| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,188 |
| تعداد مقالات | 35,336 |
| تعداد مشاهده مقاله | 51,458,679 |
| تعداد دریافت فایل اصل مقاله | 91,332,048 |
کارایی مدلهای برآورد دامنه رطوبتی با حداقل محدودیت در خاک | ||
| پژوهش های خاک | ||
| مقاله 8، دوره 28، شماره 4، اسفند 1393، صفحه 659-699 اصل مقاله (415.91 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijsr.2015.100857 | ||
| نویسندگان | ||
| زهرا کاظمی* 1؛ محمدرضا نیشابوری2؛ حسین بیات3؛ شاهین اوستان4؛ محمد مقدم2 | ||
| 1دانشجوی دکترای دانشگاه تبریز | ||
| 2استاد دانشگاه تبریز | ||
| 3استادیار دانشگاه بوعلیسینا، همدان | ||
| 4دانشیار دانشگاه تبریز | ||
| چکیده | ||
| دامنهای از رطوبت حجمی خاک که در آن، محدودیتها برای رشد گیاه در ارتباط با پتانسیل آب، تهویه و مقاومت مکانیکی خاک در کمترین مقدار خود باشد، دامنه رطوبتی با حداقل محدودیت (LLWR) نامیده میشود. اندازهگیری LLWR به طور تجربی به هزینه و زمان زیادی نیاز دارد. به کارگیری توابع تبدیلی ((PTF میتواند بر آورد آن را تسریع کند. درباره صحت و قابلیت اعتماد تخمین PTFهای توسعه یافته برای خصوصیات هیدرولیکی خاک از طریق شبکه عصبی مصنوعی (ANNs)، روش چندهدفی مدیریت گروهی دادهها ( (MGMDHو رگرسیون چند متغیره خطی MLR)) اطلاعات متناقضی در دست است. این پژوهش به منظور ارزیابی کارایی سه روش مذکور در تخمین مستقیم LLWR انجام گرفت. بدین منظور 188 نمونه دست نخورده برای تعیین منحنی نگهداری آب خاک، منحنی مقاومت خاک و نهایتاً ثابتهای رطوبتیpwp)θ، fcθ، sr θ، afp θ) و نمونههای دست خورده برای اندازهگیری یازده ویژگی فیزیکی و شیمیایی خاک به کار گرفته شد. پس از محاسبه LLWR از رطوبتهای حد بالا و حد پایین (LLWRe) یک بار دیگر نیز LLWR با به کارگیری سه روش مذکور مستقیما ((LLWRd از خصوصیات خاک برآورد شد. صحت و قابلیت اعتماد تخمین با به کارگیری آمارههای مجذور میانگین مربعات خطا (RMSE)، معیار اطلاعات آکایک AIC)) و بهبود نسبی مورد بررسی قرار گرفت. روش ANNs از بالاترین صحت و قابلیت اعتماد تخمین برخوردار بودRMSE) پایینتر و AIC منفیتر(. MGMDH و MLR در درجات بعدی قرار داشتند. معنیدار بودن تفاوت صحت و قابلیت اعتماد تخمین PTFهای ایجاد شده با سه روش مختلف با به کارگیری AIC ارزیابی شد. تفاوتها بین PTFهای ایجاد شده با روشهای ANNs وMGMDH از یک طرف و روش MLR از نظر آماری معنیدار بود، اما تفاوت بین ANNs با MGMDH فقط برای مرحله آموزش معنیدار شد. در بین سه روش مورد مطالعه، ANNs از بالاترین کارایی در برآورد مستقیم LLWR برخوردار بود. | ||
| عنوان مقاله [English] | ||
| Performance of Three Models in Predicting Least Limiting Water Range in Soil | ||
| نویسندگان [English] | ||
| Z. Kazemi1؛ M. R. Neyshabouri2؛ H. Bayat3؛ Sh. Oustan4؛ M. Moghaddam2 | ||
| چکیده [English] | ||
| The range of the soil volumetric water content at which plant growth is least limited in relation to water potential, aeration, and mechanical resistance is the least limiting water range (LLWR).Experimentally, measurement of LLWR is expensive and time consuming. Using pedotransfer functions (PTFs) can facilitate its prediction. There are, however, contradictory information about the accuracy and reliability of the developed PTFs for soil hydraulic properties using various methods including artificial neural networks (ANNs), multi-objective group method of data handling (MGMDH) and multivariate linear regression (MLR). Evaluating the performance of these methods in direct prediction of LLWR was the main purpose of the present study. To this end, 188 undisturbed soil samples were used to determine water retention and soil resistance curves and finally four moisture coefficients (θpwp,θ fc,θ sr,θ afp) and disturbed samples for measurement of eleven various soil physical and chemical attributes. After calculation of LLWR from upper and lower limits (LLWRe), another time it was directly predicted from soil attributes (LLWRd) using the three mentioned methods. Accuracy and reliability of the developed PTFs was evaluated using root mean square error (RMSE), Akaike information criterion (AIC), and relative improvement (R.i). ANNs appeared as the most accurate and reliable one for LLWRd prediction (lower RMSE and more negative AIC); MGMDH and MLR ranked in descending order. Significant differences between accuracy and reliability of the developed PTFs by the three methods was evaluated using AIC. Differences between developed PTFs by ANNs and MGMDH versus MLR method were statistically significant, but differences between ANNs and MGMDH were only significant for the training step. Among the three methods studied, ANNs had the highest performance in LLWRd prediction. | ||
|
آمار تعداد مشاهده مقاله: 2,470 تعداد دریافت فایل اصل مقاله: 1,819 |
||