بررسی تغییرات زمانی رطوبت خاک در نهشته‌های لسی منطقه هزارپیچ گرگان با استفاده از مدل‌ arima

رطوبت خاک بخش مهمی از بیلان آبی را تشکیل داده و تقریباً در همه فرآیندهای هیدرولوژیکی و تبادلات انرژی بین طهوا و خاک موثر است. بنابراین پیش‌بینی آن نقش اساسی در برنامه‌ریزی‌ها، طراحی‌ها و تصمیم‌گیری‌ها دارد. در این تحقیق، اندازه‌گیری رطوبت خاک (هفتگی) در نهشته‌های لسی هزارپیچ گرگان در محدوده‌ای به وسعت تقریبی 27 هکتار در سه محل (دو محل در گندم‌زار و یک محل در مرتع) در40 هفته متوالی در اعماق 20، 40، 60 و 80 سانتیمتر با استفاده از دستگاه tdr انجام شد. مقادیر رطوبت در تمامی اعماق و مکان‌های مورد بررسی دارای روند بوده و بهترین مدل به تمامی آنها با توجه به معیار آکائیک برازش داده شد. نتایج نشان داد مدل (1، 1)ima در کاربری مرتع در عمق 60 سانتیمتری با ضریب همبستگی 0.94 و میانگین خطای مطلق 0.82، در محل شماره یک گندم‌زار در عمق 20 سانتیمتری با ضریب همبستگی 0.87 و میانگین خطای 0.37 و در محل شماره دو گندم‌زار در عمق 20 سانتیمتری با ضریب همبستگی 0.86 و میانگین خطای 0.54 به عنوان بهترین مدل پیش‌بینی انتخاب شد. مدل (1، 1)ima در تمامی موقعیت‌ها بیشترین فراوانی را در اعماق مختلف به خود اختصاص داده است همچنین نتایج نشان داد با توجه به عملیات خاک‌ورزی در کاربری گندم و به تبع آن ایجاد سله در عمق 40 سانتی‌متر، مدل (1، 1) arima به عنوان بهترین مدل پیش‌بینی رطوبت خاک انتخاب شد.

Time Series Analysis of Soil Moisture Content in Loess Deposits of Hezarpich using ARIMA model

Soil moisture content (SMC) as a small part of water balance, nearly considered in all hydrological process and soil and atmosphere tradeoff. Therefor its prediction is useful in planning, designing and decision making. For this, purposeweekly SMC in 40 weeks was measured by Time Domain Reflectometry in 3 different location of wheat and rangeland in Loess deposits (West of Gorgan with 27 ha area) at 20cm intervals down to the 80cm depth. SMC in all considered depths and locations had trend for study period and the best model was selected regards to Akaike information criterion (AIC). The best prediction model in rangeland belongs to 60cm depth (R= 0.96). For all considered depths except 40cm in one location in wheat, Integrated Moving Averages (1,1) was selected as the best model. For the other location in the same land cover, the best prediction model devoted to 20cm depth (R= 0.86). Integrated Moving Averages (1,1) for all study locations had the highest priority. Considering tillage practices in crop land and following plough pan in 40cm depth, Autoregressive Integrated moving Average (1,1) selected as the best model for prediction.