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

آب و خاک

مقاله 7، دوره 38، شماره 2 - شماره پیاپی 94، خرداد و تیر 1403، صفحه 269-283   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2024.86792.1385

نویسندگان

شکراله اصغری^{* 1}؛ 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

اطلاع از مقاومت فروروی (PR) خاک از نظر جوانه­زنی بذر، رشد ریشه و عملیات خاک­ورزی اهمیت فراوان دارد. اندازه­گیری مستقیمPR  خاک به­دلیل تغییرپذیری مکانی و زمانی شدید آن، کاری پرزحمت و گران می­باشد. هدف از این پژوهش، ارایه مدل­های رگرسیون خطی (MLR)، شبکه عصبی مصنوعی (ANN) و برنامه­ریزی بیان ژن (GEP) برای برآورد PR از روی ویژگی­های زودیافت خاک بود. در مجموع 80 نمونه خاک سطحی (0 تا cm 10) دست­خورده و دست­نخورده (با استفاده از استوانه­های استیل به قطر و ارتفاع 5 سانتی­متر) از اراضی جنگلی، مرتعی و زراعی منطقه فندقلوی اردبیل در تابستان 1402 برداشته شد سپس برخی خصوصیات فیزیکی و شیمیایی زودیافت خاک در آنها اندازه­گیری شد. مقاومت فروروی خاک به­طور درجا در محل با استفاده از یک فروسنج مخروطی تعیین گردید و همزمان رطوبت خاک مزرعه در استوانه­ها اندازه­گیری شد. داده­ها به­طور تصادفی به دو گروه آموزشی (60 نمونه) و آزمونی (20 نمونه) تقسیم گردید. مدل­های MLR، ANN و GEP به­ترتیب با استفاده از نرم­افزارهای SPSS، MATLAB و Gene Xpro Tools ایجاد شدند. نتایج مدل­سازی نشان داد که رطوبت خاک مزرعه، سیلت و جرم مخصوص ظاهری نسبی، مهمترین متغیرهای ورودی در برآورد PR خاک بودند. مقادیر آماره­های ضریب تبیین (R²)، مجذور میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و ضریب نش-ساتکلیف (NS) براساس داده­های آزمونی برابر 44/0، MPa 19/1، MPa 19/0 و 36/0، 92/0، MPa 41/0، MPa 05/0- و 92/0، 79/0، MPa 91/0، MPa 13/0 و 63/0 به­ترتیب برای بهترین مدل MLR، ANN و GEP تعیین گردید. براساس نتایج آماره­های ارزیابی مدل­ها، می­توان گفت که در منطقه مورد مطالعه، مدل ANN از بیشترین دقت و مدل MLR از کمترین دقت در برآورد PR خاک برخوردار بود.

کلیدواژه‌ها

تخمین؛ رطوبت جرمی؛ مقاومت خاک؛ منطقه فندقلو؛ ویژگی زودیافت

مراجع

1- Asghari, Sh., & Shahabi M. (2019). Spatial variability of soil saturated hydraulic conductivity and penetration resistance in salt-affected lands around Lake Urmia. Water and Soil, 33(1), 103-116. (In Persian with English abstract). https://doi.org/10.22067/JSW.V33I1.74411

2- Asghari, Sh., Sheykhzadeh, G.R., & Shahabi, M. (2017). Geostatistical analysis of soil mechanical properties in Ardabil plain of Iran. Archives of Agronomy and Soil Science, 63(12), 1631-1643. https://doi.org/10.1080/03650340 .2017.1296136

3- Azadmard, B., Mosaddeghi, M.R., Ayoubi, S., Chavoshi, E., & Raoof, M. (2019). Estimation of near-saturated soil hydraulic properties using hybrid genetic algorithm-artificial neural network. Ecohydrology & Hydrobiology, 20(3), 437–449. https://doi.org/10.1016/j.ecohyd.2019.09.001

4- 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

5- Ahmadi, A., Palizvan zand, P., & Palivan zand, H. (2018). Estimation of saturated hydraulic conductivity by using gene expression programming and ridge regression (A case study in East Azerbaijan province). Iranian Journal of Soil and Water Research, 48(5), 1087-1095. (In Persian with English abstract). https://doi.org/10.22059/ijswr. 2018.218413.667555

 6- Amirabedi, H., 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)  

 7- Bayat, H., Neyshabouri, M.R., & Hajabbasi, M. (2008). Comparing neural networks, linear and nonlinear regression techniques to model penetration resistance. Turkish Journal of Agriculture and Forestry, 32, 425-433.

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- Campbell. G.S. (1985). Soil Physics with Basic: Transport Models for Soil–Plant System. Elsevier. New York. 150 p.

11- Dinarvand, H., Asghari, Sh., & Shahabi, M. (2018). Estimating soil penetration resistance using neurofuzzy, support vector machine and gene expression programming methods. Available at  https://civilica.com/doc/808626 (In Persian with English abstract)

12- Ferreira, C. (2001). Gene expression programming: a new adaptive algorithm for solving problems. Complex Syst 13, 87–129.

13- 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

14- Gardner, W.H. (1986). Water content. p. 493-544. In: Klute A. (ed). Methods of Soil Analysis. Part 1. 2nd ed. Agronomy. Monograph. 9. ASA, Madison, WI.

15- 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.

16- Kelishadi, H., Mossaddeghi, M.R., Hajabbasi, M.A., & Ayoubi, S. (2014). Near-saturated soil hydraulic properties as influenced by land use management systems in Koohrang region of central Zagros, Iran. Geoderma, 213, 426-434. https://doi.org/10.1016/j.geoderma.2013.08.008

17- 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.

18- Lowery, B., & Morrison, JE. (2002). Soil penetrometer and penetrability. In: Dane J.H., & Topp GC (eds.). Methods of soil analysis, part 4. Physical methods. Madison (WI): Soil Science Society of America; pp. 363–388.

19- 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 ed. Agron. Monogr. 9. ASA and SSSA, Madison, WI.

20- Page, A.L. (ed.).(1985). Methods of Soil Analysis. Part 2. Chemical and Microbiological Methods. Agronomy No. 9. American Society of Agronomy, Madison, WI.

21- Santos, F.L., De Jesus, V.A.M., & Valente, D.S.M. (2012). Modeling of soil penetration resistance using statistical analyses and artificial neural networks. Acta Scientiarum. Agronomy, 34, 219-224.

22- Sheykhzadeh, G.R., Asghari, Sh., & Mesri Gundoshmian, T. (2016). Estimating penetration resistance in agricultural soils of Ardabil plain using artificial neural network and regression methods. Water and Soil, 30(3), 941-954. (In Persian with English abstract). https://doi.org/10.22067/JSW.V30I3.42235

23- Vaz, C.M.P., Manieri, J.M., de Maria, I.C., & Tuller, M. (2011). Modeling and correction of soil penetration resistance for varying soil water content. Geoderma, 166, 92-101. https://doi.org/10.1016/j.geoderma.2011.07.016

24- Whalley, W., To, J., Kay, B.D., & Whitmore, A.P. (2007). Prediction of the penetrometer resistance of soils with models with few parameters. Geoderma, 137, 370–377. https://doi.org/10.1016/j.geoderma.2006.08.029Get rights and content

25- 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)

26- 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.

27- 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