بخشی از مقاله
چکیده
رطوبت بحرانی خاک مقدار رطوبتی است که در آن جرم مخصوص ظاهری خاک به بیشترین مقدار خود میرسد. تعیین رطوبت بحرانی خاک برای انجام عملیات کشاورزی و ورود ادوات به مزرعه حائز اهمیت میباشد. اندازهگیری رطوبت بحرانی وقت گیر و پرهزینه است از اینرو پژوهشگران از توابع انتقالی برای برآورد رطوبت بحرانی استفاده میکنند. این پژوهش در دشت اردبیل با نمونهبرداری خاک از 105 نقطه و در سطح 10-0 سانتیمتری سطح زمین انجام گرفت.
برآورد رطوبت بحرانی با سه مدل نروفازی، ما شین بردار پ شتیبان و برنامهریزی بیان ژن انجام شد. ورودیهای هر سه مدل یکسان و بر اساس همبستگی پیرسون رطوبت بحرانی با دادههای مستقل انتخاب گرددید. نتایج حاصل از این برآورد نشان داد که مدل نروفازی برای دادههای آموزش با ضریب تبیین 1 و مجذور میانگین مربعات خطا - %gg-1 - 1/94×10-5 و همچنین مدلهای نروفازی و برنامهریزی بیان ژن برای دادههای آزمون با عملکردی مشابه، با ضریب تبیین 0/84 و مجذور میانگین مربعات خطا به ترتیب برابر 2/63 و - %gg- 1 - 2/67 بیشترین دقت را داشتند.
مقدمه
رطوبت بحرانیٌ خاک مقدار رطوبتی است که در آن جرم مخصوص ظاهری خاک به بیشترین مقدار خود میرسد. اگرچه فشردگی از نظر مکانیک خاک یک صفت مطلوب تلقی میشود ولی از نظر رشد گیاه، فشردگی نوعی شرایط نامطلوب محسوب میگردد. مقدار رطوبتی که موجب ایجاد شرایط نامطلوب فیزیکی در خاک شود رطوبت بحرانی نامیده میشود. بنابراین رطوبت بحرانی مهمترین عامل در فشردگی خاک محسوب میشود.تراکم خاک تابعی از جرم مخصوص ظاهری و محتوای رطوبتی خاک میباشد.
تعیین رطوبت بحرانی خاک برای انجام عملیات کشاورزی و ورود ادوات به مزرعه در محدوده رطوبت بحرانی حائز اهمیت میباشد. تعیین آزمایشگاهی پارامترهای پروکتور - رطوبت بحرانی و جرم مخصوص ظاهری
حداکثرٍ - وقتگیر بوده و تلاش زیادی لازم دارد و پرهزینه است. به همین دلیل برای بهدست آوردن آنها از توابع انتقالی استفاده میشود.
مواد و روشها
نمونهها از عمق 0-10 سانتیمتری خاک در 105 نقطه از زمین های زراعی دشت اردبیل برداشته شد. رطوبت بحرانی خاک را با استفاده از منحنی پروکتور - جرم مخصوص ظاهری خشک- رطوبت وزنی - محاسبه گردید. - - 1 از سه مدل سیستم استنتاجی نروفازیٌ - 3 - و ماشین بردار پشتیبانٍ - 5 - و برنامهریزی بیان ژنَ - 6 - برای برآورد رطوبت بحرانی در این پژوهش استفاده شده است.
دادهها با استفاده از نرم افزار Spss نرمال شد. بعد از آن با نرم افزار متلب تصافی و به دوسری دادههای آموزش - 80% - و آزمون - 20% - تقسیم شد. دادههای ورودی برای هر سه مدل یکسان و بر اساس بیشترین همبستگی پیرسون، که بین رطوبت بحرانی و پارامترهای زود یافت وجود داشت انتخاب شدند. از آمارههای مجذور میانگین مربعات خطا - RMSE - ، میانگین خطا - ME - و ضریب تبیین - R2 - برای ارزیابی و مقایسه هر سه مدل استفاده شده است.
نتایج و بحث
با توجه به جدول 1 مشاهده میشود منطقه مورد مطالعه دارای حدود 1/1 درصد کربن آلی است که همانند سایر خاکهای مناطق خشک و نیمه خشک ایران، میانگین کربن آلی ناچیز است. عوامل مختلفی بر تراکم پذیری خاک تأثیر دارند که یکی از مهمترین آنها، مواد آلی هستند. - - 7 دامنه تغییرات جرم مخصوص ظاهری حداکثر از1/17 تا 1/88 میباشد. همچنین مقدار جرم مخصوص ظاهری از 1/02 تا 1/63 متغییر است. مقدار رطوبت بحرانی اندازهگیری شده بین 11/7 تا 46/55 میباشد. به طور کلی تأثیر مواد آلی بر تراکم پذیری خاک در رطوبتهای بالا و فشارهای کم، قابل توجه است. رطوبت بحرانی از نظر بررسی زمان خاک ورزی و تردد ماشین آلات، اهمیت زیادی دارد. - - 9
جدول 1متغیرهای زودیافت مورد استفاده در برآورد رطوبت بحرانی در دشت اردبیل
مقادیر ضریب همبستگی پیرسون بین متغیرهای مورد مطالعه با رطوبت بحرانی خاک در جدول 2 نشان داده شده است. با توجه به جدول 2 مشاهده میشود رطوبت بحرانی بیشترین همبستگی معنیدار و منفی را با جرم مخصوص ظاهری -0/434** - - دارد. همچنین بیشترین همبستگی معنیدار و مثبت را با رطوبت اشباع - 0/745** - و بعد از آن با رطوبت هوا خشک - 0/711** - دارد.
وانگ و همکاران - 11 - همبستگی منفی معنیدار و رابطه قوی بین مقدار رطوبت بحرانی و جرم مخصوص ظاهری حداکثر به دست آوردند. یعنی با افزایش رطوبت بحرانی، مقدار جرم مخصوص ظاهری حداکثر کاهش پیدا یافت.
جدول 2 ضریب همبستگی پیرسون بین متغیرهای ورودی با رطوبت بحرانی
با توجه به جدول 3 مشاهده میشود که مدل نروفازی - شکل - 1 بهترین عملکرد را برای دادههای آموزش با ضریب تبیین - بیشترین - و مجذور میانگین مربعات خطا - %gg-1 - 1/94×10-5 نسبت به مدلهای ماشین بردار پشتیبان و برنامهریزی بیان ژن دارد. ماشین بردار پشتیبان با ضریب تبیین 0/79 و مجذور میانگین مربعات خطای - %gg-1 - 2 در مرتبه بعدی قرار دارد.
مهمترین قسمت هر مدلسازی مربوط به دادههای آزمون میباشد که در این مطالعه با توجه به مقدارهای بدست آمده و با در نظر گرفتن این موضوع که همیشه ضریب تببین میتواند برای انتخاب بهترین مدل گول زننده باشد لذا از مجذور میانگین مربعات خطا برای انتخاب بهترین مدل استفاده گردید. مدل نروفازی - شکل - 1 و مدل برنامهریزی بیان ژن با ضریب تبیین برابر 0/84 و کمترین مجذور میانگین مربعات خطا به ترتیب برابر 2/63 و - %gg- 1 - 2/67 بیشترین دقت را برای دادههای آزمون دارد.
قبادیان و همکاران - - 2 به بررسی عملکرد دو روش برنامه ریزی بیان ژن و موج دینامیکی برای روندیابی سیلاب رودخانه پرداختند. نتایج آنها نشان داد که برنامهریزی بیان ژن برای هیدروگراف خروجی دقت بیشتری را پیش بینی میکند.
