مقایسه‌ نکویی شاخص‌های آماری مختلف برای ارزیابی مدل‌های نفوذ آب به خاک

آب و خاک

مقاله 8، دوره 29، شماره 1، فروردین 1394، صفحه 164-175   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v0i0.27875

نویسندگان

سلمان میرزائی^{* 1}؛ شجاع قربانی دشتکی¹؛ حبیب خداوردیلو²

¹دانشگاه شهرکرد

²دانشگاه ارومیه

چکیده

قابلیت مدل‌ها در شبیه سازی فرایندهای خاک عموماً با مقایسه مقادیر اندازه گیری و برآورد شده سنجیده می‌شود. انتخاب و استفاده از شاخص-های آماری مناسب و تفسیر نتایج برای ارزیابی مدل های نفوذ آب به خاک، چالشی اساسی است، زیرا هر کدام از شاخص ها بر نوع خاصی از خطاها تاکید دارد. هدف از این پژوهش، مقایسه نکویی شاخص های آماری مختلف برای ارزیابی مدل های نفوذ آب به خاک است. بدین منظور، مجموعه داده ای دربرگیرنده 145 نقطه-داده اندازه‌گیری شده از نفوذ آب به خاک‌های مختلف ایران با روش استوانه های مضاعف استفاده شد. پارامترهای مدل ها به روش بهینه سازی حداقل مربعات خطا با استفاده از نرم افزار MatLab 7.7.0 (R2008b) تعیین شد. سپس، قابلیت مدل های نفوذ آب به خاک با شاخص های ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و شاخص کارآیی (NSEI) و فرم‌های اصلاح شده آن (از جمله NSEjI، NSESQRTI، NSElnI و NSEiI) تعیین و نکویی این شاخص‌ها در انتخاب مدل برتر مقایسه شد. نتایج نشان داد که میانگین شاخص RMSE همیشه نمی‌تواند شاخص مناسبی برای ارزیابی مدل‌های نفوذ آب به خاک باشد. شاخص NSEI، NSEjI، NSESQRTI و NSElnI نیز به دلیل حساس بودن به مقادیر بزرگ داده ها نتوانستند تمایز بین مدل ها را در برآورد نفوذ تجمعی آشکار کنند. شاخص NSEiI با وزن دهی بیش‌تر به داده های نفوذ در زمان های کوتاه تر، به عنوان شاخص آماری مناسب برای مقایسه قابلیت مدل ها نفوذ انتخاب شد. به طورکلی، نتایج این پژوهش نشان داد که قابلیت شاخص‌های آماری مختلف برای ارزیابی مدل ها بستگی به میزان تاثیر آن ها از مقادیر داده های نفوذ در سری های متفاوت زمانی است.

کلیدواژه‌ها

خطا؛ قابلیت شاخص های آماری؛ نفوذ آب به خاک

مراجع

1. Facoori T., Emami H., and Ghahraman B. 2011. Effect of different landuse on water infiltration in soil. Journal of water research in agriculture, 25(2): 195-206. (in Persian with English abstract)

2. Gee G.H., and Bauder J.W. 1986. Particle size analysis. In: A. Klute, (ed), Methods of Soil Analysis. Physical Properties. SSSA, Madison, WI.

3. Green W.H., and Ampt C.A. 1911. Studies on soil physics, I. Flow of air and water through soils. Journal of Agriculture Science, 4: 1–24.

4. Ghorbani Dashtaki S., Homaee M., Mahdian M., and Kouchakzadeh M. 2009. Site-dependence performance of infiltration models. Water Resource Management, 23: 2777–2790.

5. Horton R.E. 1940. Approach toward a physical interpretation of infiltration capacity. Soil Science Society American Journal, 5: 339–417.

6. Kostiakov A.V. 1932. On the dynamics of the coefficient of water percolation in soils and on the necessity for studying it from a dynamics point of view for purposes of amelioration. Transactions of the sixth commission of international society of soil science, part A, 15–21.

7. Le Moine N. 2008. Le bassin versant de surface vu par le souterrain: une voied’amelioration des performance et du realisme des modeles pluie–debit? PhD Thesis, Universite Pierre et Marie Curie, Antony, 324.

8. Legates D.R., and McCabe G.J. 1999. Evaluating the use of “goodness-of-fit” measures in hydrologic and hydroclimatic model validation. Water Resources Research, 35(1): 233–241.

9. Legatesa R.A., and McCabe J.G. 2012. Short communication: A refined index of model performance: a rejoinder. International Journal of Climatology, 33(4): 1053-1056.

10. Machiwal D., Madan Kumar J.H.A., and Mal B.C. 2006. Modeling infiltration and quantifying spatial soil variability in a watershed of Kharagpur, India. Biosystems Eng, 95: 569-582.

11. Mezencev V.J. 1948. Theory of formation of the surface runoff. Meteorologiae Hidrologia, 3: 33-40.

12. Mirzaee S., Zolfaghari A.A., Gorji M., Dyck M., and Ghorbani Dashtaki S. 2014. Evaluation of infiltration models with different numbers of fitting parameters in different soil texture classes. Archives of Agronomy and Soil Science, 60(5): 681-693.

13. Moriasi D.N., Arnold J.G., Van Liew M.W., Bingner R.L., Harmel R.D., and Veith T.L. 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Trans. ASABE, 50(3): 885–900.

14. Nash J.E., and Sutcliffe J.V. 1970. River flow forecasting through conceptual models:Part I – a discussion of principles. Joural of Hydrology, 10: 282–290.

15. Neshat A., and Parehkar M. 2007. The comparison of methods for determining the vertical infiltration rate. Journal of Agriculture Science Natural Resource, 14(3): 186-195. (in Persian with English abstract)

16. Oudin L., Andreassian V., Mathevet T., and Perrin C. 2006. Dynamic averaging of rainfall–runoff model simulations from complementary model parameterizations. Water Resource Research, 42 (7): W07410.

17. Parchami Araghi1 F., Mirlatifi2 S.M., Ghorbani Dashtaki S., and Mahdian M.H. 2010. Evaluating some infiltration models under different soil texture classes and land uses. Iranian journal of irrigation and drainage, 2(4): 193-205. (in Persian with English abstract)

18. Philip J.R. 1957. The theory of infiltration: 2. The profile at infinity. Soil Science, 83:435–448.

19. Pushpalatha R., Perrin C., Le Moine N., and Andreassian V. 2012. A review of efficiency criteria suitable for evaluating low-flow simulations. Joural of Hydrology, 420-421: 171–182.

20. Ritter A., and Muñoz-Carpena R. 2013. Performance evaluation of hydrological models: Statistical significance for reducing subjectivity in goodness-of-fit assessments. Joural of Hydrology, 480: 33–45.

21. Shukla K., Lal R., and Unkefer P. 2003. Experimental evaluation of infiltration models for different land use and soil management systems. Soil Science, 168(3): 178-191.

22. Turner E.R. 2006. Comparison of infiltration equations and their field validation with rainfall simulation. MSc. thesis, University of Maryland, USA, 202 pp.

23. US Department of Agriculture, Natural Resources and Conservation Service. 1974. National Engineering Handbook. Section 15. Border Irrigation. National Technical Information Service, Washington, DC, Chapter 4.

24. Willmott C.J., and Matsuura K. 2005. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30: 79–82.