-
دسترسی آزاد مقاله
1 - تخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
علی حکمت زاد مسعود داوری محمدعلی محمودی کمال نبی الهیهدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار چکیده کاملهدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل اعتماد هستند. یکی از راههای غلبهبر این مشکل، استفاده از روشهای غیرمستقیم همچون توابع انتقالی خاک میباشد. از آنجایی که تاکنون در منطقه موردمطالعه توابعی انتقالی جهت برآورد Ks پیشنهادنشده است؛ لذا در این پژوهش با استفاده از شبکههای عصبی مصنوعی و رگرسیونهای آماری و بهرهگیری از تعدادی محدود یا مجموعهای وسیعتر از ویژگیهایزودیافت خاکی، توابعی انتقالی برای برآورد Ks تبیین و کارآیی آنها ارزیابی شد. بدین منظور، هدایت هیدرولیکی اشباع 95 نقطه محل از زیرحوزههای آبخیز چرداول -چمشیر در استان ایلام با استفاده از پرمامتر گلف اندازهگیری شد. همچنین برخی از ویژگیهای زودیافت خاک این نقاط مطالعاتی نیز تعیین شد. سپس اعتبار توابعاشتقاق یافته در تعیین Ks ، با استفاده از جذر میانگین مربعات خطا ) RMSE (، میانگین خطا ) ME ( و ضریب همبستگی پیرسون ) r ( ارزیابی شد. با توجه به نتایج، Ksبا میانگین هندسی قطر ذارت و مقدار شن دارای بیشترین همبستگی بود )بهترتیب دارای r معادل 58 / ۰ و 56 / ۰(. نتایج نشان داد در صورت دسترسی به تعداد کمی ازویژگیهای زودیافت خاکی، توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی میتوانند Ks را با دقت نسبتاً خوبی پیشبینی کنند )به ترتیب دارای85 / ۰ = rR-val ، mm/hr 81 / 6 = RMSER-val و 87 / ۰ = rANN-test ، mm/hr 8۰ / 1۰ = RMSEANN-test (. این در حالی است که با توجه به نتایج، در صورت استفاده از ویژگیهای زودیافت بیشتر، دقت پیشبینی Ks توسط مدل شبکه عصبی در هر دو مرحله آموزش و آزمون افزایش یافت ) 92 / ۰ = rtrain ،mm/hr 36 / 4 = RMSEtrain و 89 / ۰ = rtest ، mm/hr 17 / 7 = RMSEtest (. در مجموع نتایج نشان دادند که شبکههای عصبی مصنوعی در مقایسه با مدلهای رگرسیونی خطی دارای کارآیی نسبتاً بهتر در تخمین هدایت هیدرولیکی اشباع خاک میباشند. پرونده مقاله -
دسترسی آزاد مقاله
2 - تخمین منحنی توزیع دانهبندی خاک بر مبنای سه تابع انتقالی پارامتریک
حمید رضا فولادمندزمینه و هدف: منحنی توزیع دانهبندی خاک از مهمترین ویژگیهای فیزیکی خاک است و مدلهای متعددی برای برازش بر دادههای اندازهگیری شده این منحنی ارائه شده است. همچنین روشهایی برای تخمین این منحنی وجود دارد که از آنجمله میتوان به تخمین آن با استفاده از روش آسانتر ویژگی چکیده کاملزمینه و هدف: منحنی توزیع دانهبندی خاک از مهمترین ویژگیهای فیزیکی خاک است و مدلهای متعددی برای برازش بر دادههای اندازهگیری شده این منحنی ارائه شده است. همچنین روشهایی برای تخمین این منحنی وجود دارد که از آنجمله میتوان به تخمین آن با استفاده از روش آسانتر ویژگیهای خاک در دسترس با نام توابع انتقالی پارامتریک اشاره نمود. هدف اصلی از این پژوهش تخمین منحنی توزیع دانهبندی خاک از چند مدل مختلف برمبنای توابع انتقالی پارامتریک میباشد.روش پژوهش: در این پژوهش از مدلهای هاورکمپ و پارلانگ در دو حالت مختلف، مدل آسولین و همکاران و مدل فردلاند و همکاران برای برازش بر دادههای اندازهگیری شده منحنی دانهبندی استفاده شد. کلیه مدلهای ذکر شده دارای چندین پارامتر میباشند که با معلوم بودن آنها امکان تخمین منحنی دانهبندی وجود دارد. برای برآورد پارامترهای مدلهای اول و دوم روابطی تجربی ساخته شد و برای مدل سوم از روابط ارائه شده توسط فولادمند و منصوری استفاده شد. کلیه روابط برآوردشده با بکارگیری دادههای بافت خاک (مقادیر رس، سیلت، شن، میانگین هندسی ذرات خاک و انحراف معیار هندسی ذرات خاک) به دست آمدند که اندازهگیری و محاسبه آنها برای بیشتر نمونههای خاک ساده و متداول است. برای انجام این پژوهش از 30 نمونه خاک در استان فارس برای واسنجی روابط و از 10 خاک دیگر در این منطقه به علاوه 30 نمونه خاک از مجموعه خاکهای آنسودا برای صحتسنجی نتایج بدست آمده استفاده شد. 40 نمونه خاک به کار رفته در مرحله صحتسنجی به سه گروه بافت ریز، متوسط و درشت تقسیم شدند. مناسبترین روابط استخراج شده برای تخمین پارامترهای مدلهای هاورکمپ و پارلانگ در دو حالت مختلف و مدل آسولین و همکاران از روش رگرسیون گام به گام تعیین شدند. برای ارزیابی نتایج از آمارههای ریشه میانگین مربعات خطا، میانگین هندسی نسبت خطا و انحراف معیار هندسی نسبت خطا استفاده شدند.نتایج: نتایج نشان داد که مدل فردلاند و همکاران برای خاکهای با بافت ریز و درشت و مدل آسولین و همکاران برای خاکهای با بافت متوسط مناسب میباشند. همچنین نتایج نشان داد که دو حالت مدل هاورکمپ و پارلانگ برای تخمین منحنی دانهبندی مناسب نیستند. پرونده مقاله -
دسترسی آزاد مقاله
3 - ارزیابی برخی توابع انتقالی برای شبیهسازی جریان غیرماندگار آب در خاک
صنم جعفری گیلانده علی رسولزاده حبیب خداوردیلوبیان کمّی ویژگی های هیدرولیکی خاک برای هر گونه برنامه ریزی در حفاظت از منابع آب و خاک ضروری است. ویژگی های هیدرولیکی خاک، ورودی هایی مهم برای مدل سازی جریان آب و انتقال املاح در خاک هستند. بدلیل زمان بر و پرهزینه بودن روش های مستقیم اندازه گیری این ویژگی ها، توابع انتقا چکیده کاملبیان کمّی ویژگی های هیدرولیکی خاک برای هر گونه برنامه ریزی در حفاظت از منابع آب و خاک ضروری است. ویژگی های هیدرولیکی خاک، ورودی هایی مهم برای مدل سازی جریان آب و انتقال املاح در خاک هستند. بدلیل زمان بر و پرهزینه بودن روش های مستقیم اندازه گیری این ویژگی ها، توابع انتقالی خاک (PTFs) به طور گسترده و موفق برای برآورد آنها استفاده شده اند. با این حال، تلاش هایی اندک در زمینه ارزیابی کاربردی دقت برآوردهای حاصل از PTFها در شبیه سازی جریان غیرماندگار آب در خاک صورت گرفته است. در این پژوهش، منحنی رطوبتی یک خاک رسی توسط برخی از PTF های محلّی و جهانی برآورد گردید. منحنی رطوبتی خاک همچنین با روش مستقیم در آزمایشگاه اندازه گیری شد. اعتبار PTF های مورد مطالعه از نظر برآورد منحنی رطوبتی خاک بررسی شد. با وارد کردن هر دو پارامترهای برآورد شده و اندازه گیری شده منحنی رطوبتی به برنامه HYDRUS-1D، جریان آب در این خاک شبیه سازی و دقت کاربردی PTF ها از نظر شبیه سازی جریان آب در خاک به طور کمّی مقایسه شد. نتایج بدست آمده نشان داد که هر دو PTF جهانی (رزتا) با میانگین مربعات خطای (RMSE) کمتر از cm3cm-3 025/0 و برخی PTF های منطقه ای (قربانی-1) با cm3cm-3 014/0RMSE <، می توانند منحنی رطوبتی خاک سطحی را به گونه ای مناسب برآورد کنند.برای برآورد منحنی رطوبتی خاک زیرسطحی مقدار RMSE برای توابع جهانی بزرگتر از cm3cm-3 107/0 و برای توابع محلّی در محدوده cm3cm-3 356/0 036/0 بود. با این حال، برای شبیه سازی جریان آب در خاک، گروه دیگری از PTF ها کارآمدتر بودند.مقادیر RMSE تابع قربانی اصلاح شده برای شبیه سازی مقدار رطوبت خاک سطحی و زیرسطحی به ترتیب 025/0 و 055/0 cm3cm-3 بود. مقدار RMSE توابع وستن (1999، 1997) نیز برای خاک سطحی بزرگتر از 149/0 و برای خاک زیرسطحی کوچکتر از 058/0 cm3cm-3بود.مقدار RMSE شبیه سازی شده با منحنی رطوبتی اندازه گیری شده در آزمایشگاه برای خاک سطحی و زیرسطحی به ترتیب 013/0 تا 040/0 cm3cm-3 بود. می توان نتیجه گیری کرد که در ارزیابی اعتبار PTF ها باید به نوع کاربردی که قرار است از PTF ها داشته باشیم، توجه شود. یک PTF می تواند برای برآورد منحنی رطوبتی خاک دقت کافی داشته باشد ولی برای برآورد گستره خاص q(h) حاکم بر فرایند بازتوزیع رطوبت در خاک، دقیق نباشد. استفاده از چنین PTF ی می تواند منجر به ایجاد خطاهای بالایی در شبیه سازی مقدار رطوبت خاک گردد. پرونده مقاله -
دسترسی آزاد مقاله
4 - اشتقاق و اعتبارسنجی توابع انتقالی طیفی نقطه¬ای در گستره VIS-NIR-SWIR بهمنظور تخمین نگهداشت آب در خاک
ابراهیم بابائیان مهدی همایی علی اکبر نوروزیتوابع پارامتریک نگهداشت آب در خاک از پارامترهای مهم برای مدل های حفاظت آب و خاک می باشند. هدف از انجام این پژوهش، امکان سنجی استفاده از اطلاعات طیفی خاک به منظور اشتقاق توابع انتقالی طیفی برای برآورد مقدار نگهداشت آب در خاک بود. از این رو، بازتاب ابرطیفی خاک در گستره م چکیده کاملتوابع پارامتریک نگهداشت آب در خاک از پارامترهای مهم برای مدل های حفاظت آب و خاک می باشند. هدف از انجام این پژوهش، امکان سنجی استفاده از اطلاعات طیفی خاک به منظور اشتقاق توابع انتقالی طیفی برای برآورد مقدار نگهداشت آب در خاک بود. از این رو، بازتاب ابرطیفی خاک در گستره مرئی، مادون قرمز نزدیک و میانی (2500-350 نانومتر) با استفاده از دستگاه اسپکترورادیومتر اندازه گیری و پس از انجام (پیش)پردازش های لازم، همبستگی بین باندها با مقدار رطوبت خاک به ازای پتانسیل های ماتریک 15000-، 10000-، 5000-، 3000- و 330- سانتی متر مورد بررسی قرار گرفت. سپس توابع انتقالی به روش های رگرسیون حداقل مربعات جزئی (PLSR) و PLSR توأم با نمونه برداری مجدد (Bagging-PLSR) پی ریزی و تحت عنوان توابع انتقالی طیفی نقطه ای (PSTFs) نامگذاری شدند. نتایج نشان داد توابع انتقالی طیفی توانایی قابل قبولی برای برآورد مقدار نگهداشت آب در خاک دارند. توابع انتقالی طیفی حاصل از روش PLSR دارای دقت نسبتاً بیشتری (cm3 cm-3 022/0-012/0RMSE=) در مقایسه با توابع بدست آمده از روش Bagging-PLSR (cm3 cm-3 029/0-012/0RMSE=) برای برآورد مقدار رطوبت حجمی خاک در هر یک از پتانسیل های ماتریک خاک بودند. از طرفی، در هر دو روش مقدار رطوبت خاک در پتانسیل های ماتریک 15000- ، 10000- و 5000- با دقت بیشتری نسبت به مقدار رطوبت در پتانسیل های ماتریک 3000-، 1000- و 330- سانتیمتر برآورد شد. بنابراین می توان نتیجه گرفت که توابع انتقالی طیفی می توانند به عنوان یکی از روش های غیر مستقیم برای مطالعه وضعیت نگهداشت آب در خاک به ویژه در مکش های بالاتر مورد استفاده قرار گیرند. پرونده مقاله -
دسترسی آزاد مقاله
5 - Study of Pedotransfer Functions Multivariate regression, MLP and RBF to estimate CEC for Soils of North Ahvaz
علی صالحی کامران محسنی فر علی غلامیTo estimate the Cation Exchange Capacity (CEC), indirect manner used of Pedotransfer Functions (PTFs). CEC is one of the important soil fertility factors, and not measured directly because it is costly and time consuming. Thus, used from regression equations between eas چکیده کاملTo estimate the Cation Exchange Capacity (CEC), indirect manner used of Pedotransfer Functions (PTFs). CEC is one of the important soil fertility factors, and not measured directly because it is costly and time consuming. Thus, used from regression equations between easily and non-easily soil properties. The purpose of this research, is develop the PTFs for CEC, with use of easily available soil properties. For this purpose, measured for 100 sample of soil contain of 1000 data include soil particle size distribution, bulk density, organic matter, lime, pore space, geometric mean diameter and geometric standard deviation were done. After data normalization, were done PTFs with Multivariate Regression (MR) in SPSS and Artificial Neural Networks (ANNs) for soil CEC in MATLAB software. The ANNs used in research are Multi-Layer Perceptron (MLP) and Radial Basis Function (RBF). Education of ANNs are based on trial and error, until arrived suitable outputs with changes hidden layer number and neuron number. From all data were Selected 70% (700) data for training and 30% (300) for teste. Then were entered all data to software and test different networks with one hidden layer. The network was design with trial and error to maximum correlation coefficient and minimum mean square error (MSE). The results were shows MR is suitable for predict CEC (R2 =0.87) and for MLP network, were shows ANN can good estimated CEC with used of easily soil properties. MLP network able to estimate CEC with 9 neurons in input layer, 7 neurons in hidden layer and 1 neuron in output layer with tangent sigmoid transfer function, Linear transfer function and Bayesian learning algorithm with coefficient correlation 0.97 and MSE 0.013. For RBF networks to estimation CEC coefficient correlation and MSE were 0.55, 0.017 respectively. Results shows the MLP network with 1 hidden layer for estimation CEC with use of soil distribution, bulk density, organic matter and lime, is better than RBF network compared with of MSE and coefficient correlation. پرونده مقاله