Možnosti stanovení nasycené hydraulické vodivosti nepřímými metodami

Bc. Eva Hrúzová

Master's thesis

Determination of saturated hydraulic conductivity by indirect methods

Abstract:

Diplomová práce je zaměřena na problematiku odhadu nasycené hydraulické vodivosti (Ks), jedné z nejdůležitějších hydraulických charakteristik půdy. V literární rešerši jsou popsány nejčastěji používané přímé a nepřímé metody stanovení Ks. Mezi nepřímé metody stanovení Ks patří metody, které její hodnotu odhadují na základě jednodušeji stanovitelných půdních charakteristik neboli prediktorů. Nazývají se pedotransferové funkce (PTF). Mezi základní prediktory patří zrnitostní složení, objemová hmotnost suché půdy, obsah organického uhlíku, případně hydrolimity – polní kapacita a bod vadnutí. V praktické části diplomové práce jsou provedeny odhady Ks pomocí metod využívajících strojového učení – aplikace Araya a Ghezzehei (2019) a metody neuronových sítí v programu Rosetta (Schaap et al. 2001). Aplikace Araya a Ghezzehei (2019) je novým programem pro odhad Ks využívající dva algoritmy: random forest (RF) a boosted regression trees (BRT). Ačkoliv byla tato aplikace vytvořena a otestována pro půdy USA, díky velkému množství dat (více než 18 000 údajů) použitých při jejím vývoji lze předpokládat, že by mohla být použitelná obecně i pro půdy v jiných částech světa. Otestování tohoto předpokladu je předmětem diplomové práce, ve které jsou srovnány výsledky odhadů těchto dvou algoritmů pro tři úrovně prediktorů na celkem 126 vzorcích půd ze 13 lokalit České republiky, pro které byly k dispozici potřebné prediktory a zároveň změřená hodnota Ks. Výsledné odhadnuté Ks jsou statisticky porovnány se změřenými daty a také ve vztahu k odhadům získaným s již zavedenou metodou využívající analýzu neuronových sítí v programu Rosetta. Pro porovnání bylo použito korelačních a krabicových grafů a také koeficientu determinace (R²), střední chyby (ME), a střední kvadratické chyby (RMSE). Vzhledem k heterogenitě půd na testovaných lokalitách, bylo testování provedeno nejen pro jednotlivé lokality, ale i pro seskupené zrnitostní třídy USDA. Všech osm testovaných modelů PTF bylo seřazeno na základě dosažené hodnoty RMSE (pořadí 1-8); hodnota 1 byla přiřazena modelu PTF s nejmenší RMSE označující nejlepší odhad. Kvalita odhadů Ks byla srovnatelná s kvalitou odhadů autorů testovaných PTF i dříve publikovaných prací. Nebylo pozorováno významné zpřesnění při použití metod strojového učení. Jednou z možných příčin by mohlo být značně rozdílné zrnitostní složení půd použitých při testování, oproti půdám obsaženým v tréninkovém souboru, obsahující zrnitostně lehčí půdy. Pro seskupené zrnitostní třídy lehká a lehčí střední zemina (třídy 1 a 2) byly odhady velmi kvalitní.

Abstract:

The diploma thesis is aimed at the estimation of saturated hydraulic conductivity (Ks), one of the most important hydraulic characteristics of soil. The literature review provides overview of the most frequently used methods of direct and indirect determination of Ks. Indirect methods of determining Ks include methods estimating Ks values based on easily measurable and/or available soil data (predictors). The indirect methods translating predictors into the Ks are referred to as pedotransfer functions (PTFs). The basic predictors covers information about the soil texture (attribution to the soil texture class or % of sand, silt and clay particles). Additionally to that, the dry bulk density, the organic carbon content or the hydrolimits such as the field capacity, and the wilting point, can be employed as predictors. The practical part of the diploma thesis presents Ks estimates achieved by machine learning methods: applications of Araya and Ghezzehei (2019) and by neural network methods in the Rosetta program (Schaap et al. 2001). The application of Araya and Ghezzehei (2019) is up to date program for Ks estimates based on two algorithms: random forest (RF) and boosted regression trees (BRT). Although the PTFs were derived and tested for the US soils, the large background soil database consisting of more than 18 000 data sets, leads to an assumption, that it may be applicable for soils of different origin in other parts of the world. The assumption has been tested based on 126 soil samples from 13 localities in the Czech Republic. Estimates of the RF and BRT algorithms for three levels of predictors were compared to the measured Ks data and compared to the Ks estimates obtained by two models of PTFs within the Rosetta computer program. The results were graphically compared by means of correlation graphs and boxplots. The statistical evaluation based on log-transformed Ks data includes calculations of coefficient of determination (R²), mean error (ME), and root mean squared error (RMSE). With regard to the heterogeneity of the soils of the various localities, the quality of the Ks estimates was evaluated in terms of individual localities and also in terms of the grouped USDA soil texture classes. All eight tested PTFs models were ranked based on the achieved RMSE value (1-8); rank 1 was attributed to the PTF model with the smallest RMSE denoting the best estimate. The RMSE values for the Ks estimates were comparable to the RMSE values found in other published studies. Using the machine-learning method did not lead to any significant improvement in Ks estimates. One of the possible reasons could be the different texture composition of the soils used in this study, when soils of medium to fine texture were involved to a greater extent. The high quality Ks estimates were obtained for the course textured soils (grouped USDA soil texture classes 1 and 2).

Keywords

nasycená hydraulická vodivost, odhad, pedotransferové funkce, strojové učení

Keywords

saturated hydraulic conductivity, estimation, pedotransfer functions, machine learning

Language used: Czech

Date on which the thesis was submitted / produced: 14. 4. 2022

Thesis defence

• Supervisor: Ing. Kamila Báťková, Ph.D.

Czech University of Life Sciences Prague

Faculty of Agrobiology, Food and Natural Resources

Master programme:
Conservation and Use of Natural Resources