مقایسه عملکرد دو مدل DRAINMOD و شبکه عصبی مصنوعی در پیش‌بینی سطح ایستابی (مطالعه موردی: مزارع کشت و صنعت نیشکر دعبل خزاعی)

محورهای موضوعی : آب و محیط زیست

عاطفه صیادی شهرکی ¹ , عبدعلی ناصری ² , امیر سلطانی محمدی ³

1 - دکترای آبیاری زهکشی، دانشگاه شهید چمران اهواز. اهواز، ایران. *(مسوول مکاتبات)
2 - استاد گروه آبیاری و زهکشی، دانشگاه شهید چمران اهواز، اهواز، ایران.
3 - دانشیار گروه آبیاری و زهکشی، دانشگاه شهید چمران اهواز، اهواز، ایران.

تاریخ دریافت : 1395/04/07 تاریخ پذیرش : 1395/09/03 تاریخ انتشار : 1398/01/01

کلید واژه: پیزومتر, خوزستان, زهکشی, شبیه‌سازی, متلب, ‌مدل,

چکیده مقاله :

آزمایش های مزرعه ای به منظور شناخت شرایط موجود سامانه‌های زهکشی مفید هستند، اما محدودیت های قابل توجهی نیز دارند. از جمله این که، این آزمایش‌ها را نمی‌توان برای پیش بینی استفاده کرد. کاربرد مدل‌های شبیه‌سازی این محدودیت‌ها را تا حدود زیادی برطرف می‌کند. اما قبل از کاربرد چنین مدل‌هایی، درستی نتایج بدست آمده از آن‌ها باید با نتایج آزمایش های مزرعه ای مقایسه گردد. در این پژوهش از مدل شبکه عصبی مصنوعی (ANN) و مدل DRAINMOD برای پیش‌بینی سطح ایستابی استفاده شد. بدین منظور مزرعه 11-9Rاز مزارع نیشکر دعبل خزاعی انتخاب و پارامترهای ورودی مدل‌ها شامل نوسانات سطح ایستابی، حجم آب آبیاری، دبی زهکش‌ها، داده‌های اقلیمی منطقه، خصوصیات فیزیکی خاک و پارامترهای سیستم زهکشی از تاریخ 2/8/92 تا 2/7/93 برداشت گردید. نتایج نشان داد که بالاترین دقت در پیش بینی سطح ایستابی مربوط به مدل شبکه عصبی مصنوعی می‌باشد. به طوری‌که مقدار RMSE بین مقادیر اندازه گیری شده و شبیه سازی شده با مدل‌ شبکه عصبی مصنوعی و مدل DRAINMOD به ترتیب برابر 02/0 و 8/16 بدست آمد.

چکیده انگلیسی:

Abstract Farm experiments are useful in knowing the drainage systems but they have considerable limitations including the inability to use them as prediction tools. Application of simulation models can cover these deficiencies but it is necessary to use the field data to evaluate the accuracy of the model. In this study, Artificial Neural Networks (ANN) and model DRAINMOD are used to predict water table. For this purpose, field R9-11 of the Debal Khazaei sugarcane plantation is selectedand Input parameters of the models, including fluctuations in water table, the volume of irrigation water, drainage flow, Climatic data, Soil physical properties and Drainage system parameters were measured from November 2013 to October 2014. The results have showed that the artificial neural network method has a highest accuracy in predicting water table. So that the average RMSE between measured and simulation with Artificial Neural Networks and DRAINMOD obtained 0.02 and 16.8 respectively.

منابع و مأخذ:

1. 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.


2. Wahba, M., Christen, E., 2006. Modeling subsurface drainage for salt load management in southeastern Australia. Irrig Drain Syst, vol. 20, pp. 267-282.


3. Workman, S.R., Skaggs, R.W., 1989. Comparison of two drainage simulation models using field data. Trans. ASAE, vol. 32, pp. 1933-1938.


4. Ghadampour, Z., Rakhshandehroo Gh., 2010. Using artificial neural network to forecast groundwater depth in union country Well. World Academy of Science, Engineering and Technology.


5. Alipour, Z., Akhund Ali, A., Radmanesh, F., 2014. Comparison of three methods of ANN, ANFIS and Time Series Models to predict ground water level: (Case study: North Mahyar plain), Academy for Environment and Life Sciences, India, vol. 3, pp.128-134.


6. Ioannis N, D., Paulin, C., Ioannis K, T. 2005. Groundwater level and forecasting using artificial neural networks. Hydrology, vol. 309, pp. 229–240.


7. عمارتی م ر. 1393. بررسی روش‌های پیش بینی بار و قیمت در بازارهای تجدید ساختار شده برق و ارائه روش هوشمند ترکیبی جدید. دانشگاه تحصیلات تکمیلی و فناوری پیشرفته. کرمان. پایان نامه کارشناسی ارشد.
   
   
   1. Lallahem S, Mania J, Hani A., Najjar Y., 2005. On the use of neural networks to evaluate. groundwater levels in fracturedmedia. Hydrology, vol. 307, pp. 92–111.
   
   
   2. Coppola, E, Rana, AJ, Poulton, M., Szidarovszky, F., Uhi, VWو. 2005. Aneural networks model for predicting aquifer water level elevation. Ground Water, vol. 43, pp. 231-241.
   
   
   3. رحیمی قباق تپه م. 1379. ارزیابی مدل DRAINMOD و بررسی تاثیر منطقه غیر اشباع خاک بر نوسانات سطح ایستابی در شرایط نیمه خشک خوزستان. دانشگاه شهید چمران . اهواز. پایان نامه کارشناسی ارشد آبیاری و زهکشی.
   
   
   4. آذرنوش، م. 1383. مدلسازی تغییرات سطح ایستابی در خاک با استفاده از مدل DRAINMOD و شبکه عصبی مصنوعی مطالعه موردی: خوزستان. دانشگاه تربیت مدرس. تهران. پایان نامه کارشناسی ارشد آبیاری و زهکشی.