ارزیابی مدل‌های رگرسیونی و هوشمند برای برآورد میانگین وزنی قطر خاکدانه‌های تر

آب و خاک

دوره 38، شماره 6 - شماره پیاپی 98، بهمن و اسفند 1403، صفحه 764-749   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2025.91071.1454

نویسندگان

شکراله اصغری^{* 1}؛ کیمیا حیدری¹؛ مهسا حسنپور کاشانی²؛ حسین شهاب آرخازلو¹

¹گروه علوم و مهندسی خاک، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

²گروه مهندسی آب، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

چکیده

اندازه­گیری مستقیم میانگین وزنی قطر (MWD) خاکدانه­های تر به­عنوان یکی از شاخص­های مهم برای ارزیابی پایداری ساختمان خاک، کاری وقت­گیر و پرهزینه است. هدف پژوهش حاضر مقایسه دقت مدل رگرسیون خطی چندگانه (MLR) و دو مدل هوشمند شامل شبکه عصبی مصنوعی (ANN) و برنامه­ریزی بیان ژن (GEP) در برآورد MWD از روی متغیرهای زودیافت و سهل­الوصول خاک بود. برای این منظور، 80 نمونه خاک سطحی دست­خورده و دست­نخورده از عمق صفر تا cm 10 اراضی جنگلی، مرتعی و زراعی منطقه فندقلوی استان اردبیل جمع­آوری شد. سپس برخی ویژگی­های فیزیکی و شیمیایی زودیافت آن­ها و میانگین وزنی قطر (MWD) خاکدانه­های تر مطابق روش­های معمول و استاندارد تعیین گردید. داده­ها به­طور تصادفی به دو مجموعه آموزشی (60 داده) و آزمونی (20 داده) تقسیم گردید. مدل­های MLR، ANN و GEP به­ترتیب با به­کارگیری نرم­افزارهای SPSS، MATLAB و Gene Xpro Tools ایجاد شدند. نتایج نشان­دهنده همبستگی مثبت و معنی­دار (^**59/0 r=) بین شن و کربن آلی خاک بود. شن، کربن آلی و میانگین هندسی قطر (GMD) خاکدانه­های خشک از مهمترین متغیرهای ورودی مدل­ها در برآورد MWD خاکدانه­های تر بودند. براساس داده­های آزمونی، مقادیر ضریب تبیین (R²)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) برابر 52/0، mm 48/0، mm 13/0 و 48/0، 85/0، mm 30/0 ، mm 03/0 و 78/0، 79/0، mm 35/0، mm 10/0 - و 95/0 به­ترتیب در بهترین مدل MLR، ANN و GEP به­دست آمد. بنابراین مدل MLR در مقایسه با مدل­های هوشمند از دقت کمتری و خطای بیشتری در برآورد MWD برخوردار بود؛ مدل ANN به علت داشتن R² و NS بالا و RMSE پایین توانست در مقایسه با دو مدل دیگر، MWD خاکدانه­های تر را با دقت زیاد و خطای کم در منطقه مورد مطالعه تخمین بزند.

کلیدواژه‌ها

ارضی شیبدار؛ توابع انتقالی خاک؛ برنامه‌ریزی بیان ژن؛ پایداری خاکدانه؛ شبکه عصبی مصنوعی

مراجع

1. Alijanpour Shalmani, A., Shabanpour, M., Asadi, H., & Bagheri, F. (2011). Estimation of soil aggregate stability in forest`s soils of Guilan province by artificial neural networks and regression pedotransfer functions. Water and Soil Science, 21(3), 153-162. (In Persian with English abstract)
2. Amirabedi,, Asghari, Sh., Mesri, T., & Balandeh, N. (2016). Prediction of mean weight diameter of aggregates using artificial neural network and regression models. Applied Soil Research, 4(1), 39-53. (In Persian with English abstract)
3. Ahmadzadeh Kaleibar, F., & Fuladipanah, M. (2023). Assessment of regression, support vector machine, and gene expression programming transfer functions to predict soil humidity parameters in Arasbaran plain. Journal of Water and Soil Science, 27(2), 135-149. https://doi.org/10.47176/jwss.27.2.42532
4. Asghari, Sh., Dizajghoorbani Aghdam, S., & Esmali, A. (2016). Investigation the spatial variability of some soil physical quality indices in Fandoghlou region of Ardabil using geostatistics. Water and Soil, 28(6), 1271-1283. https://doi.org/10.22067/jsw.v0i0.33460
5. Asghari, Sh., Alimohammadi, M., Ahmadi, A., & Davatgar, N. (2017). Derivation of pedotransfer functions for estimating wet aggregate stability using fractal dimensions of particles and aggregates. Water and Soil Science, 27(1), 107-119.
6. Asghari, Sh., Hatamvand, M., & Hasanpour Kashani, M. (2021). Estimating wet aggregates stability from easily available soil properties in north west of Urmia Lake. Applied Soil Research, 9(2), 102-115. (In Persian with English abstract)
7. Bhattacharya, P., Maity, P.P., Ray, M., & Mridha, N. (2021). Prediction of mean weight diameter of soil using machine learning approaches. Agronomy Journal, 113(2), 1303–1316. https://doi.org/10.1002/agj2.20469
8. Blake, G.R., & Hartge, K.H. (1986a). Bulk density. p. 363-375. In: Klute A. (ed). Methods of Soil Analysis Part 1, Physical and Mineralogical Methods. 2nd ed. American Society of Agronomy, Madison, WI.
9. Blake, G.R., & Hartge, K.H. (1986b). Particle density. p. 377-381. In: Klute A. (ed). Methods of Soil Analysis Part 1, Physical and Mineralogical Methods. 2nd ed. ASA and SSSA, Madison, WI.
10. Ferreira, C. (2001). Gene expression programming: a new adaptive algorithm for solving problems. Complex Systematic, 13, 87–129. https://doi.org/10.48550/arXiv.cs/0102027
11. Ghorbani, M.A., Deo, R.C., Kashani, M.H., Shahabi M., & Ghorbani, S. (2019). Artificial intelligence-based fast and efficient hybrid approach for spatial modeling of soil electrical conductivity. Soil and Tillage Research, 186, 152–164. https://doi.org/10.1016/j.still.2018.09.012
12. Gee, G.W., & Or, D. (2002). Particle-size analysis. p. 255–293. In: Dane J.H., & Topp G.C. (eds.). Methods of Soil Analysis. Part 4. SSSA Book Series No. 5. Soil Science Society of America, Madison, WI.
13. Kemper, W.D., & Rosenau, K. (1986). Size distribution of aggregates. 425-442. In: Klute A. (ed). Methods of Soil Analysis Part 1, Physical and Mineralogical Methods. 2nd ed. ASA and SSSA, Madison, WI.
14. Kozak, E., Pachepsky, Y.A., Sokolowski, S., Sokolowska, Z., & Stepniewski, W. (1996). A modified number-based method for estimating fragmentation fractal dimensions of soils. Soil Science Society of America Journal. 60, 1291- 1297.
15. Marashi, M., Mohammadi Torkashvand, A., Ahmadi, A., & Esfandyari, M. (2019). Adaptive neurofuzzy inference system: estimation of soil aggregates stability. Acta Ecologica Sinica, 39, 95–101. https://doi.org/10.1016/j.chnaes. 2018.05.002
16. Nelson, D.W., & Sommers, L.E. (1982). Total carbon, organic carbon, and organic matter. p. 539–579. In A.L. Page et al. (ed.) Methods of Soil Analysis. Part 2. 2^nd Agron. Monogr. 9. ASA and SSSA, Madison, WI.
17. Page, A.L. (ed.). (1985). Methods of Soil Analysis. Part 2. Chemical and Microbiological Methods. Agronomy No. 9. American Society of Agronomy, Madison, WI.
18. Sarkar, A., Maity, P.P., Ray, M., Chakraborty, D., Das, B., & Bhatia, A. (2023). Inclusion of fractal dimension in four machine learning algorithms improves the prediction accuracy of mean weight diameter of soil. Ecological Informatics. 74, 1-15. https://doi.org/10.1016/j.ecoinf.2022.101959
19. Shirazi, M.A., & Boersma, L. (1984). A unifying quantitative analysis of soil texture. Soil Science Society American Journal, 48(1), 142–147.
20. Yazdani, A., Mosaddeghi, M.R., Khademi, H., Ayoubi, S., & Khayamim, F. (2014). Relationship between surface aggregate stability and some soil and climate properties in Isfahan province. Soil Management, 3(2), 23-31. (In Persian with English abstract)
21. Yoder, R.E. (1936). A direct method of aggregate analysis of soils and a study of the physical nature of erosion losses. Journal of American Society Agronomy, 28, 337-35.
22. Zhang, R., & Zhang, S., (2024). Coefficient of permeability prediction of soils using gene expression programming. Engineering Applications of Artificial Intelligence, 128(107504). https://doi.org/10.1016/j.engappai.2023.107504