سال انتشار: ۱۳۸۶

محل انتشار: دهمین کنگره علوم خاک ایران

تعداد صفحات: ۲

نویسنده(ها):

حجت امامی – دانشجوی دکتری دانشگاه تهران
محمدرضا نیشابوری – استاد دانشگاه تبریز
مهدی شرفا – استادیار دانشگاه تهران
عبدالمجید لیاقت – دانشیار دانشگاه تهران

چکیده:

نگهداشت آب در خاک یکی از ویژگیهای اساسی خاک است که برای مطالعه آب قابل استفاده گیاه، نفوذ آب در خاک، زهکشی، هدایت هیدرولیکی، آبیاری، تنش آب در گیاهان و حرکت املاح ضروری است ( کرن ).۱۹۹۵ همچنین بیان کمی ویژگی های هیدرولیکی خاک در بسیاری از مطالعات مربوط به جریان آب در خاک که از مدل های عددی برای شبیه سازی حرکت آب و املاح استفاده می کنند، ضروری است . لیکن به دلیل نبود اطلاعات کافی از ویژگیهای هیدرولیکی دقیق، استفاده از این مدلهای عددی محدود شده است . با وجود پیشرفتهای زیادی که در اندازه گیری ویژگی های هیدرولیکی خاک صورت گرفته است، اما این روش ها همچنان پرهزینه، مشکل و زمان بر می باشند . بنابراین، استفاده از روش های غیر مستقیم به جای اندازه گیری مستقیم اجتناب ناپذیر است ( وستن و همکاران ).۲۰۰۱ ایجاد توابع انتقالی روشی غیر مستقیم برای برآورد ویژگیهای هیدرولیکی خاک است که با استفاده از اطلاعات موجود خاک به وسیلة معادلات رگرسیونی یا شبکة عصبی مصنوعی بین پارامترهای زودیافت و دیر یافت خاک ارتباط برقرار می کند . همچنین در بسیاری از کاربردها نیاز به داد ههای خیلی دقیق ویژگیهای هیدرولیکی نیست . از دیگر سو، به دلیل تفاوت در اندازه گیریهای با روشهای مختلف و نیز تغییرات مکانی – زمانی آنها، دقت انداز ه گیریهای مستقیم مورد تردید بوده و از این رو برآوردهای حاصل از روشهای غیر مستقیم کافی به نظر می رسند .
اسخاپ و لیج (۱۹۹۸a) دریافتند که شبکه های عصبی می توانند تخمین قابل قبولی از هدایت هیدرولیکی اشباع، غیراشباع و مشخصات منحنی رطوبتی خاک داشته باشند . تاماری و همکاران (۱۹۹۶) از شبکه های عصبی برای برآورد هدایت هیدرولیکی خاک استفاده کردند و دریافتند که این شبکه ها کار آیی بهتری نسبت به سایر توابع انتقالی در برآورد پارامتر مربوطه دارند . اسخاپ و بوتن (۱۹۹۶) از شبکه های عصبی برای مدل سازی منحنی رطوبتی در حال خشک شدن ۲۰۴ نمونه خاک شنی استفاده کردند و نشان دادند که شبکه های عصبی پیش بینی را با خطای خیلی کمتری نسبت به روشهای رگرسیونی خطی انجام دادند . اسخاپ و همکاران (۱۹۹۸) با بررسی داده های ۱۲۰۹ نمونه نتیجه گرفتند که توابع انتقالی بر اساس شبکه عصبی معمولا پیش بینی بهتری نسبت به سایر توابع انتقالی رایج فراهم می کنند