تخمین هدایت هیدرولیکی اشباع در برخی از خاک های استان ایلام با استفاده از شبکه های عصبی مصنوعی و روش های رگرسیونی

هدایت هیدرولیکی اشباع ( ks ) یکی از ورودی های مهم در مدلسازی جریان آب و انتقال آلاینده ها در خاک، طراحی سیستم های آبیاری و زهکشی، مدلسازی آبهای زیرزمینی و فرایندهای زیست محیطی است. اندازه گیری مستقیم ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوح بزرگ نیز غیرعملی است. افزون بر این، به دلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازه گیریها غیرقابل اعتماد هستند. یکی از راه های غلبه بر این مشکل، استفاده از روش های غیرمستقیم همچون توابع انتقالی خاک میباشد. از آنجایی که تاکنون در منطقه موردمطالعه توابعی انتقالی جهت برآورد ks پیشنهاد نشده است؛ لذا در این پژوهش با استفاده از شبکه های عصبی مصنوعی و رگرسیون های آماری و بهره گیری از تعدادی محدود یا مجموعه ای وسیعتر از ویژگیهای زودیافت خاکی، توابعی انتقالی برای برآورد ks تبیین و کارآیی آنها ارزیابی شد. بدین منظور، هدایت هیدرولیکی اشباع 95 نقطه محل از زیرحوزه های آبخیز چرداول چمشیر در استان ایلام با استفاده از پرمامتر گلف اندازه گیری شد. همچنین برخی از ویژگی های زودیافت خاک این نقاط مطالعاتی نیز تعیین شد. سپس اعتبار توابع اشتقاق 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 (به ترتیب دارای r معادل 58 / 0 و 56 / 0). 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 پیش بینی کنند به ترتیب دارای (rr-val= 0.85, rmser-val= 6.81 mm/hr and rann-test= 0.87, rmseann-test= 10.80 mm/hr) این در حالی است که با توجه به نتایج، در صورت استفاده از ویژگیهای زودیافت بیشتر، دقت پیش بینی ks توسط مدل شبکه عصبی در هر دو مرحله آموزش و آزمون افزایش یافت (rtrain= 0.92, rmsetrain= 4.36 mm/hr and rtest= 0.89, rmsetest= 7.17 mm/hr). در مجموع نتایج نشان دادند که شبکه های عصبی مصنوعی در مقایسه با مدل های رگرسیونی خطی دارای کارآیی نسبتاً بهتر در تخمین هدایت هیدرولیکی اشباع خاک می باشند.

estimation of saturated hydraulic conductivity in some soils of Ilam province using artificial neural networks and regression methods

Saturated hydraulic conductivity (Ks) is one of the essential input for water flow and solute transport modelling, irrigation and drainage design, groundwater modeling and environmental processes. Direct measurement of Ks is possible, but that is usually time consuming, tedious, expensive and impractical for larger scale studies. Also, these methods are partly unreliable because of soil heterogeneity and experimental errors. One solution to govern this problem is using indirect methods such as pedotransfer functions (PTFs). Since PTFs have not yet beendeveloped to soils in the study area, this study evaluates and describes neural network and statistical regression PTFs to predict Ks from limited or more extended sets of the readily available soil properties. For this purpose, Ks from 95 points of SirwanChardawel subbasins in Ilam province were measured using Guelph permeameter. Also, some of the readily available soil parameters were obtained. The accuracy and reliability of the derived PTFs were evaluated using root mean square error (RMSE), mean error (ME) and Pearson correlation coefficient (r). The highest correlation coefficients of 0.58 and 0.56 were found between Ks and geometric mean particle diameter and sand content, respectively. The results indicated that artificial neural network and regression PTFs can predict Ks with relatively good accuracy even if a few readily available soil properties are measured (rRval= 0.85, RMSERval= 6.81 mm/hr and rANNtest= 0.87, RMSEANNtest= 10.80 mm/hr). However, based upon results, the prediction accuracy of ANN model at both training and testing stages increased if more readily available soil properties are used (rtrain= 0.92, RMSEtrain= 4.36 mm/hr and rtest= 0.89, RMSEtest= 7.17 mm/hr). In general, it was found that ANNs method had better performance than linear regression model in predicting Ks.