مقایسه و کاربرد مدل‌های جنگل تصادفی، چاید و زمین‌آمار در پیش‌بینی هدایت ‏هیدرولیکی اشباع خاک

نوع مقاله : پژوهشی

نویسندگان

1 دانشیار، گروه مهندسی آب، دانشکدۀ آب و خاک، دانشگاه زابل

2 دانش‏ آموختۀ کارشناسی ارشد، گروه مهندسی آب، دانشکدۀ آب و خاک، دانشگاه زابل

3 دانشجوی کارشناسی، گروه مهندسی آب، دانشکدۀ آب و خاک، دانشگاه زابل

چکیده

هدایت هیدرولیکی اشباع یکی از خصوصیات مهم هیدرولیکی در علوم مرتبط با آب، خاک و کشاورزی است که در مدل‏سازی حرکت املاح و آب در خاک بسیار اهمیت دارد. اندازه‏گیری آزمایشگاهی و صحرایی آن دشوار، وقت‏گیر و پرهزینه است و امکان شناسایی تغییرپذیری مکانی و زمانی آن در مقیاس وسیع وجود ندارد. این پارامتر را می‏توان با استفاده از پارامترهای زودیافت خاک برآورد کرد. تحقیق حاضر به‏ منظور پیش‏بینی هدایت هیدرولیکی اشباع خاک با استفاده از روش‏های جنگل تصادفی، چاید و زمین‏آمار در شهرستان هیرمند انجام گرفت. برای این منظور، تعداد 130 نمونه خاک از سطح (0ـ 30 سانتی‏متری) جمع‏آوری و برای انجام آزمایش و آنالیز‏ها، به آزمایشگاه انتقال داده شد. در آزمایشگاه پارامترهای هدایت هیدرولیکی اشباع خاک، بافت خاک، کربن آلی، اسیدیته، هدایت‏الکتریکی و کربنات‏کلسیم اندازه‏گیری شد. سپس با استفاده از پارامترهای اندازه‏‏گیری‌شده و با استفاده از مدل‏های چاید، جنگل تصادفی و زمین‏آمار هدایت هیدرولیکی اشباع برآورد شد. 20 الگوی مختلف از ترکیب پارامترهای زودیافت خاک به‏ عنوان ورودی به مدل چاید و جنگل تصادفی در نظر گرفته شد. از بین ترکیبات مختلف بر اساس MAE کمتر و R بالاتر ترکیب بهتر انتخاب شد. نتایج نشان داد مدل جنگل تصادفی با داشتن بالاترین ضریب تبیین (98/0) و کمترین مقدار خطای مطلق میانگین (و 0019/0) بهترین مدل برای پیش‏بینی هدایت هیدرولیکی اشباع خاک در منطقۀ هیرمند است. نتایج پهنه‏بندی نشان داد مقدار هدایت هیدرولیکی اشباع خاک در نقاط غرب، مرکز و شمال شرق بیشتر از سایر نقاط بود.

کلیدواژه‌ها

موضوعات

مراجع

  • Norouzian Azizi Z, Qajarspanlou M, Emadi S.M, Sadegh-zadeh F. Evaluation of regression models and artificial neural network in estimating hydraulic conductivity of soil saturation in Mazandaran. Soil Research,2016; 31(1):76-88. [Persian].
  • Bouma J. Using soil survey data for quantitative land evaluation. Advances Soil Science. 1989;9: 177–213.
  • Wosten J.H.M, Pachepsky Ya.A, Rawls W.J. Pedotransfer functions: bridging the gap between available basic soil data and missing soil hydraulic characteristics. J. Hydrol. 2001;251: 123–150.
  • Rezaei Arshad R, Sayad G, Mazloum M, Sharfa M, Jafarnjadi A. Comparison of artificial neural network and regression methods for predicting saturated hydraulic conductivity of soils in Khuzestan province. Agricultural Sciences and Techniques and Natural Resources,2012; 16(60):107-117. [Persian].
  • Sobieraj J.A, Elsenbeer H, Veressy R.A. Pedotransfer functions for estimating saturated hydraulic conductivity implications for modeling stormflow generation. J. Hydrol.2001; 251: 202–220.
  • Bijan A, Piri H, Tabatabai S.M, Piri J. Comparison and application of artificial neural network, support vector machine and decision tree in predicting saturated hydraulic conductivity of soil (case study: Hirmand city). Watershed Management, 2022;25:74-85. [Persian].
  • Rodriguez V, Ghimire B, Rogan J, Chica Olmo M, Rigol-Sánchez J.P. An assessment of the effectiveness of a Random Forest classifier for land-cover classification. ISPRS Journal of Photogram Remote Sens. 2012; 67: 9 -104
  • Breiman L. Application and analysis of random forests and machine learning. Journal of Water Management.2001; 15(1): 5-32.
  • Norouzi Ghoshbalagh H, Nadiri A, Asghari Moghaddam A, Qarahkhani M. Comparison of the efficiency of artificial neural networks, fuzzy logic and random forest in estimating the aquifer transfer capability of Malekan plain. Echo Hydrology. 2018;5(3): 739-751 [Persian].
  • Siasar H, Honar T. The application of support vector machine, chaid and random forest models in estimating daily reference transpiration evaporation in the north of Sistan and Baluchistan province. Iran Irrigation and Drainage.2018 ;2(13):378-388. [Persian].
  • Watt M, Palmer S. Use of regression kriging to develop a Carbon: Nitrogen ratio surface for New Zealand. Geoderma.2010;183:49–57.
  • Piri H, Mobaraki M, Siaser P. Temporal and spatial modeling of underground water level in Bushehr plain using artificial intelligence and geostatistics. Watershed Management.2023;13(26):58-68. [Persian].
  • Piri H, Mobaraki M. Comparison of Artificial Intelligence and Geostatistical Methods in Soil Surface Salinity Prediction (Case study: Ghorghori of Hirmand city). Environ. Water Eng.2022;8(3): 551-537. [Persian].
  • Rezaei M, Devatgar N, Tajdari Kh, Abolpur b. Investigating the spatial changes of some quality indicators of underground waters in Gilan province using geostatistics. water and soil. 2018;24:932-941. [Persian].
  • Jahantigh M, Jahantigh M. Study effect of flood productivity on vegetation changes using field work and Landsat satellite images (Case study: Shandak of Sistan region), Journal of RS & GIS for Natural Resources. 2019;10(4), 57-73. [Persian].
  • Gee G. W. Particle-size analysis. In: Warren, A.D. Eds. Methods of Soil Analysis. Part 4. Physical Methods. Soil Sci. Soc. Am. Inc. 2002; 5:255-295.
  • Najibzadeh N, Ghaderi K, Ahmadi M.M. Utilization of support vector regression methods and artificial neural network in runoff precipitation modeling (Case study: Saffarud Dam catchment). Irrigation and Drainage of Iran.2009;6(13):1709-1720[Persian].

 

  • Nelson D. W, Sommer L. E.Total carbon, organic carbon, ad organic matter.Soc. Agron., Madison. 1982; pp. 539–579.
  • Rhoads J.D. Cation exchange capacity, In; A.C. Page (ed) Methods of soil Analysis, part 2, Am. Soc. Agron,, 1986;9: 149-158.
  • Ramaswami M, Bhaskaran R. A. CHAID based performance prediction model in educational data mining. arXiv preprint arXiv:2010;1002.1144.
  • Kisi O, Onur G, Semih D, Zounemat-Kermani M. Daily pan evaporation modeling using chi-squared automatic interaction detector, neural networks, classification and regression tree. Computers and Electronics in Agriculture. 2016; 122 (112-117)
  • Quinlan JR. Induction of decision trees. Journal of Machine Learning. 1986; 1(1): 81-106.
  • Soleimani K, Habibnejad M, Abkar A, Bani Asadi M. Analysis of depth, surface and continuity curves using geostatistical methods in arid and semi-arid rainfall areas (D.A.D) Case study: Sirizjan salt pan). Desert Magazine.2006 ;11(1):32-41. [Persian]
  • Breiman L. Application and analysis of random forests and machine learning. Journal of Water Management.2001; 15(1): 5-32
  • Hassani Pak A. Geostatistics (Geostatistics). University of Tehran Press.2007. p 325.

 

  • Gholami Sh, Hosseini S.M, Mohammadi J, Mahini A.S. Spatial variability of soil macrofauna biomass and soil properties in riparian forest of Karkhe river. Journal of Water and Soil. 2010; 25(2)248-257 [Persian].
  • Foroughifar H, Jafarzadah A.A, Torabi Gelsefidi H, Aliasgharzadah N, Toomanian N, Davatgar N. Spatial variations of surface soil physical and chemical properties on different landforms of Tabriz plain. Journal of Soil and Water Science. 2010;21(3):1-21 [Persian].
  • Momtaz H R, Jafarzadah AA, Torabi H, Oustan Sh, Samadi A, Davatgar N, et al. An assessment of the variation in soil properties within and between Landforms in Amol region. Iran. Geoderma. 2009;149: 10-18.
  • Ahmadi A, Palizwanzand p. Palizwanzand H. Estimation of hydraulic conductivity of soil saturation using gene expression programming and ridge regression (Case study in East Azarbaijan province). Iranian Soil and Water Research. 2017;48 (5):1087-1095 [Persian].
  • Indirect estimation of near-saturated hydraulic conductivity from readily available soil information. Geoderma. 2002;108, 1-17.
  • Shi J, Wang H, Xu J, Wu J, Liu X, Zhu H, Yu C. Spatial distribution of heavy metals in soils: a case study of Changxing. China. Environ Geol. 2007 ; (52):1-10.
اکوهیدرولوژی
دوره 10، شماره 2
تیر 1402
صفحه 173-185

فایل ها

سابقه مقاله

  • تاریخ دریافت: 11 دی 1401
  • تاریخ بازنگری: 11 بهمن 1401
  • تاریخ پذیرش: 12 اسفند 1401
  • تاریخ اولین انتشار: 15 فروردین 1402
  • تاریخ انتشار: 01 تیر 1402

هم رسانی

ارجاع به این مقاله

آمار