مقایسه توابع انتقالی مبتنی بر روش های یادگیری ماشین برای تخمین رطوبت در ظرفیت زراعی و پژمردگی (مطالعه موردی: منطقه روانسر کرمانشاه)

سابقه و هدف: خصوصیات فیزیکی دیر یافت خاک نقش مهمی در طراحی سامانه های آبیاری و زهکشی دارند. ازآنجاکه اندازه گیری مستقیم این خصوصیات زمان بر و پر هزینه است، بیشتر محققان برای تخمین این پارامتر ها از روش های غیر مستقیم مانند توابع انتقالی استفاده می نمایند. هدف از این پژوهش بررسی و تعیین بهترین مدل برای برآورد رطوبت ظرفیت زراعی (FC) و نقطه پژمردگی دائم (PWP) با استفاده از خصوصیات زود یافت خاک و توابع انتقالی در محیط نرم افزار R و همچنین انتخاب مناسب ترین تابع برای خاک های منطقه روانسر در استان کرمانشاه است. مواد و روش ها: در این پژوهش از خصوصیات زود یافت خاک به عنوان متغیر های ورودی برای پنج تابع انتقالی خطی چند متغیره ، شبکه عصبی مصنوعی ، کیوبیست ، جنگل تصادفی و ماشین بردار پشتیبان استفاده شد. در ابتدا در منطقه موردمطالعه با روش ابر مکعب لاتین موقعیت مکانی ۱۲۰ خاکرخ تعیین شد. در این نقاط مشاهداتی خاکرخ ها حفر و از افق های آن نمونه برداری صورت گرفت. پس از تجزیه های آزمایشگاهی بر روی نمونه های خاک شامل اندازه گیری هدایت الکتریکی عصاره ی اشباع، واکنش خاک، کربنات کلسیم معادل، کربن آلی، درصد شن، سیلت و رس خاک، بر اساس دامنه تغییرات این ویژگی ها به ویژه اجزا بافتی خاک به ترتیب ۷۵ نمونه خاک سطحی و ۳۳ نمونه خاک از ده خاکرخ مختلف انتخاب گردیدند. اندازه گیری PWP بر روی ۳۳ نمونه و اندازه گیری FC بر روی مجموع نمونه های سطحی و عمقی یعنی ۱۰۸ نمونه انجام شد و در مرحله بعد عملیات مدل سازی بر روی آنها اجرا شد. برای ارزیابی مدل ها از شاخص های ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب تبیین (R۲) استفاده شد. یافته ها: نتایج نشان داد که دقت توابع انتقالی در برآورد رطوبت PWP بیشتر از FC است (مقدارR۲ و RMSE مدل کیوبیست برای PWP به ترتیب برابر ۸۱۳/۰ و ۰۵۴/ و برای FC برابر ۵۳/۰ و ۰۸۵/۰ بود). همچنین نتایج برآورد رطوبت FC نشان داد که مدل کیوبیست و شبکه عصبی مصنوعی به ترتیب دارای MAE (۰۶۶/۰ و ۰۶۸/۰) و RMSE (۰۸۵/۰) کمتر و R۲ (۵۳/۰ و ۵۴/۰) بیشتری نسبت به سایر مدل ها هستند. نتیجه گیری: نتایج کلی نشان داد که مدل های کیوبیست و شبکه عصبی مصنوعی و پس از آن مدل جنگل تصادفی با خطای کمتر و ضریب تبیین بالاتر نسبت به سایر مدل ها از کارایی مناسبی برای برآورد رطوبت ظرفیت زراعی برخوردارند. نتایج مربوط به رطوبت PWP نشان داد که مدل کیوبیست و پس از آن مدل جنگل تصادفی از نظر مقایسه ضریب تبیین بهترین مدل ها برای برآورد رطوبت PWP هستند. این پژوهش اهمیت استفاده از روش های نوین یادگیری ماشین در مطالعات مربوط به توابع انتقالی خاک برای برآورد خصوصیات دیر یافت خاک را نشان داد. همچنین نتایج این پژوهش برای دامنه وسیعی از دشت های استان کرمانشاه که شرایط تشکیل خاک مشابه با منطقه روانسر را دارند، قابل قبول هست.

کلیدواژه ها:

خصوصیات فیزیکی خاک ، مدل جنگل تصادفی ، مدل کوبیست ، مدل ماشین بردار پشتیبان