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

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 119r از 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 8.2/92 تا 7.2/93 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  0.02 و 16.8 بدست آمد.

Comparison performance of two models DRAINMOD and Artificial Neural Network (ANN) for the forecast of water table

AbstractFarm 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 R911 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.