پیش ‏بینی شوری زهاب و خاک در اراضی دیم شبکه زهکشی زیرزمینی ران بهشهر با استفاده از مدل‏ سازی سری زمانی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 فارغ التحصیل کارشناسی ارشد گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران.

2 دانشیار گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران.

3 دانشجوی دکتری گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران.

چکیده

تصادفی بودن زهکشی اراضی دیم (به‏دلیل وابستگی آن به بارندگی) سبب شده تا بتوان از مفاهیم متغیرهای تصادفی و سری‏های زمانی در مدل‏سازی و پیش‏بینی عملکرد آن‏ها استفاده شود. هدف از این مطالعه بررسی قابلیت مدل‏های سری زمانی در پیش‏بینی شوری زهاب و خاک در اراضی دیم شبکه زهکشی زیرزمینی ران بهشهر بود. در ابتدا، مدل Drainmod-S با استفاده از داده‏های اندازه‏گیری شده واسنجی شد. سپس شوری خاک و زهاب توسط مدل واسنجی شده شبیه‏سازی شد. خروجی‏های شبیه‏سازی شده مدل برای ارزیابی و مقایسه نتایج مدل‏های مختلف سری زمانی از جمله AR، ARX، ARMA و ARMAX مورد استفاده قرار گرفت. نتایج نشان داد که مدل ARMAX با متغیرهای برونزای ارزش روزانه، بارش روزهای قبل و متوسط متغیر مورد نظر در دو روز قبل در برآورد شوری خاک و شوری زهاب کارآمدتر است به‏طوری‏که درصد میانگین مطلق خطای مدل‏سازی برای شوری لایه سطحی خاک (50-0 سانتی‏متر) 4 درصد، برای شوری لایه زیرین خاک (100-50 سانتی‏متر) 0/4 درصد و برای شوری زهاب 5 درصد بود. مقایسه نتایج پیش‏بینی مدل‏های برگزیده سری زمانی با نتایج شبیه‏سازی مدل واسنجی شده Drainmod-S نشان داد کاربرد مدل‏های سری زمانی در پیش‏بینی عملکرد سامانه زهکشی مطلوب و ضریب تعیین برای شوری لایه سطحی و زیرین خاک و شوری زهاب به ترتیب 0/75، 0/63 و 0/57 و ریشه میانگین مربعات خطا نیز برای این متغیرها به ترتیب 2412/6، 331/8 و 1724/6 میلی‏ گرم بر لیتر بود. با توجه به شاخص های ارزیابی، مدل‏ های سری زمانی در پیش‏ بینی شوری خاک و شوری زهاب کارآمد بود.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Drainage Water and Soil Salinity in Rainfed Farms of Behshahr Ran Subsurface Drainage Network Using Time-series Modeling

نویسندگان [English]

  • Shafiyeh Vazirpour 1
  • Farhad Mirzaei Shirkohi asl 2
  • Hamed Ebrahimian 2
  • Omid Raja 3
1 Master graduate, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran.
2 Associate Professor, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran.
3 Ph.D. Candidate, Department of Irrigation and Reclamation Engineering, College of Agriculture and Natural Resources, University of Tehran.
چکیده [English]

Stochastic drainage of rainfed lands (due to its dependence on rainfall) led to the application of random variables and time series modeling in predicting the performance of drainage systems. The aim of this study was to investigate the potential of time-series models in predicting drainage water and soil salinity in rainfed farms of subsurface drainage in Ran Behshahr, Iran. First, Drainmod-S model was calibrated using measured data. Then, drainage water and soil salinity were simulated via the calibrated Drainmod-S model. The simulated outputs were used for evaluation of the results of the time-series models including AR, ARX, ARMA and ARMAX. 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 predicting soil and drainage water salinity, so that the absolute mean modeling error for soil surface salinity (0-50cm), soil subsurface salinity (50-100cm) and drainage water salinity was 4%, 0.4% and 5%, respectively. Comparison between the selected times-series models and the calibrated Drainmod –S model results indicated that the application of time-series models in predicting the performance of the subsurface drainage system was satisfactory. The coefficients of determination were 0.75, 0.63 and 0.57 for for salinity of soil surface and subsurface layers and drainage water, respectively. The root mean squared errors for these variables were 2412.6, 331.8 and 1724.6 mg/ L, respectively. According to the evaluation indicies, time series models were efficient in predicting soil and drainage water salinity.

کلیدواژه‌ها [English]

  • Time-series
  • Rainfall
  • Soil salinity
  • Drainage Water
  • Drainmod-S model
ابراهیمیان، ح. 1386. ارزیابی عملکرد سیستم زهکشی زیرزمینی با پوشش پوسته برنج (مطالعه موردی: بهشهر). پایان نامه کارشناسی ارشد، گروه مهندسی آبیاری و آبادانی، دانشگاه تهران.
ابراهیمیان، ح. نظری، ب. و لیاقت، ع. 1389. واسنجی و اعتبار سنجی مدل Drainmod-S در شبیه سازی عملکرد زهکشهای زیرزمینی. اولین همایش ملی آب، مدیریت و فناوری. مهریز.
 آذری، آ.، زینعلی، م. و حیدری، م.م. 1397. پیش‏بینی نوسانات هیدروگراف واحد آبخوان دشت صحنه با استفاده از تحلیل سری‏های زمانی، مجله آبخوان و قنات. ۲(1): ۶۵-۷۶.
پورغلام آمیجی، م.، لیاقت، ع. م.، نازی قمشلو، آ. و خوش روش، م. ۱۳۹۷. ارزیابی مدل Drainmod-S برای شبیه‏سازی نوسانات سطح ایستابی و غلظت نمک در نیم رخ خاک، در اراضی شالیزاری دارای سطح ایستابی کم عمق و شور، مجله آبیاری و زهکشی ایران. 12(6): 1418-1432.
حقی زاده، ع.، یوسفی، ح.، یاراحمدی، ی.، نورمحمدی، پ. و علیجانی، ر. ۱۳۹۶. پیش‏بینی و تحلیل روند پارامترهای کیفی آب رودخانه با استفاده از مدل سری زمانی AEIMA در حوضه آبخیز رودخانه کهمان، مجله اکو هیدرولوژی. 4(1): ۶۵-۷۳.
 حلمی، م.، بختیاری، ب. و  قادری، ک. ۱۳۹۹. مدل‌سازی و پیش‌بینی خشکسالی هواشناسی با استفاده از مدل سری زمانی SARIMA در نمونه‌های اقلیمی مختلف ایران، مجله آبیاری و زهکشی ایران. ۱۴(3): ۱۰۷۹-۱۰۹۰.
دودانگه، ا. عابدی کوپائی، ج. گوهری، س.ع. 1391. کاربرد مدل‏های سری زمانی به منظور تعیین روند پارامترهای اقلیمی در آینده در راستای مدیریت منابع آب. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم خاک. 59: 59-74.
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): 73-61.
نوری، ح. زارع ابیانه، ح. لیاقت، ع. و نوری، ح. 1389. شبیه‏سازی تغییرات سطح ایستابی و غلظت نیترات در اراضی شالیزاری با مدل Drainmod-N. مجله دانش آب و خاک. 20(1): 99-109.
وزیرپور آرانی، ش.، ابراهیمیان، ح.، رفیعی، ح. و میرزایی اصل شیرکوهی، ف. ۱۳۹۵. کاربرد مدل‏سازی سری زمانی در پیش‏بینی نفوذ در بافت‏های مختلف خاک، نشریه آب و خاک. ۳۰(1): ۴۱-۵۱.
Aljoumani, B., Sànchez-Espigares, J., Canameras, N., Josa, R. and Monserrat, J. 2012. Time series outlier andintervention analysis: Irrigation management influences on soil water content in silty loam soil. Agricultural Water Management. 111: 105–114.
Askar, M. H., Youssef, M. A., Chescheir, G. M., Negm, L. M., King, K. W., Hesterberg, D. L. and Skaggs, R. W. 2020. DRAINMOD simulation of macropore flow at subsurface drained agricultural fields: Model modification and field testing. Agricultural Water Management. 242: 106401.
Bierens, H. 1987. ARMAX model specification testing, with an application to unemployment to the Netherlands, Journal of Econometrics. 35: 161-90.
Borin, M. Morari, F. Bonaiti, G. Paasch, M. and Skaggs, R.W. 2000. Analysis of drainmod performances with different detail of soil input data in the Veneto region of italy. Agricultural Water Management. 42 (3): 259–272.
Box, G. E., Jenkins, G. M. and Reinsel, G. C. 2011. Time series analysis: forecasting and control, (Vol. 734).
Brevé, M. A., Skaggs, R.W., Gilliam, J.W., Parsons, J.E., Mohammad, A.T., Chescheir, G. M. and Evans, R.O. 1997. Field testing of Drainmod-N. Transactions of the ASAE. 40.4:1077-1085.
Chelcy, R., Carol, E., Robert, J., Rodney, E. and 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.
Davoodi, K., Darzi‐Naftchali, A. and Aghajani‐Mazandarani, G. 2019. Evaluating Drainmod‐s to predict drainage water salinity and groundwater table depth during winter cropping in heavy‐textured paddy soils. Irrigation and Drainage. 68(3): 559-572.
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.
Du, X., Feng, H., Helmers, M. J. and Qi, Z. 2017. Comparing simulated nitrate‐nitrogen concentration in subsurface drainage using DRAINMOD‐N II and RZWQM2. Irrigation and Drainage. 66(2): 238-251.
Feng, G., Zhang, Z., Lu, P. and Bakour, A. 2018. Simulation of farmland groundwater table depth and soil salinity under drainage systems in tidal areas, laizhou bay of china. Irrigation and Drainage. 67, 105-118.
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.
Hashemi Garmdareh, S. E., Malekian, R., Madani, A. and Gordon, R. 2018. Simulation of Nitrate‐n leaching in no‐till fields with DRAINMOD‐N II in a cold‐humid region. Irrigation and Drainage. 67: 65-72.
Haykin, S. 1994. Neural Networks: A comprehensive foundation. Macmillan. New York, 340.
Kandil, M.H. 1992. Drainmod-S: A water management model for irrigated arid lands. PhD Thesis, North Carolina State University, Raleigh.
Knotters, M. and Bierkens, M.F.P. 2001. Predicting water table depths in space and time using a regionalized time series model. Journal of Geoderma. 103: 51–77.
Liang, H., Qi, Z., Hu, K., Li, B. and Prasher, S. O. 2018. Modelling subsurface drainage and nitrogen losses from artificially drained cropland using coupled DRAINMOD and WHCNS models. Agricultural Water Management. 195: 201-210.
Luo, W. Sands, G.R. Youssef, M. Strock, J.S. Song, I. and Canelon, D. 2010. Modeling the impact of alternative drainage practices in the northern corn-belt with Drainmod-NII. Agricultural Water Management. 97: 389-398.
Nourani, V., Hosseini-Baghanam, A., Adamowski, J. and 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.
Parviz, L. 2020. Comparative evaluation of hybrid SARIMA and machine learning techniques based on time varying and decomposition of precipitation time series, Journal of Agricultural Science and Technology. 22(2): 563-578.
Sadorsky, P. 2006. Modeling and forecasting petroleum futures volatility, Journal of Energy Economics. 28: 467-488.
Singh, R. Helmers, M.J. and Qi, Z. 2006. Calibration and validation of Drainmod to design subsurface drainage systems for Iowa’s tile landscapes. Agricultural Water Management. 85: 221-232.
Singh, S., Bhattarai, R., Negm, L. M., Youssef, M. A. and Pittelkow, C. M. 2020. Evaluation of nitrogen loss reduction strategies using DRAINMOD-DSSAT in east-central Illinois. Agricultural Water Management. 240: 106322.
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. and 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, G. 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. and Kladivko, E.J. 2006. Subsurface drain flow and crop yield predictions for different drain spacings using DRAINMOD. Agricultural Water Management. 79: 113–136.
Wilson, G. L., Mulla, D. J., Galzki, J., Laacouri, A., Vetsch, J. and Sands, G. 2020. Effects of fertilizer timing and variable rate N on nitrate–N losses from a tile drained corn-soybean rotation simulated using DRAINMOD-NII. Precision Agriculture. 21(2): 311-323.
Youssef, M.A., Skaggs, R.W., Chescheir, G.M and Gilliam, J.W. 2006. Field evaluation of a model for predicting nitrogen losses from drained lands. Journal of environmental quality. 35.6: 2026-2042.
Zoua, P. Yanga, J. Fub, J. Liu, G.  and Li, D. 2010. Artificial neural network and time series models for predicting soil salt and water content. Agricultural Water Management. 97: 2009–2019.