Download presentation
Presentation is loading. Please wait.
1
由土壤性質推估水分特性曲線： 以線性、非線性和附加變異方法做比較
由土壤性質推估水分特性曲線： 以線性、非線性和附加變異方法做比較 Kalman Rajkai , Sandor Kabos , M.Th. Van Genuchten 文獻選讀 指導老師：鄭皆達 老師 報告人：吳晟哲
2
Outline 大綱 1. 2. 3. 4. 5. 6. 前言 匈牙利土壤資料庫 土壤水分保持模式 土壤參數轉換公式 模式預測的優點
結果與討論 1. 2. 3. 4. 5. 6.
3
1.Introduction 前言 在許多土壤、水力、生態和農業學中未飽和土壤水力函數是相當重要的參數
可惜的是對大多數研究和管理的應用來說直接量測這些函數是不切實際的，特別是大範圍的問題
4
前言 許多的應用上依賴土壤參數轉換方程式pedotransfer functions (PTFs)去推估水力特性，用較簡單的量測、更快速得到其資料 此篇研究將資料庫分為‘‘evaluation’’ (EVAL)和‘‘test’’ (TEST) 兩部分
5
前言 一般可用三參數 van Genuchten 方程式去推求水分特性曲線
為了增進預測的方法，在EVAL資料庫直接用線性土壤參數轉換公式作替代，之後再利用非線性作更進一步的調整
6
2.The Hungarian soils database 匈牙利的土壤資料庫
匈牙利資料庫中包含了305個土壤樣本 水分保持的資料是利用以下的壓力求得 0.1, 0.25, 1, 3.2, 10, 20, 50, 250 and 1500 kPa. 吊掛水柱體實驗 壓力鍋實驗
7
匈牙利土壤資料庫 顆粒大小分佈 顆粒大小範圍 粒徑分析實驗 鐵扣樣本 乾總體密度 氧化還原法 有機質含量
0.002 , , 0.01 , 0.02 , 0.05 and 0.25 mm 粒徑分析實驗 (0.5N Na2P2O5) 0.25~2 mm 利用溼篩法 鐵扣樣本 乾總體密度 氧化還原法 有機質含量
8
3. Soil-water retention model 土壤水分保持模式
三參數van Genuchten 方程式: Eq.(1) : Θ : 土壤水分含量(m3/m3) h : 土壤水分張力 (cm) θs , α , n : 參數
9
土壤水分保持模式 van Genuchten 方程式利用非線性最小平方估計接近法求值，其結果能跟土壤水分觀測值有著最小誤差
10
4. Pedotransfer function 土壤參數轉換公式
水分特性曲線參數與資料庫的土壤特性有相當的關係 原始特性: 總體密度 ρ ( mg/m3 ) 有機值含量 OM ( % ) 砂土粒徑 S ( > 50 μm ) 坋土粒徑 Si ( μm ) 黏土粒徑 C ( < 2 μm )
11
土壤參數轉換公式 黏土粒徑取log值 ln (C) 砂土與黏土比值 S/Si 原始特性們的平方 (e.g.,ρ2 & C2) 其他結果 ( e.g., (ρC)2 & ρ2C2 )
12
土壤參數轉換公式
13
土壤參數轉換公式 為了讓線性回歸式能更有靈活性，此將8個先前解釋的變數加入土壤轉換方程式 LR8預測模式
他們發現使用水分保持的資料時再加入一影響點(約20kPa ~ 接近田間容水量 field capacity)可得到最佳預測 LR8FC
14
土壤參數轉換公式 為了增進LR8跟LR8FC方法 他們另外實行非線性調整讓適合的係數加入成為一新的回歸式
15
土壤參數轉換公式 相比較 8因子加入 LR8 影響因子加入 LR8FC 線性推估 LR 非線性調整 NLR8 分為Test &Eval部分
收集土壤樣本資料庫 Van Genuchten 求值 求得 水分特性曲線 預測降雨 土壤沖蝕量
16
土壤參數轉換公式
17
土壤參數轉換公式 EVAL跟TEST土壤水分保持曲線資料的平均預測誤差 mean prediction errors (ME) 如下表
Statistical Factors Predictive models Fitted model LR8 LR8FC NLR8 NLR8FC EVAL TEST Residual SSQ 2814 1062 21893 11453 14601 6190 19540 10186 9284 4348 Model DF 675 240 27 30 N 2025 720 1810 ME 0.39 0.40 1.10 1.33 0.90 0.98 1.04 1.25 0.71 0.82 AIC 2016 760 4875 2046 3839 1609 4644 1962 3019 1355 SBC 5085 1859 5026 2170 4004 1746 4796 2085 3184 1492
18
5.Goodness of the model predictions 模式預測的優點
根據Rajkai et al. (1996)，在平均估計誤差跟資料庫的水分保持測量值少於2.5%以下時我們稱這預測結果是‘good’
19
模式預測的優點 在特定張力h時資料庫的平均預測誤差PEh 平均誤差(ME) 在水分保持曲線的計算式 n為保持資料點的數目
SSQ : 平方誤差總合 N : 資料總數 平均誤差(ME) 在水分保持曲線的計算式 n為保持資料點的數目
20
6.Results and discussion 結果與討論
左圖顯示TEST土壤的LR8與LR8FC的估計效率(EE) 介於 53% ~ 78%之間 結果指出 NLR8和NLR8FC 能夠比線性提高 7 ~ 10% 的效益
21
結果與討論 平均水分保持曲線預測誤差 LR8FC模式在TEST資料庫效果不錯，NL能讓結果呈現最佳化
22
結果與討論 在LR8模式利用田間容水量能減少EE大約20%
LR8FC模式中非線性調整提高EVAL土壤的EE到95%， EVAL資料能到88% 非線性的調整能讓EVAL和TEST組別預測模式幾乎與實際測量值一致
23
結果與討論 LR8FC PTF在匈牙利土壤水分特性曲線資料庫中是最好的預測方法 要達到最精細的結果可能還是需要利用傳統統計方法
進來有些神經網絡系統方法也用來計算參數轉換公式
24
報告完畢 敬請指導
Similar presentations
