حسین بیات

سابقه و هدف: اخیرا توابع انتقالی شبه‌پیوسته (PC-PTF) برای برآورد منحنی نگه‌داشت آب خاک (SWRC) معرفی شده‌است. این توابع به‌شدت به قدرت الگوریتم‌های یادگیری ماشین حساس هستند. روش درخت M5 مشابه درخت‌های رگرسیون است، که توابع خطی در برگ‌های آن قرار دارند و دارای قدرت بالایی در ایجاد توابع انتقالی است. با این وجود تاکنون از این روش برای ایجاد PC-PTF برای طیف وسیعی از بافت‌های خاک استفاده نشده است. همچنین، کارایی برخی متغیرهای ساختمان خاک در بهبود PC-PTFها بررسی نشده است. علاوه‌بر‌این، وابستگی توزیع خطای PC-PTFها به عوامل مختلف مورد بررسی عمیق قرار نگرفته است. بنابراین اهداف این مطالعه ایجاد توابع انتقالی شبه پیوسته با استفاده از روش M5، بررسی تأثیر متغیرهای ساختمان خاک بر عملکرد این توابع و بررسی وابستگی خطای این توابع به عوامل مختلف بود. مواد و روش‌ها: تعداد 120 نمونه خاک از استان‌های تهران و همدان از عمق 15 تا 60 سانتی‌متری با کاربری زراعی، باغی و مرتع برداشت شد. بافت خاک، جرم مخصوص ظاهری (BD) ، SWRC، هدایت هیدرولیکی اشباع (Ks) ، مواد آلی (OM) ، میانگین وزنی قطر خاکدانه‌ها (MWD) و مقاومت فروروی در مکش 300 هکتوپاسکال (PR300) اندازه‌گیری شد. 13 تابع انتقالی شبه‌پیوسته، با هر کدام از روش‌های درخت M5 و رگرسیون غیر خطی، در قالب 3 گروه متغیر ورودی، برای برآورد SWRC ایجاد شد. توزیع‌خطای تمام توابع‌انتقالی شبه‌پیوسته براساس آماره‌ مجذور میانگین مربعات خطا بر روی مثلث بافت خاک ترسیم شد. یافته‌ها: در تابع اول، مکش خاک به‌عنوان تنها تخمین‌گر مورد استفاده قرار گرفت. رگرسیون غیرخطی مدل قابل قبولی برای تابع اول با ضریب تعیین 718/0 ایجاد کرد. در توابع شبه‌پیوسته 3 تا 6 اجزای بافت، BD و رطوبت FC (مکش 300 هکتوپاسکال) و PWP (مکش 15000 هکتوپاسکال) برای برآورد SWRC مورد استفاده قرار گرفتند. ضریب تعیین این توابع 719/0 تا 990/0 به‌دست آمد که بهبود عملکرد برآورد SWRC را نشان داد. در روش M5، استفاده از رطوبت FC موجب بهبود قابل توجه عملکرد مدل گردید و با مجذور میانگین مربعات 015/0 و cm3cm-3 020/0، و ضرب تعیین 987/0 و 973/0 به‌ترتیب در مراحل آموزش و اعتبارسنجی، یک مدل بهینه‌ را ایجاد کرد. در روش M5، هر تابعی که از Ks و MWD به‌عنوان تخمین‌گر استفاده کرد، بهبود معنی‌داری نسبت به تابع 4 که از اجزای بافت خاک و BD به‌عنوان تخمین‌گر استفاده کرده بود، نشان داد. مقادیر آماره آکائیک در هر دو مرحله آموزش و اعتبارسنجی در روش M5 نسبت به رگرسیون غیرخطی، به‌ترتیب به‌میزان 37 تا 283 درصد و 111 تا 157 درصد کمتر به دست آمد. توزیع خطا بر روی مثلث بافت خاک، هیچ وابستگی به بافت خاک نشان نداد، ولی به روش ایجاد توابع شبه‌پیوسته و متغیرهای ورودی مرتبط بود. نتیجه‌گیری: می‌توان با روش‌های هوش مصنوعی قدرتمند یک مدل جامع برای SWRC ایجاد کرد، که باعث عدم نیاز کاربران به مدل‌های مختلف SWRC مانند ون‌گنوختن برای خاک‌های مختلف خواهد بود. استفاده از مجموعه‌ای از متغیرهای بافت و ساختمان خاک باعث افزایش دقت برآورد SWRC می‌گردد. ولی آن‌دسته از متغیرهای ساختمانی، که شاخصی از توزیع اندازه منافذ هستند، برای برآورد SWRC مناسب‌تر بودند. تاثیر بیشتر FC، در بهبود برآورد SWRC نسبت به PWP، کارایی بیشتر رطوبت در مکش‌های میانی در برآورد SWRC را نشان داد. الگوریتم قوی روش درخت M5 برخی الگوهای روابط میان متغیرهای ورودی و خروجی که توسط روش رگرسیون غیرخطی قابل تشخیص نبود، را تشخیص داد. با توجه به وابستگی توزیع خطا بر روی مثلث بافت خاک، به روش ایجاد توابع شبه‌پیوسته و متغیرهای ورودی، باید نقشه‌های توزیع خطا را بر اساس فاکتورهای مذکور دسته‌بندی نمود