آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 631 |
| تعداد مقالات | 6,584 |
| تعداد مشاهده مقاله | 8,927,077 |
| تعداد دریافت فایل اصل مقاله | 8,457,310 |
مدل‌سازی تصادفی بار رسوب با استفاده از جنگل تصادفی و رگرسیون چندک | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 5، دوره 24، شماره 4، مهر 1396، صفحه 103-122 اصل مقاله (1.37 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2017.12600.2732 | ||
| نویسندگان | ||
| سید مرتضی سیدیان* 1؛ حامد روحانی2؛ ابولحسن فتح آبادی3؛ مهسا جوادی علینژاد4 | ||
| 1هیات علمی | ||
| 2دانشگاه گنبد | ||
| 3استادیار- دانشگاه گنبد | ||
| 4دانشجوی کارشناسی ارشد دانشگاه گنبد کاووس | ||
| چکیده | ||
| سابقه و هدف: ارزیابی بار معلق رسوبی رودخانه‌ها بسیار مهم است. کیفیت آب رودخانه‌ها و محیط‌زیست تحت تأثیر بار رسوب می‌باشد. همچنین طراحی سازه‌های هیدرولیکی و سایر تأسیسات آبرسانی، مدیریت حوزه آبخیز و اجرای برنامه‌های حفاظت خاک و مشکلات عمده‌ی دیگر ناشی از آورد رسوب رودخانه‌ها به تخمین صحیح بار رسوب وابسته است. از آنجایی که برآورد مستقیم بار رسوبی بسیار دشوار و وقت‌گیر است، لذا این امر سبب شد محققان به برآورد غیرمستقیم بار رسوبی که به روش‌های گوناگون امکان‌پذیر است روی آورند. یکی از راه‌های آسان برآورد غیرمستقیم بار رسوبی، منحنی سنجه رسوب است. این روش تنها می‌تواند معرف یک مقدار رسوب در یک دبی معین باشد و به علت عوامل مختلفی در طبیعت ممکن است چندین مقدار بار رسوبی برای یک دبی مشخص وجود داشته باشد. بر این اساس در پژوهش حاضر از روش‌های رگرسیون چندک و جنگل تصادفی که بتوانند مقدار بار رسوب را برای یک مقدار دبی معین در احتمالات مختلف تخمین بزنند استفاده شد. با به کار گیری این دو روش می‌توان احتمال وقوع بار رسوب در رویدادهای استثایی و سیلاب‌های عظیم را تحلیل کرد. مواد و روش‌ها: در این پژوهش از مدل‌های منحنی سنجه رسوب، رگرسیون چندک و جنگل تصادفی به منظور برآورد بار رسوب چهار ایستگاه جنگلده، نوده، ارازکوسه و قزاقلی واقع در رودخانه‌ی گرگانرود در استان گلستان استفاده گردید. به این منظور داده‌های دبی- رسوب متناظر چهار ایستگاه مورد مطالعه به دو بخش 75% برای آموزش و 25% برای آزمون تفکیک شدند. در روش منحنی سنجه، مقدار رسوب با استفاده از معادله‌ی توانی برازش داده شده بین دبی و رسوب متناظر، حاصل گردید. الگوریتم‌های رگرسیون چندک و جنگل تصادفی با استفاده از نرم‌افزار آماری R اجرا گردیدند. مقدار بهینه پارامترهای متغیر این دو روش با استفاده از آزمون و خطا تعیین شد. با اجرای مدل، مقدار رسوب مربوط به یک دبی در سطوح احتمال مختلف (1% تا 99%) محاسبه شد. یافته‌ها: با به کارگیری این دو روش، بار رسوبی در چندک‌های 5/2، 50 و 5/97% تعیین و دامنه عدم قطعیت در هر ایستگاه مشخص شد. روش جنگل تصادفی در ایستگاه‌های جنگلده و نوده با مقدار RMSE به ترتیب برابر 96 و 210 تن بر روز و رگرسیون چندک در ایستگاه‌های ارازکوسه و قزاقلی با مقدار RMSE به ترتیب 6453 و 24886 تن بر روز به عنوان بهترین روش برآورد بار رسوبی انتخاب شدند. مقدار معیار ارزیابی RMSE رسوب برآورد شده توسط منحنی سنجه رسوب کلاسیک در ایستگاه‌های جنگلده، نوده، ارازکوسه و قزاقلی به ترتیب برابر 199، 288، 7505 و 25811 تن بر روز به دست آمد. نتیجه‌گیری: نتایج نشان داد منحنی سنجه رسوب کلاسیک علاوه بر اینکه قادر به برآورد بار رسوبی در دامنه‌ی عدم قطعیت‌های مختلف برای یک مقدار دبی معین نیست، بار رسوبی را نیز با مقدار خطای بیشتری برآورد می‌کند. با استفاده از روش‌های رگرسیون چندک و جنگل تصادفی برای یک دبی معین مقدار رسوب در احتمالات مختلف قابل پیش‌بینی است و این امر کمک زیادی به برنامه‌ریزی صحیح و جامع برای ساخت سازه‌های آبی می‌کند و از این طریق، خطرات تخریب این تأسیسات را که ناشی از سیلاب‌های عظیم می‌باشد کاهش می‌دهد. | ||
| کلیدواژه‌ها | ||
| منحنی سنجه رسوب؛ رگرسیون چندک؛ جنگل تصادفی؛ رودخانه‌ی گرگانرود | ||
| مراجع | ||
|
1.Abbasi, F. 2013. Principles of Flow in Surface Irrigation. Iranian National Committee on Irrigation and Drainage (IRNCID), Tehran, 232p. (In Persian) 2.Bautista, E., and Wallender, W.W. 1985. Spatial variability of infiltration in furrows. Transactions of the American Society of Agricultural Engineers. 28: 6. 1846-1851. 3.Cai, H., Xu, J., Wang, J., Chen, X., Zhu, D., and Xie, F. 2016. Yearly variation of soil infiltration parameters in irrigated field based on WinSRFR4.1. Transactions of the Chinese Society of Agricultural Engineering. 32: 2. 92-98. 4.Childs, J.L., Wallender, W.W., and Hopmans, J.W. 1993. Spatial and seasonal variation of furrow infiltration. J. Irrig. Drain. Engin. 119: 1. 74-90. 5.Elliot, R.L., and Walker, W.R. 1982. Field evaluation of furrow infiltration and advance functions. Transactions of the American Society of Agricultural Engineers. 25: 2. 396-400. 6.Emdad, M.R. 2009. Determination of seasonal variation of infiltration and its effects on irrigation management in forage maize. 10th National Seminar on Irrigation and Evapotranspiration, Shahid Bahonar University of Kerman, Kerman, Iran. (In Persian) 7.Fonteh, M.F., and Podmore, T. 1994. Application of geostatistics to characterize spatial variability of infiltration in furrow irrigation. Agricultural Water Management. 25: 2. 153-165. 8.Gates, T.K., and Clyma, W. 1984. Designing furrow irrigation systems for improved seasonal performance. Transactions of the American Society of Agricultural Engineers. 27: 6. 1817-1824. 9.Hillel, D. 1998. Environmental Soil Physics: Fundamentals, applications and environmental considerations. Academic Press. San Diego, CA. 10.Holzapfel, E.A., Jara, J., Zuñiga, C., Mariño, M.A., Paredes, J., and Billib, M. 2004. Infiltration parameters for furrow irrigation. Agricultural Water Management. 68: 1. 19-32. 11.Karmeli, D., Salazar, L.J., and Walker, W.R. 1978. Assessing the spatial variability of irrigation water applications. Environmental Protection Technology Series EPA (USA). no. 600/2-78-041. 12.Linderman, C.L., and Stegman, E.C. 1971. Seasonal variation of hydraulic parameters and their influence upon surface irrigation application efficiency. Transactions of the American Society of Agricultural Engineers. 14: 5. 914-918. 13.Nahvinia, M.J., Liaghat, A., and Parsinejad, M. 2010. Prediction of depth of infiltration in furrow irrigation using tentative and statistical models. J. Water Soil. 24: 4. 769-780. (In Persian) 14.Rezaeepour, S., Ghobadi Nia, M., and Tabatabaei, S.H. 2012. Evaluation of the input parameters variations on the infiltration coefficients in surface irrigation system. P 1-12. 3rd National Conference on Comprehensive Water Resources Management, 10-11 Sep. 2012. Sari Agricultural Sciences and Natural Resources University, Sari, Iran. (In Persian) 15.Shafique, M.S., and Skogerboe, G.V. 1983. Impact of seasonal infiltration function variation on furrow irrigation performance. P 292-301. Proceedings of National Conference on Advances in Infiltration, Transactions of the ASAE, St. Joseph, MI, USA. 16.Sharma, M.L., Gander, G.A., and Hunt, C.G. 1980. Spatial variability of infiltration in a watershed. J. Hydrol. 45: 1. 101-122. 17.Starr, J.L. 1990. Spatial and temporal variation of ponded infiltration. Soil Sci. Soc. Amer. J. 54: 3. 629-636. 18.Tabatabaei, S.H., Fardad, H., Neyshabory, M.R., and Liaghat, A. 2006. Simulation model for seasonal variation of Kostiakov-Louise infiltration equation in two different farm managements in cracking soil. J. Water Soil Sci. (Science and Technology of Agriculture and Natural Resources). 10: 1. 55-69. (in Persian) 19.Taleby Kalan, Y., Mohammadi, M.H., and Karimi, S. 2016. The effect of land use on water infiltration characteristics in some soils of Ardabil and Zanjan province. J. Soil Manage. Sust. Prod. 6: 1. 109-126. (In Persian) 20.Uloma, A.R., Samuel, A.C., and Kingsley, I.K. 2014. Estimation of Kostiakov’s infiltration model parameters of some sandy loam soils of Ikwuano-Umuahia, Nigeria. Open Transactions on Geosciences. 1: 1. 34-38. 21.Valiantzas, J.D., Aggelides, S., and Sassalou, A. 2001. Furrow infiltration estimation from time to a single advance point. Agricultural Water Management. 52: 1. 17-32. 22.Ziaii, G., Abbasi, F., Babazadeh, H., and Kaveh, F. 2016. Evaluation of temporal variation of soil water infiltration coefficients in furrow irrigation. Iran. J. Soil Water Res. (IJSWR). 47: 2. 229-236. (In Persian) | ||
|
آمار تعداد مشاهده مقاله: 935 تعداد دریافت فایل اصل مقاله: 1,425 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب