استخراج معادلات بهینه فرسایش خاک در آبیاری جویچه‌ای با استفاده از بهینه‌سازی پارتو و برنامه‌ریزی بیان چندژنی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ولی‌عصر (عج) رفسنجان، ایران

2 استادیار گروه مهندسی آب، دانشگاه ولیعصر (عج) رفسنجان، ایران

چکیده

هدررفت خاک از جمله پارامترهای مهم در طراحی و بهربرداری بهینه در سیستمهای آبیاری جویچه‌ای است. طراحی آبیاری جویچه‌ای اغلب براساس مفاهیم هیدولیکی انجام می‌شود و به دلیل فقدان معادلات مناسب تخمین مقدار هدررفت خاک زراعی، شستشوی مواد غذایی و کودی امکان برآورد و کمی سازی ندارد. از طرف دیگر اندازه‌گیری آن نیز پرهزینه، دشوار و زمان‌بر می‌باشد. هدف از تحقیق حاضر استفاده از قابلیتهای محاسبات هوشمند در استخراج معادلات فرسایش خاک در آبیاری جویچه‌ای به روش بهینه‌سازی پارتو و برنامه‌ریزی بیان چندژنی است. بدین منظور یک پایگاه اطلاعاتی از اندازه‌گیری‌های صحرایی مقدار فرسایش خاک در آبیاری جویچه‌ای گردآوری شده است و برنامه‌ریزی بیان چندژنی توامان با بهینه‌سازی پارتو و پیش پردازشگر حداکثر عدم‌تشابه بین الگوهای آموزش و آزمایش، برای استخراج معادلات بهینه استفاده شده است. تعداد 14 مدل با ترکیب ورودی‌های مختلف توسعه یافت و بهترین رابطه در این زمینه ارائه گردید. ارزیابی نتایج شبیه‌سازی‌های صورت گرفته براساس معیارهای آماری R, RMSE, MAE, RAE, NSE بیانگر دقت مطلوب روش پیشنهادی در شناسائی متغیرهای موثر و استخراج فرم صریح معادلات فرسایش خاک در آبیاری جویچه‌ای است و قابلیت کاربرد در مباحث طراحی و بهره‌برداری آبیاری جویچه‌ای را دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Derivation of optimal equations for soil erosion in furrow irrigation using Multi-Gene Genetic Programming based on Pareto Optimal solution (POMGGP)

نویسندگان [English]

  • hossien riahi madvar 1
  • Fatemeh Soroush 2
1 Assistant Professor, Department of Water Engineering, Vali-e-Asr University, Rafsanjan, Iran.
2 Assistant Professor, Department of Water Engineering, Vali-e-Asr University, Rafsanjan, Iran
چکیده [English]

Soil loss is one of most important parameters in design and operation of furrow irrigation systems. Design of furrow irrigation systems is often done based on hydraulic concepts. Because of the loss of predictive equations for soil loss, fertilizer runoff, these losses cannot be estimated quantitatively. On the other hand its measuring is expensive, time consuming and difficult. The main aim of this study is to using the ability of intolerance calculation in derivation of soil loss equations for furrow irrigation by using multi Genetic Programming based on Pareto Optimal solution (POMGGP). So, a database of field measurements of soil erosion in furrow irrigation is collected and multi Genetic Programming in combined with Pareto Optimal solution and preprocessing of maximum dissimilarity for train and test sets is used. Fourteen different models for soil loss are developed and the best equation is derived. The results based on statistical indices of R, RMSE, MAE, RAE and NSE has shown that the POMGGP has the ability in finding optimum equation and parameters for furrow irrigation soil loss estimation and can be used in design and operation of furrow irrigation systems.

کلیدواژه‌ها [English]

  • multi Genetic Programming
  • Pareto optimal solution
  • Soil erosion
  • Furrow irrigation
  • SMMD algorithm
اخوان، س.، افشار، سروش، ف. 1394. اثر کاربرد پلی‌آکریل‌آمید بر میزان فرسایش خاک در آبیاری جویچه‌ای و جویچه‌اییک در میان. نشریه آبیاری و زهکشی ایران، 9. 1: 152-162.

عراقی, علیرضا, موسوی بایگی, محمد. (1396). برآورد دمای خاک با استفاده از مدل‌های‌ ترکیبی بر پایه تبدیل موجک گسسته. نشریه آبیاری و زهکشی ایران, 11(5), 876-887.

فرودی خور, علی, صانعی, مجتبی, اژدری مقدم, مهدی. (1396). مقایسه سامانه استنتاج فازی- عصبی تطبیقی (ANFIS)وسامانه ماشین بردار پشتیبان(SVM) در تخمین میزان ضریب دبی سرریزهای لبه‌تیز. نشریه آبیاری و زهکشی ایران, 11(5), 772-784.

پوررضا بیلندی, محسن, خاشعی سیوکی, عباس. (1394). تحلیل عدم قطعیت خروجی شبکه عصبی در شبیه‌سازی هدایت هیدرولیکی اشباع خاک. نشریه آبیاری و زهکشی ایران, 9(4), 655-664.

خلیلی نفت چالی،آ.، خاشعی سیوکی،ع.، شهیدی، ع.. (1396). مقایسه مدل های KNNو درخت تصمیم M5 در پیش بینی تبخیر و مقایسه آن با مدل های تجربی (مطالعه موردی بیرجند). نشریه آبیاری و زهکشی ایران, 11(3), 356-366.

روشنگر، ک.، اعملی، م. ت.، ثاقبیان، س. م. 1397. پیش‌بینی ضریب زبری مانینگ در کانال‌های روباز با فرم بستر تلماسه با استفاده از روش الگوریتم تکاملی. نشریه آبیاری و زهکشی ایران، 12. 2: 457-446.

ریاحی‌مدوار، ح.، سیفی، ا. 1395. بررسی عملکرد روش برنامه‌نویسی بیان ژن در طراحی آرایش قطره‌چکان‌های سیستم‌های آبیاری قطره‌ای در مقایسه با معادلات تجربی. نشریه پژوهش‌های حفاظت آب و خاک. 23. 5: 45-23. 

عباسی، ف.، سهراب، ف.، عباسی، ن. 1395. ارزیابی وضعیت راندمان آب آبیاری در ایران. تحقیقات مهندسی سازه‌های آبیاری و زهکشی. 17. 67: 128-113.

ندیری، ع.، طاهرخانی، ز.، صادقی اقدم، ف. 1396. پیش‌بینی سطح آب زیرزمینی دشت بستان آباد با استفاده از ترکیب نظارت شده مدل‌های هوش مصنوعی. تحقیقات منابع آب ایران، 3. 13: 55-43.

Araujo, D. F. 2014. Measurement of furrow irrigation erosion considering soil and water conservation. Unpublished Ph.D. thesis, Agricultural Sciences Center, Federal University of Ceará,(in Portuguese).

Azamathulla, H. M. and Ahmad, Z. 2012. Gene-expression programming for transverse mixing coefficient. Journal of Hydrology. 434-435: 142–148.

Azamathulla, H. Md.,Ghani, A.A., Leow,C.S., Chang, C.K., Zakaria, N.A. 2011. Gene expression programming for the development of a stage-discharge curve ofthe Pahang River, Water Resources Management. 25. 1: 2901–2916.

Bahramifar, A., Shirkhani, R. and Mohammadi, M. 2013. An ANFIS-based approach for predicting the manning roughness coefficient in alluvial channels at the bank-full stage. International Journal of Engineering. 26. 2: 177–186.

Baylar, A.,Unsal, M. andOzkan, F. 2011. GEP modeling of oxygen transfer efficiency prediction in aeration cascades. KSCE Journal of Civil Engineering. 15. 5:799–804.

Bjorneberg, D.L., Kincaid, D.C., Lentz, R.D., Sojka, R.E., and Trout, T.J. 2000. Unique aspects of modeling irrigation-induced soil erosion. International Journal of Sediment Research. 15. 2: 245–252.

Bjorneberg, D.L., Prestwich, C.J. and Evans, R.G. 2007. Evaluating the surface irrigation soil loss (SISL) model. Applied Engineering in Agriculture. 23. 4: 485-491.

Bjorneberg, D.L., Strelkoff, T.S., Clemmens, A.J., and Lee, J. 2010. The current state of predicting furrow irrigation erosion. Proc., 5th Decennial Irrigation Conf., ASABE, St. Joseph, MI.

Bjorneberg, D.L., Trout, T.J., Sojka, R.E., and Aase, J.K. 1999. Evaluating WEPP-predicted infiltration, runoff and soil erosion for furrow irrigation. Transactions of the ASAE. 42. 6: 1733–1742.

Carter, D.L. 1993. Furrow irrigation erosion lowers soil productivity. Journal of Irrigation and Drainage. 119. 6: 964–974.

Chang, C. K., Azamathulla, H. M., Zakaria, N. A., & Ab Ghani, A. (2012). Appraisal of soft computing techniques in prediction of total bed material load in tropical rivers. Journal of earth system science, 121(1), 125-133.https://doi.org/10.1007/s12040-012-0138-1

Chiang, J. L., Tsai, Y. S., 2011. Suspended sediment load estimate using support vector machines in Kaoping river basin. The International Conference on Consumer Electronics, Communications and Networks. pp. 1750–1753.

Mailapalli, D. R., Raghuwanshi, N. S. and Singh, R. 2009. Sediment transport in furrow irrigation. Irrigation Science. 27. 6:449–456.

Ebtehaj, H., Bonakdari, H., Zaji, A. H., Azimi, H. and Sharifi, A. 2015. Gene expression programming to predict the discharge coefficient inrectangular side weirs. Applied Soft Computing. 35: 618-628.

Emamgholizadeh, S. and Karimi-Demneh, R. 2018. The comparison of artificial intelligence models for the estimation of daily suspended sediment load: a case study on Telar and Kasilian Rivers in Iran. Water Science & Technology: Water Supply. https://doi.org/10.2166/ws.2018.062

Fernández-Gomez, R., Mateos, L. and Giráldez, J. V. 2004. Furrow irrigation erosion and management. Irrigation Science. 23. 3: 123–131.

Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems. 13. 2: 87–129.

Ferreira, C. 2002. Gene expression programming in problem solving, in: R. Roy, M.Kppen, S. Ovaska, T. Furuhashi, F. Hoffmann (Eds.), Soft Computing and Industry: Recent Applications, Springer-Verlag.

Ferreira, C. 2006. Gene Expression Programming: Mathematical Modeling by an Artificial Intelligence, 2nd ed. (Rev.), Springer-Verlag, Berlin, NY, USA.

Fitzsimmons, D. W. 1978. Evaluation of measures for controlling sediment and nutrient losses from irrigated areas. Rep. No. EPA-600/2-78-138, U.S. EPA, Washington, DC.

Fornstrom, K. J. and Borrelli, J. 1985. Sediment losses from furrow irrigated croplands in Wyoming. Final Project Rep., Agricultural Engineering Dept., Univ. of Wyoming, Laramie, WY.

Ghani, A.A., Azamathulla, H. Md. 2010.Gene-expression programming for sedimenttransport in sewer pipe systems.Journal of Pipeline Systems Engineering and Practice. 2. 3: 102–106.

Haddadchi, A., Movahedi, N., Vahidi, E., Omid, M. H. andDehghani, A. A. 2013. Evaluation of suspended load transport rate using transport formulas and artificial neural network models (Case study: Chelchay Catchment). Journal of Hydrodynamics, Ser. B. 25. 3: 459–470.

King, B. A., Bjorneberg, D.L., Trout, T.J., Mateos, L., Araujo, D.F., Costa, R.N. 2015. Estimation of furrow irrigation sediment loss using an artificial neural network. Journal of Irrigation and Drainage Engineering. 142(1): 10.1061/(ASCE)IR.1943-4774

Kisi, O., Dailr, A.H., Cimen, M. and Shiri, J., 2012. Suspended sediment modeling using genetic programming and soft computing techniques. Journal of Hydrology. 450: 48–58.

Koza, J.R. 1992. Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT, Cambridge, USA.

Mech,S.J., Smith,D.D. 1967. Water erosion under irrigation. In: Hagan RM, HaiseHR, Edminster TW (eds) Irrigation of agricultural lands. Agronomy monograph 11, American Society of Agronomy, Madison, Wis., pp 950–963.

NRCS (Natural Resources Conservation Society). 2000. Idaho NRCS Agronomy Technical Note No. 32, Rev. 2, June 10, 2000.

O’Donkor, J. 1978. Physical and management factors affecting sediment loss from surface irrigated fields. M.S. thesis, Univ. of Idaho, Moscow, ID.

Partal, T., Cigizoglu, H.K., 2008. Estimation and forecasting of daily suspended sediment data using wavelet-neural networks. Journal of Hydrology. 358:317–331.

RaeisiVanani, H., SoltaniToudeshki, A. R., Shayannejad, M., Ostad Ali Akbari, K., Ramesh, A., Sing, V. P. and Eslamian, S. 2017. Wastewater and magnetized wastewater effects on soil erosion in furrow irrigation. International Journal of Research Studies in Agricultural Sciences, 3(8): 1-14.

Roushangar, K., Mehrabani, F.V. and Shiri, J. 2014. Modeling river total bed material load discharge using artificial intelligence approaches (based on conceptual inputs). Journal of Hydrology. 514. 6:114–122.

Roushangar, K., Vojoudi-Mehrabani, F. and Shiri, J. 2018. Modeling river total bed material load discharge using artificial intelligence approaches (based on conceptual inputs). Journal of Hydrology. 514: 114- 122.

Riahi-Madvar, H., Ayyoubzadeh, S. A., Khadangi, E., & Ebadzadeh, M. M. (2009). An expert system for predicting longitudinal dispersion coefficient in natural streams by using ANFIS. Expert Systems with Applications, 36(4), 8589-8596. https://doi.org/10.1016/j.eswa.2008.10.043

Riahi-Madvar, H., & Seifi, A. (2018). Uncertainty analysis in bed load transport prediction of gravelbed rivers by ANN and ANFIS. Arabian Journal of Geosciences, 11(21), 688.  https://doi.org/10.1007/s12517-018-3968-6

Seifi, A., & Riahi-Madvar, H. (2018). Improving one-dimensional pollution dispersion modeling in rivers using ANFIS and ANN-based GA optimized models. Environmental Science and Pollution Research, 1-19. https://doi.org/10.1007/s11356-018-3613-7

Strelkoff, T.S., and Bjorneberg, D.L. 2001. Hydraulic modeling of irrigation-induced furrow erosion. In Sustaining the Global Farm, ed. D.E. Stott, R.H. Mohtar, and G.C. Steinhardt, 699-705. Selected papers from the Proceedings of the 10th International Soil Conservation Organization Meeting. May 24-29, 1999.

Trout, T. J., and Neibling, W. H. 1993. Erosion and sedimentation processes on irrigated fields. Journal of Irrigation and Drainage Engineering. 119. 6: 947–963.

USDA NASS (U.S. Department of Agriculture National Agriculture Statistics Service). 2009. Farm and ranch irrigation survey. 2008. Rep. No. AC-07-SS-1, Washington, DC.

Wallace, A. and Terry R.E. 1998. Soil conditioners, soil quality and soil sustainability. Marcel Dekker, New York, NY, pp. 1–41.

Zakaria, N. A., Azamathulla, H. M., Chang, C. K., & Ghani, A. A. (2010). Gene expression programming for total bed material load estimation—a case study. Science of the total environment, 408(21), 5078-5085.https://doi.org/10.1016/j.scitotenv.2010.07.048