کاربرد مدلسازی سری زمانی در پیش‌بینی شدت تخلیه زهکشی زیرزمینی و نوسانات سطح ایستابی
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاریشفیعه وزیرپور 1 , فرهاد میرزایی اصل شیرکوهی 2 , حامد ابراهیمیان 3 , حامد رفیعی 4
1 - دانش آموخته کارشناسی ارشد؛ گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
2 - دانشیار گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
3 - استادیار گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
4 - استادیار گروه اقتصاد کشاورزی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
کلید واژه: سامانه زهکشی, سطح ایستابی, شدت تخلیه, مدل DRAINMOD, واسنجی,
چکیده مقاله :
ویژگی‌های تصادفی بودن پدیده‌های زهکشی سبب شده تا بتوان از مفاهیم متغیرهای تصادفی و سری‌های زمانی در مدلسازی و پیش‌بینی عملکرد آنها استفاده شود. هدف از پژوهش حاضر بررسی قابلیت مدل‌های سری زمانی در پیش‌بینی عملکرد سامانه زهکشی زیرزمینی شبکه ران بهشهر (که زهکش‌های آن به وسیله باران فعال می‌شوند) بود. در این مطالعه در ابتدا مدل Drainmod واسنجی و سپس متغیرهای شدت تخلیه زهاب و عمق سطح ایستابی توسط مدل واسنجی شده شبیه‌سازی شد. سپس این اطلاعات برای توسعه و ارزیابی مدل‌های مختلف سری زمانی مورد استفاده قرار گرفت. نتایج نشان داد که مدل ARMAXبا متغیرهای برونزای ارزش روزانه، بارش روزهای قبل و متوسط متغیر مورد نظر در دو روز قبل در برآورد شدت تخلیه زهاب و عمق سطح ایستابی کارآمدتر می باشد به طوری که درصد میانگین مطلق خطا برای هر دو متغیر حدوداً هشت درصد بود. مقایسه نتایج پیش‌بینی مدل‌های برگزیده سری زمانی با نتایج شبیه‌سازی مدل واسنجی شده Drainmod نشان داد کاربرد مدل‌های سری زمانی در پیش‌بینی عملکرد سامانه زهکشی مطلوب و ضریب تعیین برای شدت تخلیه زهاب و عمق سطح ایستابی به ترتیب 51/0 و 74/0 و ریشه میانگین مربعات خطا نیز برای این متغیرها به ترتیب 01/0 سانتی‌متر بر روز و 6/8 سانتی‌متر بود.
Stochastic characteristics of the drainage phenomena led to the application of random variables and time series modeling in predicting the performance of these phenomena. The aim of this study was to investigate the potential of time-series models in predicting the performance of a subsurface drainage system. Behshahr Ran subsurface drainage system, which its drains are activated via rainfall, was considered as the study area. In this study, Drainmod model was calibrated for the study area. Then, variables of drainage discharge and water table depth were simulated via the calibrated Drainmod model. This information was used to evaluate the performance of various time-series models. The results showed that the ARMAX model with exogenous variables including daily value, precipitation during the previous days and average desired variables in the last two days was efficient in estimating water table depth and drainage discharge. Mean absolute error for predicting both variables was about 8%. Comparison between the selected times series models and the calibrated Drainmod model results indicated the application of time-series models in predicting the performance of the subsurface drainage system was satisfactory. The coefficients of determination were 0.51 and 0.74 for drainage discharge and water table depth, respectively. The root mean squared error for these variables were 0.01 cm/day and 8.6 cm, respectively.
مختاران، ر.، ناصری، ع.، کشکولی، ح. و برومندنسب، س. 1392. اثر عمق زهکش و لایه محدود کننده بر دبی و شوری زهاب در اراضی فاریاب جنوب خوزستان. نشریه حفاظت منابع آب و خاک، 3 (1): 61-73.
Aljoumani, B., Sànchez-Espigares, J., Canameras, N., Josa, R. and Monserrat, J. 2012. Time series outlier and intervention analysis: Irrigation management influences on soil water content in silty loam soil. Journal of Agricultural Water Management, 111: 105–114.
Bierens, H. 1987. ARMAX Model Specification Testing, With an Application to Unemployment to The Netherlands. Journal of Econometrics, 35: 161-90.
Box, G. E., Jenkins, G. M., and Reinsel, G. C. 2011. Time series analysis: forecasting and control, (Vol. 734). John Wiley & Sons.
Chang, A.C., Skaggs, R.W., Hermsmeier, L.F. and Johnson, W.R. 1983. Evaluation of a water management model for irrigated agriculture. Transactions American Society of Agricultural Engineers, 26(2): 412-418.
Chelcy, R., Carol, E., Robert, J., Rodney, E., Robert, O. 2005. Modeling canopy transpiration using time series analysis A case study illustrating the effect of soil moisture deficit on Pinus taeda. Journal of Agricultural and Forest Meteorology, 130: 163–175.
Dickey, D.A.and Fuller, W. A. 1979. Distribution of the Estimators for Autoregressive Time Series with a Unit Root.Journal of the American Statistical Association, 74 (366): 427–437.
Gemitzi, A.and Stefanopoulos, K. 2011. Evaluation of the effects of climate and man intervention on ground waters and their dependent ecosystems using time series analysis. Journal of Hydrology, 403: 130–140.
Gujarati, D. N. 1999. Basic econometrics. New York Graw Hill International Edition, 838.
Gupta, G.P., Prasher, S.O., Chieng, S.T., Mathur, I.N. 1993. Application of DRAINMOD under semi-arid conditions Agriculture. Journal of Water Management, 24: 63–80.
Haykin, S. 1994. .Neural Networks: a Comprehensive Foundation. Macmillan.New York, 340.
Knotters, M. and Bierkens, M.F.P. 2001. Predicting water table depths in space and time using a regionalised time series model. Journal of Geoderma, 103: 51–77.
Nourani, V., Hosseini-Baghanam, A., Adamowski, J., Gebremichael, M. 2013. Using self-organizing maps and wavelet transforms for space–time pre-processing of satellite precipitation and runoff data in neural network based rainfall–runoff modeling. Journal of Hydrology, 476: 228–243.
Sadorsky, P. 2006. Modeling and forecasting petroleum futures volatility, Journal of Energy Economics, 28: 467-488.
Singh, R., Helmers, M.J., Qi, Z. 2006. Calibration and validation of DRAINMOD to design subsurface drainage systems for Iowa’s tile landscapes. Journal of Agricultural Water Management, 85: 221-232.
Skaggs, R.W. 1978. A water management model for shallow water table soils.Technical Report No. 134 of the Water Resources Research Institute of the University of North Carolina, North Carolina State University, Raleigh, NC.
Skaggs, R.W., Youssef, M.A., Chescheir, G.M. 2012. Drainmod: model use, calibration and validation. Journal of American Society of Agricultural and Biological Engineers ISSN, 55(4): 1509-1522.
Tisu, P. and Guitjens, J. 1986. Predicting EC for drainage water management. Journal of Irrigation and Drainage Engineering, 112: 274-281.
Wahba, M.A. S. El-Ganainny, M. Abdel-Dayem, M. S. Kandil, H. and Atef Gobran.2002. Evaluation of DRAINMOD-S for simulating water table management under semi-arid conditions.Journal of Irrigation and Drainage, 51: 213-216.
Wang, X., Mosley, C.T., Frankenberger, J.R., Kladivko, E.J. 2006. Subsurface drain flow and crop yield predictions for different drain spacings using DRAINMOD. Journal of Agricultural Water Management, 79: 113–136.