کاربرد مدل‌سازی سری زمانی در پیش‌بینی شدت تخلیه زهکشی زیرزمینی و نوسانات سطح ایستابی

الموضوعات :

شفیعه وزیرپور ¹ (دانش آموخته کارشناسی ارشد؛ گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران)
فرهاد میرزایی اصل شیرکوهی ² (دانشیار گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران)
حامد ابراهیمیان ³ (استادیار گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران)
حامد رفیعی ⁴ (استادیار گروه اقتصاد کشاورزی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران)

تاريخ الإرسال : 01 الأحد , ذو القعدة, 1436 تاريخ التأكيد : 08 السبت , ربيع الأول, 1437 تاريخ الإصدار : 10 الإثنين , ربيع الأول, 1437

الکلمات المفتاحية: سامانه زهکشی, سطح ایستابی, شدت تخلیه, مدل DRAINMOD, واسنجی,

ملخص المقالة :

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.

المصادر:

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.