Bafra Ovası Sağ Sahil Topraklarının Sulama Açısından Bazı Fiziksel ve Kimyasal Özelliklerindeki Değişimin Modeller İle Tahmini

Abstract

Bu çalışma Bafra ovası sağ sahilde bulunan yaklaşık 10000 ha'lık bir alanda yürütülmüştür. Çalışma süresi boyunca 5 farklı dönem ve 3 farklı arazi kullanım durumları için (çeltik, sebze ve mera) toprak örneklemesi yapılmıştır. Alınan toprak örneklerinde bazı fiziksel ve kimyasal analizler yapılmıştır. Bunun yanında arazi koşullarında ölçülmesi ve laboratuvarda analizlerle belirlenmesi zaman alıcı ve masraflı olan toprak özelliklerinin tahmin edilmesinde yapay sinir ağları, pedotransfer fonksiyonları ve jeoistatistik yöntemler kullanılmıştır. Yapay sinir ağları, pedotransfer fonksiyonlar ve jeoistatistik yöntemlerin karşılaştırılmasında belirleme katsayısı, tahmin hatasının standart sapması ve ortalama mutlak hata parametreleri kullanılmıştır. Toprak özelliklerinin birbirleri ile olan ilişkilerini ve dönemsel değişimlerini belirlemek için korelasyon analizleri ve bağımlı örneklem t testi uygulanmıştır. Çalışma alanı topraklarının elektriksel iletkenlik değerleri 0.12 dS/m ile 6.31 dS/m arasında değişmiş ve mera alanlarının EC değerleri diğer alanlardan daha yüksek bulunmuştur. Tarımsal üretim yapılan alanlarda tuzluluk sorununun bulunmadığı belirlenmiştir. Çalışma alanı topraklarının ESP değerleri ise % 1.20 ile % 72.76 arasında değişmiştir. Çalışma alanının büyük bölümünde belirli düzeylerde sodiklik sorununun olduğu tespit edilmiştir. Jeoistatistiksel değerlendirme sonucunda uzaysal bağımlılığın yapısal uzaklığı en uzun olan özelliklerin pH ve organik madde (31100 m ile), yapısal uzaklığı en kısa olan özelliğin ise CaCO3 (650 m) olduğu belirlenmiştir. Çalışmada tarla kapasitesi ve solma noktasındaki nem içeriği ile Katyon değişim kapasitesi ve Değişebilir sodyum yüzdesi özelliklerinin tahmini için modeller kurulmuştur. YSA yönteminin toprak özelliklerinin tahmin edilmesinde jeoistatistik yöntemler ve doğrusal regresyon yöntemlerine göre daha doğru sonuç verdiği belirlenmiştir. Çalışmada toprakların fiziksel ve kimyasal özelliklerinin tahmin için oluşturulan modellerin performansları karşılaştırıldığında en iyi sonucu yapay sinir ağları ve bulanık yapay sinir ağları vermiştir. Ayrıca Levenberg-Marquardt algoritması diğer eğitim algoritmalarından daha iyi performans göstermiş ve çeşitli üyelik fonksiyonlarının bulanık sinir ağı yaklaşımının performansında önemli rol oynadığı belirlenmiştir.

This study was carried out on an approximately 10000 hectares area, on the right coastal of the Bafra plain. Soil samples were taken in 5 different sessions and at 3 different land uses (rice, vegetable and pasture) during the study period. Some physical and chemical properties of soils samples were analyzed. In addition, artificial neural networks, pedotransfer functions, and geostatistics were used in estimating soil characteristics, which are time consuming and costly to obtain. Coefficient of determination, root mean squared error, and mean absolute error were used for evaluation of the performance of the methods to predict the variables. Correlation analyzes and paired sample t-tests were applied to determine the relationship between soil properties and their seasonal changes. Electrical conductivity was ranged from 0.12 dS/m to 6.31 dS/m, and was greater in the pasture areas than other land uses. There was no salinity problem in agricultural production areas. Exhengeable sodium percentage was ranged from 1.20% to 72.76% in the study area. Soil sodicity occurred, in some degree, in the majority of the study soils. Longest geostatistical range occurred for pH followed by organic matter content (31100 m) and shortest one ocurred for CaCO3 content (650 m). Models were established for predicting cation exchange capacity, exhengeable sodium percentage, field capacity and wilting point moisture content in the study. When the performances of the models for prediction of the physical and chemical properties of the soil are compared in the study, artificial neural networks and fuzzy artificial neural networks were gave the best results. In addition, the Levenberg-Marquardt algorithm showed better performance than other training algorithms and it was determined that the various membership functions play an important role in the fuzzy neural network approach.