دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه تربیت مدرس تهران

2 دانشگاه شهرکرد

3 سازمان تحقیقات، آموزش و ترویج کشاورزی

چکیده

چکیده
فرآیند نفوذ آب به خاک یکی از مهمترین اجزای چرخه ی آبی در طبیعت است. از سوی دیگر، اندازه گیری آن دشوار، زمان بر و پرهزینه می باشد. در پژوهش حاضر، امکان برآورد نفوذ تـجـمعی آب به خـاک، در زمان‏هایی مشخص از آغاز فرآیند نفوذ با استفاده از ویژگی های زودیافت خاک و به کمک شبکه های عصبی مصنوعی مورد بررسی قرار گرفت. برای این منظور، داده های حاصل از آزمایش های نفوذپذیری به روش استوانههای مضاعف در 210 نقطه از مناطق مختلف کشور، جمع آوری شد. همچنین، با حفر پروفیل در نزدیکی نقاط اندازه گیری نفوذ آب به خاک، لایه های پدوژنیک خاک مشخص و از دو افق بالایی نمونه‌‌برداری و ویژگی های رطوبت اولیه، جرم ویژه ی ظاهری خاک، فراوانی نسبی ذرّات، میزان ماده ی آلی، درصد سنگریزه (قطر ذرات بزرگتر از 2 میلی متر)، میزان آهک، رطوبت ظرفیت زراعی و رطوبت پژمردگی دایم اندازه گیری شد. به منظور برآورد نفوذ تجمعی در زمان های 5، 10، 15، 20، 30، 45، 60، 90، 120، 150، 180، 210، 240، 270 دقیقه پس از شروع نفوذ آب به خاک و زمان نفوذ پایه از شبکه های عصبی مصنوعی پرسپترون چندلایه استفاده گردید. در این پژوهش، دو گونه شبکه عصبی پی ریزی شد. در شبکه های عصبی گونه ی نخست، ویژگی های افق سطحی، به صورت سلسله مراتبی، به عنوان متغیرهای ورودی مورد استفاده قرار گرفت. در شبکه های عصبی گونه ی دوم، از ویژگی های دو افق پدوژنیکی و به روش تحلیل مولفه های اصلی به عنوان متغیرهای ورودی استفاده گردید. نتایج ارزیابی اعتبار شبکه های مورد استفاده حاکی از آن بود که شبکه های گونه ی نخست با مقادیر آماره ی RMSE بین 136/1 تا 312/9 سانتی متر، بهترین عملکرد را در برآورد نفوذ تجمعی در تمامی زمان های مورد بررسی داشتند. همین طور، شبکه های عصبی گونه ی نخست با میانگین RMSD معادل با 307/6 سانتی متر بهترین عملکرد را در برآورد منحنی نفوذ تجمعی داشتند.

واژه های کلیدی: پرسپترون چند لایه، شبکه های عصبی مصنوعی، فرآیند نفوذ، نفوذ تجمعی

عنوان مقاله [English]

Estimating Cumulative Infiltration Using Artificial Neural Networks in Calcareous Soils

نویسندگان [English]

  • F. Parchami-Araghi 1
  • S.M. Mirlatifi 1
  • Sh. Ghorbani Dashtaki 2
  • M.H. Mahdian 3

1 Tarbiat Modares University, Tehran , Iran

2 Shahrekord University, Share kard, Iran

3 Agricultural Research, Education and Extension Organization, Tehran, Iran

چکیده [English]

Abstract
Infiltration process is one of the most important components of the hydrological cycle. On the other hand, the direct measurement of infiltration process is laborious, time consuming and expensive. In this study, the possibility of predicting cumulative infiltration in specific time intervals, using readily available soil data and Artificial Neural Networks (ANNs) was investigated. For this purpose, 210 double ring infiltration data were collected from different regions of Iran. Basic soil properties of the two upper pedogenic layers including initial water content, bulk density, particle-size distributions, organic carbon, gravel content (>2mm size), CaCO3 percent and soil water contents at field capacity and permanent wilting point were determined on each soil sample. The feedforward multilayer perceptron was used for predicting the cumulative infiltration at times 5, 10, 15, 20, 30, 45, 60, 90, 120, 150, 180, 210, 240, 270 minutes after the start of the infiltration test and the time of basic infiltration rate. The developed ANNs were categorized into two groups; type 1 and type 2 ANNs. For developing type 1 ANNs, the basic soil properties of the first upper soil horizon were used as inputs, hierarchically. In developing the type 2 ANNs, the available soil properties of the two upper soil horizons were used as inputs, using principal component analysis technique. Results of Reliability test for developed ANNs indicated that type 1 ANNs with a RMSE of 1.136 to 9.312 cm had the best performance in estimating the cumulative infiltration. Also, type 1 ANNs with the mean RMSD of 6.307 cm had the best performance in estimating the cumulative infiltration curve.

Keywords: Artificial Neural Networks, Cumulative Infiltration, Infiltration Process, Multilayer Perceptron

CAPTCHA Image