ارزیابی پیشبینی دو مدل هدایت هیدرولیکی غیراشباع با در نظرگیری عدم قطعیت پارامترها

هدایت هیدرولیکی غیر اشباع در محیط متخلخل متناسب با مقدار حجمی آب است. به‏دست آوردن منحنی هدایت هیدرولیکی غیراشباع برای مدل‌سازی حرکت آب در خاک الزامی است. تئوری‌ها و مدل‌های متعددی به منظور برآورد هدایت هیدرولیکی غیر اشباع پیشنهاد شده است. اما روش‌های پیشنهاد شده، با وجود بهتر کردن برآورد مدل، نقطه ضعف‌هایی نیز دارند. تحلیل مسیر بحرانی از نظریه نفوذ، با ساده‌سازی مدل هندسه پیچیده محیط متخلخل، سعی در بهبود پیش‏بینی هدایت هیدرولیکی غیراشباع دارد. همچنین، مدل پیترز دورنر ایدن نشان داده است که قابلیت بالایی در پیش‏بینی هدایت هیدرولیکی غیر اشباع دارد. در این پژوهش، هر دو مدل تئوری نفوذ و مدل پیترز دورنر ایدن ارزیابی می‌شوند و همچنین با استفاده از روش مونت کارلو زنجیره مارکوف به بررسی عدم قطعیت موجود در پارامتر‌های شبیه‌سازی پرداخته می‌شود. در این تحقیق، از الگوریتم هیبرید تکاملی مونت کارلو – زنجیره مارکوف استفاده شده که شامل روش‌های متروپولیس تطبیق پذیر، تکامل تفاضلی و به روز رسانی اسنوکر می باشد که بررسی فضای پارامتری را به حداقل تعداد تکرار می‌رساند. نتایج سنجش خطا نشان داد که پیش‏بینی‌های هدایت هیدرولیکی مدل تئوری نفوذ دقیق‌تر می‌باشد و در تمامی موارد به جز یک خاک معیار نش – ساتکلیف بالاتر از 0.9 بود. همچنین، تعداد پارامتر‌های مورد نیاز مدل پیترز دورنر ایدن بیشتر از مدل تئوری نفوذ می‌باشد که منجر به افزایش عدم قطعیت پارامتریک می‌شود. اعمال چند قید، و ثابت فرض نمودن تعدادی از پارامتر‌های مورد نیاز مدل پیترزدورنر ایدن، سبب می‌شود که این روش در تمامی بافت‌های خاک جواب مناسبی نداشته باشد. مقایسه سرعت همگرایی این دو مدل نشان داد که پارامتر‌های مدل مدل پیترزدورنر ایدن در تمامی موارد تقریباً با 300 تکرار به همگرایی می‌رسند و این در حالی است که مدل تئوری نفوذ تغریبا به 2000 تکرار برای رسیدن به همگرایی احتیاج دارد. نتایج، بیانگر این موضوع است که مدل تئوری نفوذ با تعداد پارامتر‌های مورد نیاز کمتر، قادر است تخمین‌های دقیق‌تر و مطمئن‌تری از هدایت هیدرولیکی غیر اشباع و نگهداشت آب داشته باشد.

Evaluating the prediction of two unsaturated hydraulic conductivity models by considering parameters uncertainty

Unsaturated hydraulic conductivity (K(θ)) is proportional to volumetric water content in vadose zone and the obtained K(θ) curve is crucial for modeling the soil water movement. Numerous theories and models have been recently proposed regarding the estimation of K(θ) that despite improving model predictions, each has a disadvantage of its own. The critical path analysis from percolation theory attempts to improve the prediction of K(θ) by simplifying the complex geometry of the porous medium. In addition, the recently developed PetersDurnerIden model (PDI) has shown high potential for prediction of K(θ). In this research, both percolation theory and PDI models are evaluated. Also, by using Monte Carlo Markov chain method, the uncertainty of the simulated parameters is assessed. In this study, the HybridEvolution Monte CarloMarkov chain algorithm has been utilized, that employs adaptive metropolis, differentialevolution, and Snooker update algorithms, which minimizes the number of iterations required to search parametric space. Goodness of fit measures shows higher results for prediction of K(θ) by percolation theory and in every case except for a single soil, the Nash–Sutcliffe criterion was higher than 0.9. In addition, the number of parameters required for the PDI model is more than percolation theory, which leads to an increase in parameter associated uncertainty. It is also discussed that it is possible to reduce the number of parameters required by PDI model by applying several constraints. But this method is not applicable to all soil textures. Comparison of the convergence rate of the two models showed that parameters of PDI model in all cases require close to 300 iterations to converge while, percolation theory requires up to 2000 iterations to converge. Therefore, the results indicate that the percolation theory with fewer number of parameters can provide more accurate and reliable estimates of K(θ) and water retention.