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

Abstract

آبگریزی ­خاک (SWR) از ویژگی­های پویای خاک بوده که نفوذ آب به خاک را کاهش و بر روابط خاک و آب تأثیر دارد. اندازه­گیری مستقیم SWR کاری پرزحمت و وقت­گیر می­باشد. هدف از پژوهش حاضر ارائه توابع رگرسیونی خطی چندگانه (MLR)، شبکه عصبی مصنوعی (ANN) و برنامه­ریزی بیان ژن (GEP) برای برآورد SWR در منطقه فندقلوی اردبیل بود. هشتاد نمونه خاک دست­خورده و دست­نخورده از عمق 0 تا 10 سانتی­متری سه کاربری به­هم چسبیده جنگلی، مرتعی و زراعی برای تعیین برخی ویژگی­های فیزیکی و شیمیایی زودیافت خاک برداشته شد. متغیر SWR به روش زمان نفوذ قطره آب در آزمایشگاه اندازه­گیری شد. از 60 نمونه برای آموزش توابع و 20 نمونه برای آزمون توابع استفاده گردید. همبستگی مثبت و معنی­دار بین میانگین هندسی قطر ذرات خاک (dg) با کربن آلی (**61/0) یافت شد. همبستگی مثبت و معنی­دار بین SWR با کربن آلی (**37/0) و میانگین هندسی قطر ذرات خاک (**62/0) و همبستگی منفی و معنی­دار بین SWR با سیلت (**57/0-) و جرم مخصوص ظاهری (**37/0-) به­دست آمد. نتایج توابع انتقالی نشان داد dg، سیلت و جرم مخصوص ظاهری از مهمترین متغیر­های زودیافت خاک در برآورد SWR بودند. مقادیر آماره­های ضریب تبیین (R2) ، مجذور میانگین مربعات خطا( RMSE) ، میانگین خطا (ME) و نش ساتکلیف(NS) به ترتیب 18/0، sec89/16،sec 34/10-، 99/20- و 46/0، sec 85/2، sec 58/0، 37/0 و 19/0، sec 39/13، sec 38/6-، 82/12- به­ترتیب برای بهترین تابع MLR، ANN و GEP در داده­های آزمونی به­دست آمد. بنابراین توابع ANN به دلیل داشتن R2 بالا، RMSE پایین، ME نزدیک به صفر و NS نزدیک به یک در مقایسه با توابع MLR و GEP از دقت بالایی در برآورد SWR در خاک­های منطقه مورد مطالعه برخوردار بودند.