دوره 11، شماره 22 - ( پاییز و زمستان 1399 )
جلد 11 شماره 22 صفحات 164-155 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Farzadmehr M, Dastourani M, Khashei Siuki A, Jalali Moakhar V. (2020). Estimating the Saturated Hydraulic Conductivity of Soil Using Gene Expression Programming Method and Comparing It with the Pedotransfer Functions. J Watershed Manage Res. 11(22), 155-164. doi:10.52547/jwmr.11.22.155
URL: http://jwmr.sanru.ac.ir/article-1-1045-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1045-fa.html
فرزادمهر مهنوش، دستورانی مهدی، خاشعی سیوکی عباس، جلالی موخر وحیدرضا. برآورد هدایت هیدرولیکی اشباع خاک به روش برنامه ریزی بیان ژن و مقایسه آن با توابع انتقالی پژوهشنامه مديريت حوزه آبخيز 1399; 11 (22) :164-155 10.52547/jwmr.11.22.155
1- گروه علوم و مهندسی آب، دانشگاه بیرجند
2- گروه خاکشناسی، دانشگاه شهید باهنر کرمان
2- گروه خاکشناسی، دانشگاه شهید باهنر کرمان
چکیده: (3236 مشاهده)
هدایت هیدرولیکی اشباع خاک یک ویژگی مهم فیزیکی خاک است که بر حرکت آب در خاک موثر است. از آنجاییکه اندازه گیری این ویژگی به روشهای مستقیم مزرعه ای و آزمایشگاهی دشوار، زمانبر و هزینه بر است، از روشهای غیرمستقیم استفاده می شود. هدف از این پژوهش برآورد هدایت هیدرولیکی اشباع خاک از روی خصوصیات زودیافت خاک به کمک روش برنامه‌ریزی بیان ژن، تعدادی از توابع انتقالی و مدل روزتا و مقایسه آنها با یکدیگر است. در این پژوهش از مجموعه دادهای با اطلاعات خاکشناسی 151 نمونه خاک که از منطقه ای در بجنورد گردآوری شده بود استفاده شد. ویژگیهای خاک شامل درصد شن، سیلت، رس، درصد کربن آلی، درصد مواد خنثی شونده، هدایت الکتریکی، رطوبت اشباع، اسیدیته، جرم مخصوص ظاهری و جرم مخصوص حقیقی خاک بود. با استفاده از این ویژگیها به عنوان پارامترهای ورودی به مدل برنامه ریزی بیان ژن، فرآیند مدلسازی انجام شد. برنامه ریزی بیان ژن از میان این ویژگیها، تنها از چهار پارامتر درصد شن، سیلت، وزن مخصوص ظاهری و وزن مخصوص حقیقی در تابع ایجاد شده برای برآورد هدایت هیدرولیکی اشباع استفاده کرد. این مدل با ریشه خطای میانگین مربعات (RMSE) برابر با 2/84 سانتیمتر بر روز و R2 برابر با 0/91 بهترین عملکرد را در مقایسه با سایر توابع انتقالی نشان داد. پس از برنامه‌ریزی بیان ژن، تابع انتقالی جبرو (1992) با جذر میانگین مربعات خطای برابر با 74/4 سانتیمتر بر روز و مقدار R2 برابر 0/82 بهترین تابع انتقالی میان سایر توابع انتقالی و روزتا بود. مدل ساکستون و همکاران (1986) کمترین دقت برآورد هدایت هیدورلیکی اشباع را در میان روشهای استفاده شده داشت. به دلیل تفاوت دادههای استفاده شده برای ایجاد هر یک از توابع انتقالی و تغییرات مکانی بالای هدایت هیدرولیکی اشباع، میان روشهای مختلف مورد استفاده تفاوت زیادی از نظر خطای RMSE، MAE و MBE بود. برای داده های مورد استفاده در این پژوهش برنامه ریزی بیان ژن عملکرد بهتری داشت و تعیین ساختار مدل و پارامترهای موثر برای برآورد هدایت هیدرولیکی اشباع توسط برنامه، از مزایای آن است.
واژه‌های کلیدی: الگوریتم برنامه‌ریزی بیان ژن، الگوریتم تکاملی، توابع انتقالی، روش های غیرمستقیم، مدل روزتا
فهرست منابع
1. Abbasi, F. 2017. Advanced soil physics. 4th edition. Tehran university press, Tehran, Iran, 320 pp (In Persian).
2. Ahmadi, A., P. Palizvan zand and H. Palizvan zand. 2018. Estimation of saturated hydraulic conductivity by using gene expression programming and ridge regression (A case study in East Azerbaijan province). Iranian Journal of Soil and Water Research. 48(5): 1087-1095 (In Persian).
3. Bybordi, M. 2008. Principles of land drainage. 10th edition. University of Tehran Press, Tehran, Iran, 641 pp (In Persian).
4. Cosby, B.J., G.M. Hornberger, R.B. Clapp and T.R. Ginn. 1984. A statistical exploration of the relationships of soil moisture characteristics to the physical properties of soils. Water Resourses Research, 20(6): 682-690. [DOI:10.1029/WR020i006p00682]
5. Ebrahimi, K. and H. Fardad. 1999. Comparision of some determination of hydraulic conductivity coefficient in saturated soil condition. Iranian Journal of Agriculture Science. 29(4): 657-666 (In Persian).
6. Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems, 13(2): 87-129.
7. Ferreira, C. 2001. Gene Expression programming in problem solving. WSC6 tutorial. invited tutorial of the 6th Online World Conference on Soft Computing in Industrial Applications, September, 10-24.
8. Ferreira, C. 2006. Automatically defined functions in gene expression programming. In: Nedjah, N., Mourelleh, L. de M., A. Abraham. (Eds), Genetic System Programming: Theory and Expressions, Studies in computational intelligence, 13. Springer, Verlag, 21-56. [DOI:10.1007/11521433_2]
9. Hashmi, M.Z., A.Y. Shamseldin and B.W. Melville. 2011. Statistical downscaling of watershed precipitation using Gene Expression Programming (GEP). Environmental Modelling and Software, 26(12): 1639-1646. [DOI:10.1016/j.envsoft.2011.07.007]
10. Jabro, J.D. 1992. Estimation of saturated hydraulic conductivity of soils from particle size distribution and bulk density data. American Soiciety of Agricultural Engineering, 35(2): 557-560. [DOI:10.13031/2013.28633]
11. Jalali, V.R. and M. Homaee. 2011. Introducing a nonparametric model using k-nearest neighbor technique for predicting soil bulk density. Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Science, 15(56): 181-191 (In Persian).
12. Khaledian, M., M. shabanpour and H. Alinia. 2016. Saturated hydraulic conductivity variation in a small garden under drip irrigation. Geosystem Engineering, 19(6): 266-274. [DOI:10.1080/12269328.2016.1188030]
13. Khashei Siuki, A., V.R. Jalali Moakhar, A.M. Noferesti and Y. Ramazani. 2015. Comparing nonparametric k-nearest neighbor technique with ANN model for predicting soil saturated hydraulic conductivity. Journal of Soil Management and Sustainable Production, 5(3): 81-95 (In Persian).
14. Landeras, G., J.J. López, O. Kisi and J. Shiri. 2012. Comparison of Gene Expression Programming with neuro-fuzzy and neural network computing techniques in estimating daily incoming solar radiation in the Basque Country (Northern Spain). Energy Conversion and Management, 62: 1-13. [DOI:10.1016/j.enconman.2012.03.025]
15. Mallants, D., B.P. Mohanty, A. Vervoort and J. Feyen. 1997. Spatial analysis of saturated hydraulic conductivity in a soil with macropores. Soil Technology, 10: 115-131. [DOI:10.1016/S0933-3630(96)00093-1]
16. Minasny, B. and A.B. McBratney. 2000. Evaluation and development of hydraulic conductivity pedotransfer functions for Australian soil. Soil Research, 38(4):905-926. [DOI:10.1071/SR99110]
17. Pallant, J. 2007. SPSS survival manual: a step by step guide to data analysis. Translated by Rezaei, A. Forouzesh, Tabriz, Iran, 414 pp (In Persian).
18. Parasuraman, K., A. Elshorbagy and B.C. Si. 2007. Estimating saturated hydraulic conductivity using genetic programming. Soil Science Society of America Journal, 71(6): 1676-1684. [DOI:10.2136/sssaj2006.0396]
19. Pachepsky, Y. and M.T. Van Genuchten. 2011. Pedotransfer functions. In: J. Glinski, J. Horabik, J. Lipiec, (eds) Encyclopedia of Agrophysics. 556-561. Encyclopedia of Earth Sciences Series. Springer, Dordrecht [DOI:10.1007/978-90-481-3585-1_109]
20. Puckett, W.E., J.H. Dane and B.F. Hajek. 1985. Physical and Mineralogical Data to Determine Soil Hydraulic Properties 1. Soil Science Society of America Journal, 49(4): 831-836. [DOI:10.2136/sssaj1985.03615995004900040008x]
21. Ritter, A., F. Hupet, R. Muñoz-Carpena, S. Lambot and M. Vanclooster. 2003. Using inverse methods for estimating soil hydraulic properties from field data as an alternative to direct methods. Agricultural Water Mangement, 59: 77-96. [DOI:10.1016/S0378-3774(02)00160-9]
22. Saxton, K.E., W. Rawls, J.S. Romberger and R.I. Papendick. 1986. Estimating generalized soil-water characteristics from texture 1. Soil Science Society of America Journal, 50(4): 1031-1036. [DOI:10.2136/sssaj1986.03615995005000040039x]
23. Schaap, M.G., F.J. Leij and Van M.T. Genuchten. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Science Society of America Journal, 62(4): 847-855. [DOI:10.2136/sssaj1998.03615995006200040001x]
24. Schaap, M.G., F.J. Leij and Van M.T. Genuchten. 2001. Rosetta: A computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions. Journal of hydrology, 251(3-4): 163-176. [DOI:10.1016/S0022-1694(01)00466-8]
25. Shiri, J., Ö. Kişi, G. Landeras, J.J. López, A.H. Nazemi and L.C. Stuyt. 2012. Daily reference evapotranspiration modeling by using genetic programming approach in the Basque Country (Northern Spain). Journal of Hydrology, 414: 302-316. [DOI:10.1016/j.jhydrol.2011.11.004]
26. Tietje, O. and V. Hennings. 1996. Accuracy of the saturated hydraulic conductivity prediction by pedo-transfer functions compared to the variability within FAO textural classes. Geoderma, 69(1-2): 71-84. [DOI:10.1016/0016-7061(95)00050-X]
27. Tuffour, H.O., A. Abubakari, A.A. Agbeshie, A.A. Khalid, E.N. Tetteh, A. Keshavarzi, and L. Danso. 2019. Pedotransfer Functions for Estimating Saturated Hydraulic Conductivity of Selected Benchmark Soils in Ghana. Asian Soil Research Journal, 1-11. [DOI:10.9734/asrj/2019/v2i230046]
28. Vereecken, H., J. Maes and J. Feyen. 1990. Estimating unsaturated hydraulic conductivity from easily measured soil properties. Soil Science, 149(1): 1-12. [DOI:10.1097/00010694-199001000-00001]
29. Wösten, J.H.M., A. Lilly, A. Nemes, and C. Le Bas. 1999. Development and use of a database of hydraulic properties of European soils. Geoderma, 90(3-4): 169-185. [DOI:10.1016/S0016-7061(98)00132-3]
30. Yassin, M.A., A.A. Alazba and M.A. Mattar. 2016. A new predictive model for furrow irrigation infiltration using gene expression programming. Computers and Electronics in Agriculture, 122: 168-175. [DOI:10.1016/j.compag.2016.01.035]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
