Concept of soil temperature coefficient for determining spatial distribution of soil temperature, using physiographic parameters of the basin and artificial neutral network (ANN)

• Autorzy: Kruk E. , Malec M. , Klatka S. , Brodzinska-Cygan A.

Warianty tytułu

PL

Koncepcja współczynnika temperatury gleby do wyznaczania rozkładu przestrzennego temperatury gleby z wykorzystaniem parametrów fizjograficznych zlewni i sztucznych sieci neuronowych (SSN)

• Języki publikacji: EN

Abstrakty

EN

The paper presents the concept of soil temperature coefficient, as a ratio of soil temperature in the given point on the area of a basin and soil temperature in the basal point located within the watershed. For modelling the distribution of the soil temperature coefficient depending on selected soil and physiographic parameters, artificial neural networks (ANN) were used. ANN were taught based on empirical data, which covered measurements of soil temperature in 126 points, in the layer of soil at the depth of 0–10 cm, within the area of the Mątny stream basin located in the Gorce mountain range of West Carpathians. The area size of the basin amounts to 1.47 km2. Temperature was measured by means of a TDR device. The soil and physiographic parameters included: slopes, flow direction, clay content, height above sea level, exposition, slope shape, placement on the slope, land-use, and hydrologic group. Parameters were generated using DEM of 5m spatial resolution and soil maps, using the ArcGIS program. The MLP 10-8-1 model proved to be the best fitted neural network, with 8 neurons in the hidden layer. The quality parameters were satisfactory. For the learning set, the quality parameter amounted to 0.805; for the testing set, 0.894; and for the validating set, 0.820. Global sensitivity analysis facilitated the assessment of percentage shares, contributing to the soil temperature ratio. Land use (25.0%) and exposition (20.5%) had the highest impact on of the aforementioned ratio, while the placement on the slope and flow direction had the lowest impact.

PL

W pracy zaprezentowano koncepcję współczynnika temperatury gleby, jako ilorazu temperatury gleby w danym punkcie w zlewni i temperatury w punkcie bazowym zlokalizowanym na wododziale. Do modelowania rozkładu współczynnika temperatury gleby w zależności od wybranych parametrów fizjograficznych i glebowych wykorzystano sztuczne sieci neuronowe (SSN). SSN została nauczona w oparciu o dane empiryczne, obejmujące pomiary temperatury gleby, w warstwie 0–10 cm w 126 punktach, na terenie zlewni potoku Mątny zlokalizowanej w Gorcach, w Karpatach Zachodnich. Powierzchnia zlewni wynosi 1,47 km2 . Temperatura była mierzona za pomocą urządzenia typu TDR. Parametry glebowe i fizjograficzne objęły: kierunek spływu, zawartość iłu, wysokość n.p.m., ekspozycję, kształt stoku, położenie na stoku, użytkowanie terenu i grupę hydrologiczną gleby. Parametry zostały wygenerowane przy użyciu NMT o rozdzielczości 5 m i mapy glebowo-rolnicze, przy użyciu programu ArcGIS. Najlepiej dopasowanym modelem sztucznych sieci neuronowych okazał się m1odel MLP 10-8-1, z 8 neuronami w warstwie ukrytej. Parametry jakości dopasowania sieci były satysfakcjonujące. Parametr jakości dla zbioru uczącego wyniósł 0,805, dla testowego 0,894 i dla walidacyjnego 0,820. Globalna analiza wrażliwości sieci pozwoliła na ocenę procentowego udziału poszczególnych parametrów wyjaśnianiu kształtowania się wartości współczynnika temperatury gleby. Największy wpływ miały: użytkowanie terenu (25,0%) i ekspozycja (20,5%), a najmniejszy położenie na stoku oraz kierunek spływu wody.

Słowa kluczowe

EN

soil temperature; temperature coefficient; spatial distribution; physiographic parameter; catchment; artificial neural network

• Wydawca: -
• Czasopismo: Acta Scientiarum Polonorum. Formatio Circumiectus
• Rocznik: 2018
• Tom: 17
• Numer: 2
• Opis fizyczny: p.95-103,fig.,ref.

Twórcy

autor

Kruk E.

• Department of Land Reclamation and Environmental Development, Agriculture University of Krakow, al.Mickiewicza 24/28, 30-059 Krakow, Poland

autor

Malec M.

• Department of Land Reclamation and Environmental Development, Agriculture University of Krakow, al.Mickiewicza 24/28, 30-059 Krakow, Poland

autor

Klatka S.

• Department of Land Reclamation and Environmental Development, Agriculture University of Krakow, al.Mickiewicza 24/28, 30-059 Krakow, Poland

autor

Brodzinska-Cygan A.

• Agriculture University of Krakow, al.Mickiewicza 24/28, 30-059 Krakow, Poland

Bibliografia

• Boroń, K., Klatka, S., Ryczek, M., Liszka, P. (2016). Kształtowanie się właściwości fizycznych, fizykochemicznych i wodnych rekultywowanego i niezrekultywowanego osadnika byłych Krakowskich Zakładów Sodowych „Solvay”. Acta Sci. Pol., Formatio Circumiectus, 15(3), 35–43.
• Bryś, K. (2004). Wieloletnia zmienność termiki gleby we Wrocławiu-Swojcu i jej radiacyjne i cyrkulacyjne uwarunkowania. Acta Agrophysica, 3(2), 209–219.
• Bryś, K. (2008). Wieloletni wpływ pokrywy roślinnej na termikę gleby. Acta Agrophysica, 12(1), 39–53.
• Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y., Wilby, R.L. (2006). Flood estimation at ungauged sites using artificial neural networks. J. Hydrol., 319, 391–409
• Dutta, B., Grant, B.B., Congreves, A., Smith, W.N., Wagner-Riddle, C., Vander-Zaag, A.C., Tenuta, M., Desjardins, R.L. (2018). Characterising effects of management practises, snow cover, and soil texture on soil temperature: Model development in DNDC. Science Direct, 168, 54–72.
• Halecki, W., Młyński, D., Ryczek, M., Radecki-Pawlik, A. (2017). The Application of Artificial Neural Network (ANN) to Assessment of Soil Salinity and Temperature Variability in Agricultural Areas of a Mountain Catchment. Polish J. Environ. Stud., 26(6), 1–10.
• Halecki, W., Kruk, E., Ryczek, M. (2018a). Evaluation of soil erosion in the Mątny stream catchment in the West Carpathians using the G2 model. Catena, 16, 116–124.
• Halecki, W., Kruk, E., Ryczek, M. (2018b). Influence of various use scenarios on soil loss in the Mątny stream catchment in the Gorce, West Carpathians region. Land Use Policy, 73, 363–372.
• Halecki, W., Kruk, E., Ryczek, M. (2018c). Estimations of nitrate nitrogen, total phosphorus flux and suspended sediment concentration (SSC) as indicators of surface-erosion processes using an ANN (Artificial Neural Network) based on geomorphological parameters in mountainous catchments. Ecological Indicators, 91, 461–469.
• Klatka, S., Malec, M., Ryczek M., Boroń K. (2015). Wpływ działalności eksploatacyjnej Kopalni Węgla Kamiennego „Ruch Borynia” na gospodarkę wodną wybranych gleb obszaru górniczego. Acta Sci. Pol., Formatio Circumiectus, 14(1), 115–125.
• Kondracki, J. (2009). Geografia regionalna Polski. Wydawnictwo Naukowe PWN, Warszawa.
• Kruk, E. (2016). Zastosowanie technik GIS w ocenie zagrożenia erozją wodną na przykładzie zlewni potoku Mątny w Beskidzie Wyspowym. Praca doktorska. Uniwersytet Rolniczy w Krakowie (unpublished).
• Kunkel, V., Wells, T., Hanckoock, G.R. (2016). Soil temperature dynamics at the catchment scale. Geoderma, 273, 32–44.
• Malec, M., Klatka, S., Ryczek, M. (2015). Wpływ antropopresji na dynamikę wzrostu warstwy akrotelmowej na torfowisku wysokim Baligłówka w Kotlinie OrawskoNowotarskiej. Acta Sci. Pol., Formatio Circumiectus, 14(1), 149–161.
• Merdun, H., Çınar, Ö., Meral, R., Apan, M. (2006). Comparison of articial neural networks and regression pedotransfer functions for predictions of soil water retention and saturated hydraulic conductivity. Soil & Tillage Research, 90, 108–116.
• Minasny, B., McBratney, A.B., Bristow, K. (1999). Comparison of different approaches to the development of pedotransfer functions for water-retention curves. Geoderma, 93, 225–253.
• Nash, J.E., Sutcliffe, J.V. (1970). River flow forecasting through conceptual models. Part I. A discussion of principles. J. Hydrol., 10, 282–290.
• Oleksynowa, K., Tokaj, J., Jakubiec, J. (1993). Przewodnik do ćwiczeń z Gleboznawstwa i Geologii. Część II: Metody laboratoryjne analizy gleby. Akademia Rolnicza, Kraków.
• Patil, N., Singh, S.K. (2016). Pedotransfer functions for estimating soil hydraulic properties. A review. Pedosphere, 26(4), 417–430.
• Rahnana, M.B., Barani, G.A. (2005). Application of rainfall-runoff models to Zard river catchment. American J. Environm. Sci., 1(1), 86–89.
• Ryczek, M. (2011). Prognozowanie natężenia transportu rumowiska unoszonego w małych ciekach górskich Karpat Zachodnich z wykorzystaniem parametrów fizjograficznych zlewni. Zesz. Nauk. UR Kraków, 477, Rozprawy, 354.
• Scriboon, W., Tuntiwaranuruk, U., Sanoamuang, N. (2017). Hourly soil temperature and moisture content variations within a concrete pipe container for planting lime trees in Eastern Thailand. Case Studies in Thermal Engineering, 10, 192–198.
• Svetlitchnyi, A.A., Plotnitskiy, S.V., Stepovaya, O.Y. (2003). Spatial distribution of soil moisture content within catchments and its modeling on the basis of topographic data. J. Hydrol., 277. 50–60.
• Turski, R., Słowińska-Jurkiewicz, A., Hetman, J. (1984). Zarys gleboznawstwa. PWN, Warszawa.
• USDA (2002). National Soil Survey Hand-book, title 430-VI, US Department of Agriculture, Natural Resources Conservation Service.
• Wang, G., Zhang, Y., Yu, N. (2012). Prediction of soil water retention and available water of sandy soils using pedotransfer functions. Procedia Engineering, 37, 40–53.
• Wilson, D.J., Gallant, J.C. (2000). Digital terrain analysis. [In:] D.J. Wilson, J.C. Gallant (eds.). Terrain Analysis: Principles and Applications. John Willey & Sons, INC, New York, 1–27.
• Zawadzki S. 1999. Gleboznawstwo. PWRiL, Warszawa.

Identyfikatory

DOI

10.15576/ASP.FC/2018.17.2.95