برآورد مکانی هدایت هیدرولیکی اشباع خاک با استفاده از ویژگی‌های خاک و متغیرهای محیطی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران

2 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه کردستان، سنندج، ایران.

چکیده

ویژگی‌های هیدرولیکی خاک، به‌ویژه هدایت هیدرولیکی اشباع (Ks)، نقشی کلیدی در حل مسائل مرتبط با مدیریت خاک و آب در سیستم‌های کشاورزی، بوم‌شناسی و زیست‌محیطی دارند. اندازه‌گیری مستقیم این ویژگی‌ها دشوار، پرهزینه و زمان‌بر است؛ از این‌رو، استفاده از روش‌هایی غیرمستقیم برای برآورد آنها رایج است. در این پژوهش با بهره‌گیری از ویژگی‌های زودیافت خاک و متغیرهای کمکی محیطی (داده‌های عوارض زمین و سنجش از دور)، کارایی روش‌های رگرسیون خطی چندگانه (MLR)، درخت تصمیم (DT) و شبکه‌های عصبی مصنوعی (ANN) در برآورد و نقشه‌سازی توزیع مکانی Ks بخش‌هایی از حوضه‌های آبخیز چرداول و چمشیر (استان ایلام) ارزیابی شد. بدین منظور، Ks در 95 نقطه از محدوده مورد‌مطالعه با استفاده از دستگاه نفوذپذیری آب به خاک گولف اندازه‌گیری شد. برخی از ویژگی‌های زودیافت خاک و متغیرهای کمکی محیطی نیز در این نقاط تعیین شد. سپس اعتبار مدل‌های اشـتقاق یافتـه در برآورد Ks با استفاده از ضریب تبیین (R²)، جذر میانگین مربعات خطا (RMSE) و میانگین خطا (ME) ارزیابی شد. نتایج ارزیابی این مدل‌ها نشان داد که مدل ANN عملکرد بهتری نسبت به مدل‎‌های MLR و DT در تخمین Ks داشت. مدل‌های MLR و DT مقادیر Ks را کمتر از مقدار واقعی برآورد کردند، در حالی‌که ANN تخمین‌هایی دقیق‌تر و پایاتر ارائه کرد. نتایج همچنین نشان داد که نقشه تغییرپذیری مکانی Ks می‌تواند با تلفیق ویژگی‌های زودیافت خاک و متغیرهای کمکی محیطی تهیه شود؛ این رویکرد می‌تواند به توسعه مدل‌های اگروهیدرولوژیکی در مناطق با محدودیت داده کمک ‌کند. در مجموع یافته‌ها بیان‌گر آن است که افزودن داده‌های کمکی محیطی به ویژگی‌های خاک می‌تواند باعث افزایش دقت برآورد Ks، به‌ویژه در مدل ANN، ‌شود.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Spatial Prediction of Soil Saturated Hydraulic Conductivity by Integrating Soil Properties and Environmental Covariates

نویسندگان [English]

  • Ali Hekmatzad 1
  • Masoud Davari 1
  • Mohammad Ali Maahmoodi 2
  • Kamal Nabiollahi 1
1 Department of Soil Science, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran
2 Department of Soil Science, Faculty of Agriculture, University of Kurdistan, Sanandaj, Iran
چکیده [English]

Soil hydraulic properties, particularly saturated hydraulic conductivity (Ks), play a crucial role in addressing problems related to soil and water management in agricultural, ecological, and environmental systems. Direct measurement of these properties is often difficult, costly, and time-consuming; hence, indirect estimation methods are commonly employed. In this study, the efficiency of multiple linear regression (MLR), decision tree (DT), and artificial neural network (ANN) methods was evaluated for estimating and mapping the spatial distribution of Ks in parts of the Cherdawel and Chamshir sub-basins (Ilam Province, Iran), using readily measurable soil properties along with environmental covariates (terrain attributes and remote sensing data). For this purpose, Ks was measured at 95 sampling points using a Guelph permeameter, and several readily measurable soil properties along with environmental covariates were also obtained at the same locations. The validity of the derived models for Ks estimation was assessed using the coefficient of determination (R²), root mean square error (RMSE), and mean error (ME). The results demonstrated that the ANN model outperformed both MLR and DT models in estimating Ks. While the MLR and DT tended to underestimate Ks, the ANN model produced more accurate and reliable predictions. Furthermore, the spatial variability map of Ks could be successfully generated by integrating soil properties with environmental covariates, suggesting the usefulness of this approach for developing agro-hydrological models in data-limited regions. Overall, the findings suggest that incorporating environmental covariates alongside soil properties can significantly enhance the accuracy of Ks estimation, particularly when using the ANN model.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Decision tree
  • Remote sensing
  • soil hydraulic properties
  • terrain attributes
تحقیقات آب و خاک ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 12 خرداد 1405

فایل ها

هم رسانی

ارجاع به این مقاله

آمار