تخمین رطوبت، نرخ نیترات‌زایی و هیدرولیز اوره در خاک با به کارگیری روش‌های هوشمند ترکیبی موجک

هدف از این مطالعه، مدلسازی و بررسی ارتباط متقابل متغیرهای هیدرولیکی، واکنشی و جذب املاح عمق‌های مختلف خاک است. داده های به کار گرفته شده در این تحقیق از مزرعه شالیزار آزمایشی واقع در دانشگاه علوم کشاورزی و منابع طبیعی ساری استان مازندران به مساحت 0/6 هکتار در سال آماری (1400 1399) جمع‌آوری شده است . در این مطالعه، حجم رطوبت باقیمانده در خاک (θr)، نرخ نیترات‌زایی (kn) و نرخ هیدرولیز اوره (kh) به‌ترتیب بر اساس چهار، چهار و دو سناریو تعریف شده، با به کارگیری مدل‌های شبکه عصبی مصنوعی موجک (wann)، سامانه استنتاجی فازی عصبی موجک (wanfis) و برنامه‌ریزی بیان ژن موجک (wgep)، مدلسازی شد. نتایج نشان داد که درصد بهبود عملکرد مدل‌های wgep نسبت به wanfis و مدل wanfis نسبت به wann با در نظر گرفتن شاخص ارزیابی rmse به‌ترتیب برای سه متغیرθr ، kn و kh (96/16، 87/41)، (72/85، 00/1) و (37/20، 27/3) به دست آمد. مدل wgep دارای بیشترین مقدار r و کم‌ترین مقادیر rmse و mae جهت تخمین متغیرهایθr ، kn و kh می‌باشد. نتایج نشان داد که متغیرهای هیدرولیکی، واکنشی و جذب املاح خاک می‌تواند متاثر از شرایط اقلیمی منطقه، باشد. بنابراین، ارائه مدل‌های کاربردی هوشمند جهت تخمین متغیرهای نیترات و اوره در خاک، می‌تواند مدیران و کشاورزان را در مدیریت صحیح منابع آب و خاک و مصرف بهینه کود نیتروژن با صرف هزینه و زمان کم‌تر، یاری دهد.

estimation of moisture، nitrification rate and urea hydrolysis in soil using intelligent combined wavelet methods

the purpose of this study is to model and investigate the interrelation of hydraulic, reactivity, and solute absorption variables of different soil depths. the data used in this research was collected from the experimental paddy field located in the sari agricultural sciences and natural resources university, mazandaranprovince, with an area of 0.6 hectares in the statistical year of (2020-2021). in thisstudy, the residual moisture of the soil (θr), nitrification rate (kn), and ureahydrolysis rate (kh) variables were modeled based on four, four, and two definedscenarios, respectively, using wavelet-artificial neural network (wann),wavelet-artificial neural-fuzzy inference system (wanfis), and wavelet-gene expression programming (wgep) models. the results showed that theperformance improvement percentage of wgep models compared to wanfisand wanfis model compared to wann considering the statistical criteria ofrmse were obtained (16.96, 41.87) cm3/cm3, (85.72, 1.00) day-1, and (20.37,3.27) day-1 for three variables of θr, kn, and kh, respectively. the results of thisstudy could be a proof of the mutual relationship existence between soil hydraulicand reactive and solute absorption characteristics. therefore, providing intelligentapplicable models to estimate the nitrate and urea variables in soil could helpmanagers and farmers in the proper management of water and soil resources andthe optimal consumption of nitrogen fertilizer with less cost and time.