافته‌ها: نتايج نشان داد که در خاک‌هاي با بافت ريز مانند رس (C)، رس سيلتي (SiC) و لوم رسي سيلتي (SiCL)، سطح اول ورودي ها (TC) دقيق‌تر از دو سناريو ديگر بود و مقاديرFC با خطاي کمتري برآورد شد. به نظر مي رسد وجود مقادير بالاي درصد رس در اين بافت خاک سبب ايجاد خطا در اندازه گيري درصد ذرات رس، سيلت و شن مي شود؛ به گونه اي که در اين بافت ها استفاده از کلاس بافتي از دقت بالاتري نسبت به استفاده از درصد ذرات تشکيل دهنده بافت خاک (سناريو دوم) در برآورد ويژگي هاي هيدروليکي خاک برخوردار بوده است. از سوي ديگر، در بافت هاي درشت شن لومي (LS) و لوم شني (SL)، سطح سوم (SSC+BD) بيشترين دقت را در تخمين پارامترهاي مدل ون گنوختن داشت. در مورد بقيه بافت‌هاي خاک، سطح دوم (SSC) بيشترين دقت را در برآورد FC داشت. از نظر مقادير ضرايب همبستگي بين مقاديرFC اندازه گيري شده و برآورد شده، به ترتيب، سناريو دوم(SSC) (R2=0.4927)، سناريو اول(TC) (R2=0.3992) و سناريو سوم(SSC+BD) R2=(0.3715) قرار گرفتند. بر خلاف (vv-1)FC، مقادير (vv-1) PWP برآورد شده توسط نرم افزار در سناريو‌هاي مختلف مورد مطالعه در بافت هاي مختلف از روند مشخصي تبعيت نکرد، اما در اکثر بافت هاي خاک مورد مطالعه، بيشترين ضريب همبستگي بين مقاديرPWP اندازه‌گيري شده و برآورد شده توسط نرم‌افزار ROSETTA در سناريو دوم(SSC) مشاهده شد (R2=0.4758) و به دنبال آن سناريو سوم(SSC+BD) (R2=0.4458) و سطح اول(TC) (R2=0.4382) قرار گرفتند. نتايج: به طور کلي در اکثر خاک هاي مورد مطالعه استفاده از سناريو دوم يعني درصد ذرات ماسه، رس و سيلت (SSC) به عنوان وروديROSETTA کمترين ميزان خطا را در تخمين پارامترهاي معادله ون گنوختن داشت. بنابراين، (vv-1)FC و (vv-1) PWP برآورد شده با استفاده از سناريو دوم (SSC) در مقايسه با مقادير اندازه‌گيري‌شده‌شان از دقت قابل قبولي برخوردار بودند.
Abd Rashid, N.S., Askari, M., Tanaka, T., Simunek, J.& van Genuchten, M.Th. (2015). Inverse estimation of soil hydraulic properties under oil palm trees. Geoderma, 241–242, 306–312.
Alletto, L., Pot, V., Giuliano, S., Costes, M., Perdrieux, F.& Justes, E. (2015) Temporal variation in soil physical properties improves the water dynamics modeling in a conventionally-tilled soil. Geoderma, 243(244), 18–28.
Asgarzadeh, H., Mosaddeghi, M.R., Dexter, A.R., Mahboubi, A.A.& Neyshabouri, M.R. (2014). Determination of soil available water for plants: consistency between laboratory and field measurements. Geoderma, 226–227, 8–20.
Babaeian, E., Homaee, M.& Noroozi, A.A. (2013). Assessing spectrotransfer functions and pedotransfer functions in predicting soil water retentions. Conservation of soil and water resources, 3(2), 25-43. (In Persian with English abstract).
Blake, G.R.& Hartge, K.H. (1986) Bulk density. In: Klute A, Ed, Methods of Soil Analysis, Part 1—Physical and Mineralogical Methods, 2nd Edition, Agronomy Monograph 9, American Society of Agronomy—Soil Science Society of America, Madison, 363-382.
Bouyoucos, G.J. (1962). Hydrometer method improved for making particle size analyses of soils 1. Agronomy Journal, 54(5), 464-465.
Beretta, A.N., Silbermann, A.V., Paladino, L., Torres, D., Bassahun, D., Musselli, R.& García-Lamohte, A. (2014). Análisis de textura del suelo con hidrómetro: modificaciones al método de Bouyoucus. Ciencia e Investigación Agraria, 41(2), 263-271.
Charles, W.& Oluwapelumi, O. (2021). Predictive modelling of soils’ hydraulic conductivity using artificial neural network and multiple linear regression. Applied Sciences.3. https://doi.org/10.1007/s42452-020-03974.
Dobarco, M.R., Isabelle, C.I., Bas, C.L.& Martin, M.P. (2019). Pedotransfer functions for predicting available water capacity in French soils, their applicability domain and associated uncertainty. Geoderma, 336, 81–95. https://doi.org/10.1016/j.geoderma.2018.08.022.
Ebrahimi, F. & Raoof, M. (2015). Effect of different Rosetta Predictive Model on Soil Hydraulic Properties. Estimation Using HYDRUS-2D and Effect of Land use changing on their. Iranian Journal of Irrigation and Drainage, 2(9), 303-313. (In Persian with English abstract).
Fathi, M. & Tehrani, M. (2017). Zinc Availability in Relation to Selected Soil Properties and landscape Position in Calcareous Soils of Esfahan Province. 15th Iran Soil Science Congress, Isfahan University of Technology
Garg, N.K. & Gupta, M. (2015).Assessment of improved soil hydraulic parameters for soil water content simulation and irrigation scheduling. Irrigation Science, 33(4), 247–264.
Gee, G.W. & Or, D. (2002). 2.4 Particle-size analysis. Methods of Soil Analysis, 4(598), 255-293.
Gunarathna MH, Sakaic K, Nakandakaric T, Momiid K, Kumaria MKN, & Amarasekaraa MGTS. (2019). Pedotransfer functions to estimate hydraulic properties of tropical Sri Lankan soils. Soil & Tillage Research, 190, 109–119. https://doi.org/10.1016/j.still.2019.02.009.
Klute, A. (1986). Methods of Soil Analysis. Part 1- Physical and Mineralogical Methods. 2nd ed., Agronomy No. 9. ASA/SSSA Inc., Madison, Wisconsin, USA.
Mashayekhi, P., Ghorbani Dashtaki, S., Mosaddeghi, M.R, Shirani, H.& Mohammadi Nodoushan, A.R. (2016). Different scenarios for inverse estimation of soil hydraulic parameters from double ring infiltrometer data using HYDRUS 2D/3D. International Agrophysics, 30(2), 203-210.
Nakhaei, M.& Šimůnek, J. (2014). Parameter estimation of soil hydraulic and thermal property functions for unsaturated porous media using the HYDRUS-2D code. Journal of Hydrology and Hydromechanics, 62(1), 7–15.
Rastgou, M., Bayatb, H., Mansoorizadehc, M.& Gregoryd, A.S. (2020). Estimating of soil water retention curve: Comparison of multiple nonlinear regression approach and random forest data mining technique. Computers and Electronics in Agriculture, 174. https://doi.org/10.1016/j.compag.2020.105502.
Salahou, M.Kh., Chen, Y., Jiao, X.& Lu, H. (2023). Inverse Modelling to Estimate Soil Hydraulic Properties at the Field Scale. Mathematical Problems in Engineering 2022, Article ID 4544446, 11 pages. https://doi.org/10.1155/2022/4544446.
Salazar, O., Wesstrom, I.& Joel, A. (2008). Evaluation of drainmod using saturated hydraulic conductivity estimated by a pedotransfer function model. Agricultural Water Management, 95, 1135 – 1143.
Šimůnek, J., van Genuchten, M.Th.& Šejna, M. (2012). HYDRUS: model use, calibration, and validation. American Society of Agricultural and Biological Engineers, 55(4), 1261–1274.
Schaap, M.G., Leij, F.J.& van Genuchten, M.Th. (2001). ROSETTA: A computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions. Journal of Hydrology, 251, 163–176. http://dx.doi.org/10.1016/S0022-1694 (01)00466-8.
Schaap, M.G., Nemes, A.& van Genuchten, M.Th. (2004). Comparison of models for indirect estimation of water retention and available water in surface soils. Vadose Zone Journal, 3, 1455–1463. http://dx.doi.org/10.2136/vzj2004.1455.
Schelle, H., Iden, S.C., Schlüter, S., Vogel, H.J.& Durner, W. (2012). Identification of effective flow processes and properties from virtual soils using inverse modeling. Geophysical Research Abstracts, 14.
Trejo-Alonso, J., Carlos Fuentes, C., Chávez, C., Quevedo, A., Gutierrez-Lopez, A., & Brandon González-Correa, B. (2021). Saturated Hydraulic Conductivity Estimation Using Artificial Neural Networks. Water, 13(705). https://doi.org/10.3390/w13050705.
Van Genuchten, M. Th. (1980). A closed–form equation for predicting the hydraulic conductivity of unsaturated soils. Soil Science Society of America Journal, 44(5), 892–898.
Vereecken, H., Weynants, M., Javaux, M., Pachepsky, Y., Schaap, M.G.&Van Genuchten, M. Th. (2010). Using pedotransfer functions to estimate the Van Genuchten- Mualem soil hydraulic properties: a review. Vadose Zone Journal, 9(795). http://dx.doi. org/10.2136/vzj2010.0045.
Yavari, M., Mohammadi, M.H.& Shahbazi, K. (2020). Comparison of Some Methods for Measuring Primary Soil Particle Size Distribution and Introducing Appropriate Times for the Four-Reading Method for Determining Soil Texture. Iran Journal of Soil Water Research, 51(12), 2999-3015. (In Persian with English abstract). DOI: 10.22059/ijswr.2020.310061.668738.
Zhang, Y., Schaap, M.G, Guadagnini, A.& Neuman, S.P. (2016). Inverse modeling of unsaturated flow using clusters of soil texture and pedotransfer functions. Water Resource Research, 52, 1–14. http://d x.doi.org/10.1002/2016WR019016.
Zhang, Y.& Schaap, M.G. (2017). Weighted recalibration of the Rosetta pedotransfer model with improved estimates of hydraulic parameter distributions and summary statistics (Rosetta3). Journal of Hydrology, 547, 39–53.
