پیش ‏بینی شوری زهاب و خاک در اراضی دیم شبکه زهکشی زیرزمینی ران بهشهر با استفاده از مدل‏ سازی سری زمانی

تصادفی بودن زهکشی اراضی دیم (به‏دلیل وابستگی آن به بارندگی) سبب شده تا بتوان از مفاهیم متغیرهای تصادفی و سری‏های زمانی در مدل‏سازی و پیش‏بینی عملکرد آن‏ها استفاده شود. هدف از این مطالعه بررسی قابلیت مدل‏های سری زمانی در پیش‏بینی شوری زهاب و خاک در اراضی دیم شبکه زهکشی زیرزمینی ران بهشهر بود. در ابتدا، مدل drainmods با استفاده از داده‏های اندازه‏گیری شده واسنجی شد. سپس شوری خاک و زهاب توسط مدل واسنجی شده شبیه‏سازی شد. خروجی‏های شبیه‏سازی شده مدل برای ارزیابی و مقایسه نتایج مدل‏های مختلف سری زمانی از جمله ar، arx، arma و armax مورد استفاده قرار گرفت. نتایج نشان داد که مدل armax با متغیرهای برونزای ارزش روزانه، بارش روزهای قبل و متوسط متغیر مورد نظر در دو روز قبل در برآورد شوری خاک و شوری زهاب کارآمدتر است به‏طوری‏که درصد میانگین مطلق خطای مدل‏سازی برای شوری لایه سطحی خاک (500 سانتی‏متر) 4 درصد، برای شوری لایه زیرین خاک (10050 سانتی‏متر) 4.0 درصد و برای شوری زهاب 5 درصد بود. مقایسه نتایج پیش‏بینی مدل‏های برگزیده سری زمانی با نتایج شبیه‏سازی مدل واسنجی شده drainmods نشان داد کاربرد مدل‏های سری زمانی در پیش‏بینی عملکرد سامانه زهکشی مطلوب و ضریب تعیین برای شوری لایه سطحی و زیرین خاک و شوری زهاب به ترتیب 75.0، 63.0 و 57.0 و ریشه میانگین مربعات خطا نیز برای این متغیرها به ترتیب 6.2412، 8.331 و 6.1724 میلی‏ گرم بر لیتر بود. با توجه به شاخص های ارزیابی، مدل‏ های سری زمانی در پیش‏ بینی شوری خاک و شوری زهاب کارآمد بود.

Prediction of Drainage Water and Soil Salinity in Rainfed Farms of Behshahr Ran Subsurface Drainage Network Using Time-series Modeling

Stochastic drainage of rainfed lands (due to its dependence on rainfall) led to the application of random variables and time series modeling in predicting the performance of drainage systems. The aim of this study was to investigate the potential of timeseries models in predicting drainage water and soil salinity in rainfed farms of subsurface drainage in Ran Behshahr, Iran. First, DrainmodS model was calibrated using measured data. Then, drainage water and soil salinity were simulated via the calibrated DrainmodS model. The simulated outputs were used for evaluation of the results of the timeseries models including AR, ARX, ARMA and ARMAX. The results showed that the ARMAX model with exogenous variables including daily value, precipitation during the previous days and average desired variables in the last two days was efficient in predicting soil and drainage water salinity, so that the absolute mean modeling error for soil surface salinity (050cm), soil subsurface salinity (50100cm) and drainage water salinity was 4%, 0.4% and 5%, respectively. Comparison between the selected timesseries models and the calibrated Drainmod –S model results indicated that the application of timeseries models in predicting the performance of the subsurface drainage system was satisfactory. The coefficients of determination were 0.75, 0.63 and 0.57 for for salinity of soil surface and subsurface layers and drainage water, respectively. The root mean squared errors for these variables were 2412.6, 331.8 and 1724.6 mg/ L, respectively. According to the evaluation indicies, time series models were efficient in predicting soil and drainage water salinity.