کاربرد مدل‌سازی سری زمانی در پیش بینی نفوذ در بافت‌های مختلف خاک

آب و خاک

مقاله 3، دوره 30، شماره 1 - شماره پیاپی 45، فروردین 1395، صفحه 41-51   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v30i1.37153

نویسندگان

شفیعه وزیرپور آرانی^* ؛ حامد ابراهیمیان؛ حامد رفیعی؛ فرهاد میرزایی اصل شیرکوهی

دانشگاه تهران

چکیده

نفوذپذیری یکی از پارامترهای مهم و تاثیر‌گذار در آبیاری است. به همین دلیل اندازه‌گیری و برآورد نفوذ اهمیت ویژه‌ای دارد. تحلیل سری‌زمانی یک روش کارآمد و ساده برای پیش‌بینی است، که در علوم مختلف به صورت گسترده استفاده شده است. در این مطالعه قابلیت سری‌زمانی در برآورد میزان نفوذ تجمعی در بافت‌های مختلف خاک بررسی شد. برای این منظور از داده‌های آزمایش نفوذسنج استوانه‌ای متحدالمرکز در دشت لالی خوزستان به مدت 60 و 120 دقیقه (با فواصل زمانی پیشنهادی برای این آزمایش) استفاده و پیش‌بینی تا انتهای آزمایش نفوذ انجام شد. همچنین در این تحقیق با استفاده از ضرایب پیشنهادی معادله کوستیاکوف-لوئیس توسط سازمان NRCS، داده‌‌های نفوذ تجمعی به مدت 24 ساعت برای مدل‌سازی سری زمانی برای شش بافت مختلف خاک استفاده شد. نتایج نشان داد که مدل‌های سری زمانی ARX(p,x) و ARMAX(p,q,x) با درجات متفاوت 1، 2، 3 در خاک‌های مختلف سبک، متوسط و سنگین میزان نفوذ تجمعی را برای طول مدت آزمایش نفوذ به خوبی پیش‌بینی کرد. همچنین نتایج استفاده از نفوذ تجمعی به مدت 24 ساعت نشان داد که خطای استاندارد برای تخمین نفوذپذیری خاک از 2 تا 21 درصد برای بافت های مختلف خاک متغیر بود. تقریباً همبستگی کاملی بین داده‌های تخمینی و واقعی حاصل شد. همچنین با استفاده از مدل‌سازی سری زمانی امکان کاهش مدت زمان آزمایش نفوذسنج استوانه‌ای از چهار ساعت به یک ساعت در خاک‌های مختلف وجود دارد که منجر به کاهش هزینه‌‌های اندازه‌گیری نفوذپذیری می‌گردد.

کلیدواژه‌ها

آزمایش استوانه مضاعف؛ سری زمانی؛ معادله کوستیاکوف-لوئیس؛ همبستگی

مراجع

1- Argyrokastritis I., and Kerkides P. 2003. A note to the variable sorptivity infiltration equation. Water Resour Manage, 17: 133-145.

2- ASTM. 2003. D3385-03 Standard test method for infiltration rate of soils in field using double-ring infiltrometer. 2-Annual Book of ASTM Standards 04,08. American Society for Testing and Materials, West Conshohocken, PA.

3- Box G.E.P. , and Jenkins G.M. 1976. Time Series Analysis: Forecasting and Control. Holden-Day, San Francisco.

4- Dickey D.A., and Fuller W.A. 1979. Distribution of the Estimators for Autoregressive Time Series with a Unit Root. the American Statistical Association, 74 (366): 427–431.

5- Gujarati D. N. 1999. Basic econometrics. New York Graw Hill International Edition, 838.

6- Horton R.E. 1940. Approach towards a physical interpretation of infiltration capacity. Soil Science. Society of . America Proceedings, 5: 399-417.

7- Haykin S. 1994. Neural Networks: a Comprehensive Foundation. Macmillan. New York, 340.

8- Kostiakov A.N. 1932. On the dynamics of the coefficient of water percolation in soils and the necessity for studying it from a dynamic point o view for purpose of amelioration. Trans. Int. Congr. Soil Science, (A): 17-21.

9- Loaiciga H.A., and Huang A. 2007. Ponding analysis with Green-Ampt infiltration. Hydrologic Engineering, 12(1):109-112.

10- Machiwal D., Jha M.K., and Mal B.C. 2006. Modelling Infiltration and quantifying Spatial Soil Variability in a Wasteland of Kharagpur, India. Biosystems Engineering, 95(4): 569-582.

11- Mohammadi M.H., and Refahi. H. 2005. Estimating parameters of infiltration equations using soil physical properties. Agricultural Science Iran, 36(6): 1391-1398. (in Persian with English abstract)

12- Nahvinia M.J., Liaghat A., Parsinejad. M. 2010. Prediction of Depth of Infiltration in Furrow Irrigation Using Tentative and Statistical Models. Water and Soil, 24 (4): 769-780. (in Persian with English abstract)

13- Nasseri A., Neyshabori M.R., and Fakheri fard A. 2013. Time series analysis of furrow infiltration. Irrigation. and Drainage, 62: 640-648.

14- Niromand H.A., and Bozorgnia, A. (translators), 1993. Introduction for Time Series Analysis, C. Chetfil, Published by Mashhad Ferdowsi University, 290 pp. 16.

15- Philips P.C.B., Perron P. 1988. Testing for unit root in time series regression. Journal of Biometrika, 75: 335-346.

16- Pulido-Calvo I., Rolda´n J., Lo´pez-Luque R., Gutie´rrez-Estrada J.C. 2003. Demand Forecasting for Irrigation Water Distribution Systems. Irrigation and Drainage Engineering, 129(6): 422-431.

17- Sadorsky P. 2006. Modeling and forecasting petroleum futures volatility, Energy Economics, 28: 467-488.

18- Schwankl L., Raghuwanshi N., Wallender W. 2000. Time series modeling for prediction spatially variable infiltration. Irrigation and Drainage Engineering, 126: 283-287.

19- Sy N.L. 2006. Modelling the infiltration process with a multi-layer perceptron artificial neural network. Hydrological Sciences, 51(1): 3-20.

20- Tisu P., Guitjens J., 1986. Predicting EC for drainage water management. Irrigation and Drainage Engineering, 112: 274-281.

21- Turner E.R. 2006. Comparison of infiltration equations and their field validation with rainfall simulation. M.Sc. Thesis, University of Maryland, USA, 202.

22- Unkown. 2001. Instructions of soil infiltration rate measurement using double ring. Iran Planning and Budget Organization, Publication No. 243. (in Persian)

23- Unkown. 2003. Infiltration report in Lali plain. Soil and Water Consulting Engineers. No. 25-6. (in Persian)

24- Walker W. R. 1998. SIRMOD – Surface Irrigation Modeling Software. Utah State University.

25- Weiler M. 2005. An infiltration model based on flow variability in macropores: development, sensitivity analysis and applications. Hydrology. 310: 294-315.

26- Zoua P., Yanga J., Fub J., Liu G., Li D. 2010. Artificial neural network and time series models for predicting soil salt and water content. Agricultural Water Management, 97: 2009– 2019.