کاربرد روش‏های رگرسیونی و شبکه‏های عصبی به‌ منظور تخمین هدایت هیدرولیکی اشباع خاک منطقه زاگرس مرکزی

در سال های اخیر با ظهور سامانه اطلاعات جغرافیایی و تکنولوژی سنجش از دور، ویژگی های توپوگرافیکی (ارتفاع، شیب و جهت شیب) و ویژگی های پوشش گیاهی به راحتی به وسیله مدل های رقومی ارتفاع و شاخص پوشش گیاهی (ndvi) در مقیاس های مختلف (حوزه ای و منطقه ای) قابل دسترس می باشد. هدف از انجام این پژوهش، بررسی امکان استفاده از ویژگی های توپوگرافیکی و پوشش گیاهی به همراه ویژگی های خاک به عنوان ویژگی های زود یافت برای تخمین هدایت هیدرولیکی اشباع خاک است. برای این کار توزیع اندازه ذرات خاک، کربن آلی، کربنات کلسیم و چگالی ظاهری در افق های رویین و زیرین و ویژگی های توپوگرافیکی و ndvi از افق رویین خاک اندازه گیری شدند. سه ساختار شبکه عصبی پرسپترون برای مقایسه با رگرسیون چند متغیره خطی مورد استفاده قرار گرفتند. کارایی توابع انتقالی خاک و توابع پیش بینی مکانی خاک به وسیله ضریب همبستگی اسپیرمن (r)، میانگین مربعات خطای نرمال شده (nmse) و میانگین خطای مطلق(mae) بین مقادیر اندازه گیری شده و مشاهده شده مورد ارزیابی قرار گرفت. نتایج نشان داد که ویژگی های توپوگرافیکی و پوشش گیاهی از متغیر های حساس در تخمین هدایت هیدرولیکی اشباع خاک در مراتع زاگرس مرکزی می باشند. به طور کلی شبکه های عصبی (0/87=r) داری کارایی بهتری از رگرسیون چند متغیره خطی (0/69=r) در تخمین هدایت هیدرولیکی اشباع خاک هستند.

Estimation of Soil Saturated Hydraulic Conductivity in Part of Central Zagroos Using Regression and ANNs method

With the advent of advanced geographical informational systems (GIS) and remote sensing technologies in recent years, topographic (elevation, slope, and aspect) and vegetation attributes are routinely available from digital elevation models (DEMs) and normalized difference vegetation index (NDVI) at different spatial (watershed, regional) scales. This study explores the use of topographic and vegetation attributes in addition to soil attributes to develop pedotransfer functions (PTFs) for estimating soil saturated hydraulic conductivity in the rangeland of central Zagros. We investigated the use of artificial neural networks (ANNs) in estimating soil saturated hydraulic conductivity from measured particle size distribution, bulk density, topographic attributes, normalized difference vegetation index (NDVI), soil organic carbon (SOC), and CaCo3 in topsoil and subsoil horizon. Three neural networks structures were used and compared with conventional multiple linear regression analysis. The performances of the models were evaluated using spearmanrsquo s correlation coefficient (r) based on the observed and the estimated values and normalized mean square error (NMSE). Topographic and vegetation attributes were found to be the most sensitive variables to estimate soil saturated hydraulic conductivity in the rangeland of central Zagros. Improvements were achieved with neural network (r=0.87) models compared with the conventional multiple linear regression (MLR) model (r=0.69).