مسعود داوری

هدایت هیدرولیکی اشباع (Ks) یکی از ورودی های مهم در مدل سازی جریان آب و انتقال آلاینده ها در خاک، طراحی سیستم های آبیاری و زهکشی، مدل سازی آب های زیر زمینی و فرایندهای زیست محیطی است. اندازه گیری مستقیم Ks در مزرعه و آزمایشگاه میسّر می باشد؛ لیکن، معمولاً زمان بر، پر هزینه و دشوار بوده و در سطوح بزرگ نیز غیرعملی است. افزون بر این، به دلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازه گیری ها غیرقابل اعتماد هستند. یکی از راه های غلبه بر این مشکل، استفاده از روش های غیرمستقیم همچون توابع انتقالی خاک می باشد. از آنجایی که تاکنون در منطقه مورد مطالعه توابعی انتقالی جهت برآورد Ks پیشنهاد نشده است؛ لذا در این پژوهش با استفاده از شبکه های عصبی مصنوعی و رگرسیون های آماری و بهره گیری از تعدادی محدود یا مجموعه ای وسیع تر از ویژگی های زودیافت خاکی، توابعی انتقالی برای برآورد Ks تبیین و کارآیی آن ها ارزیابی شد. بدین منظور، هدایت هیدرولیکی اشباع 95 نقطه محل از زیرحوزه های آبخیز چرداول - چمشیر در استان ایلام با استفاده از پرمامتر گلف اندازه گیری شد. همچنین برخی از ویژگی های زودیافت خاک این نقاط مطالعاتی نیز تعیین شد. سپس اعتبار توابـع اشـتقاق یافتـه در تعیین Ks، با استفاده از جذر میانگین مربعات خطا (RMSE)، میانگین خطا (ME) و ضریب همبستگی پیرسون (r) ارزیابی شد. با توجه به نتایج، Ks با میانگین هندسی قطر ذارت و مقدار شن دارای بیشترین همبستگی بود (به ترتیب دارای r معادل 0.58 و 0.56). نتایج نشان داد در صورت دسترسی به تعداد کمی از ویژگی های زودیافت خاکی، توابع انتقالی رگرسیونی و شبکه عصبی مصنوعی می توانند Ks را با دقت نسبتاً خوبی پیش بینی کنند (به ترتیب دارای, RMSER-val=6.81 mm/hr, rR-val=0.85 و RMSEANN-test=10.80 mm/hr, rANN-test=0.87). این در حالی است که با توجه به نتایج، در صورت استفاده از ویژگی های زودیافت بیشتر، دقت پیش بینی Ks توسط مدل شبکه عصبی در هر دو مرحله آموزش و آزمون افزایش یافت (RMSEtrain=4.36 mm/hr, rtrain=0.92 و RMSEtest=7.17 mm/hr, rtest=0.89 ). در مجموع نتایج نشان دادند که شبکه های عصبی مصنوعی در مقایسه با مدل های رگرسیونی خطی دارای کارآیی نسبتاً بهتر در تخمین هدایت هیدرولیکی اشباع خاک می باشند.