تعیین منحنی رطوبتی از طریق اندازه گیری های مستقیم با توجه به عملیات صحرایی و آزمایشگاهی مربوطه بسیار پر هزینه، وقتگیر و مشکل است. بهمین دلیل محققین بدنبال مدل هایی هستند که بتوانند میزان رطوبت را از طریق برخی خصوصیات خاک که دسترسی به آنها آسانتر است تخمین بزنند. از طرفی نقص عمده در همه این مدل های پیشین تعداد ورودی های فراوان و پیچیدگی آن ها می باشد. در این راستا پژوهشی با هدف رفع این نقیصه جهت تخمین منحنی رطوبتی از خصوصیات سهل الوصول خاک با استفاده از مدل رگرسیونی تک متغیره انجام شد. برای این منظور 50 نمونه خاک از 12 کلاس بافتی از پایگاه داده UNSODA گزینش شد و همبستگی بین پارامترهای مجهول مدلهای رطوبتی ون گنوختن و بروکس و کوری با خصوصیات سهل الوصول خاک (درصد شن، ماسه و رس، وزن مخصوص ظاهری) مورد بررسی قرار گرفت. این روابط به کمک مدل عصبی Rosetta در نرم افزار RETC و با استفاده از برازش رگرسیونی حاصل شدند. با استفاده از دو مدل رطوبتی ون گنوختن و بروکس و کوری و روابط تعیین شده برای پارامترهای آن ها، مدل رطوبتی تک متغیره برای پیش بینی منحنی رطوبتی به دست آمد. برای صحت سنجی این مدل ها، 12 نمونه خاک از کلاس های بافتی مختلف که در تهیه تابع استفاده نشده نیز مورد استفاده قرار گرفت و منحنی های رطوبتی حاصل از مقادیر واقعی، مدل ارائه شده و شبکه عصبی از دو مدل رطوبتی مقایسه شدند. نتایج حاصل نشان داد که مدل رگرسیونی حاصل از ون گنوختن نسبت به مدل رگرسیونی به دست آمده از بروکس و کوری برای داده های آزمایشی از قابلیت برازش بالاتری برخوردار هستند. همچنین این مدل ها در مقایسه با مدل شبکه عصبی RETC و سایر مدل های پیشنهادی نتایجی نزدیک به واقعیت را ارائه می دهند.

کلمات کلیدی