مدل ‌سازی آبگریزی خاک با استفاده از رگرسیون، شبکه عصبی مصنوعی و برنامه‌ریزی بیان ژن

آبگریزی خاک (swr) از ویژگی های پویای خاک بوده که نفوذ آب به خاک را کاهش و بر روابط خاک و آب تاثیر دارد. اندازه گیری مستقیم swr کاری پرزحمت و وقت گیر می باشد. هدف از پژوهش حاضر ارائه توابع رگرسیونی خطی چندگانه (mlr)، شبکه عصبی مصنوعی (ann) و برنامه ریزی بیان ژن (gep) برای برآورد swr در منطقه فندقلوی اردبیل بود. هشتاد نمونه خاک دست خورده و دست نخورده از عمق 0 تا 10 سانتی متری سه کاربری به هم چسبیده جنگلی، مرتعی و زراعی برای تعیین برخی ویژگی های فیزیکی و شیمیایی زودیافت خاک برداشته شد. متغیر swr به روش زمان نفوذ قطره آب در آزمایشگاه اندازه گیری شد. از 60 نمونه برای آموزش توابع و 20 نمونه برای آزمون توابع استفاده گردید. همبستگی مثبت و معنی دار بین میانگین هندسی قطر ذرات خاک (dg) با کربن آلی (0.61) یافت شد. همبستگی مثبت و معنی دار بین swr با کربن آلی (0.37) و میانگین هندسی قطر ذرات خاک (0.62) و همبستگی منفی و معنی دار بین swr با سیلت (0.57-) و جرم مخصوص ظاهری (0.37-) به دست آمد. نتایج توابع انتقالی نشان داد dg، سیلت و جرم مخصوص ظاهری از مهمترین متغیر های زودیافت خاک در برآورد swr بودند. مقادیر آماره های ضریب تبیین (r2) ، مجذور میانگین مربعات خطا( rmse) ، میانگین خطا (me) و نش ساتکلیف(ns)  به ترتیب 0.18،  sec16.89،sec  10.34-، 20.99- و 0.46، sec 2.85، sec 0.58، 0.37 و 0.19، sec 13.39، sec 6.38-، 12.82- به ترتیب برای بهترین تابع mlr، ann و gep در داده های آزمونی به دست آمد. بنابراین توابع ann به دلیل داشتن r^2 بالا، rmse پایین، me نزدیک به صفر و ns نزدیک به یک در مقایسه با توابع ml^2 و gep از دقت بالایی در برآورد swr در خاک های منطقه مورد مطالعه برخوردار بودند.

modeling of soil water repellency using regression, artificial neural network and gene expression programming

soil water repellency (swr) is a dynamic property that reduces water penetration into the soil and has a significant impact on soil-water relationships. direct measurement of swr is laborious and time-consuming. the objective of this study was to develop multiple linear regression (mlr), artificial neural networks (ann), and gene expression programming (gep) pedotransfer functions (ptfs) for estimating swr in the fandoghloo area of ardabil province, iran. a total of 80 disturbed and undisturbed soil samples were collected from the 0-10 cm depth in three interconnected areas: forest, range, and cultivated lands. various readily available soil physical and chemical parameters were measured in the laboratory. swr was measured using the water droplet penetration time method in the laboratory. sixty data were used to training functions and 20 data were used for testing functions. positive and significant correlations were found between geometric mean of soil particle diameter (dg) and organic carbon (oc) (0.61**), swr and oc (0.37**) and dg (0.62**) as well as negative and significant correlations between swr and silt (-0.57**) and bulk density (bd) (-0.37**). the results of the ptfs showed that dg, silt and bd were the most important readily available soil variables for estimating swr. the values of r2, root mean square error (rmse), mean error (me) and nash sutcliffe (ns) were obtained 0.18, 16.89 sec, -10.34 sec, -20.99 and 0.46, 2.85 sec, 0.58 sec, 0.37 and 0.19, 13.39 sec, -6.38 sec, -12.82 for the best mlr, ann and gep ptfs in estimating swr according to testing data set, respectively. in conclusion, the ann model provided the most accurate estimates for swr compared to the mlr and gep models in the study area, as evidenced by its higher r2 value and lower rmse value.