تعداد نشریات | 27 |
تعداد شمارهها | 364 |
تعداد مقالات | 3,222 |
تعداد مشاهده مقاله | 4,739,785 |
تعداد دریافت فایل اصل مقاله | 3,237,661 |
ارزیابی عدمقطعیت پارامترهای هیدرولیکی مدل HYDRUS با استفاده از روش DREAM | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 1، دوره 3، شماره 4، 1402، صفحه 1-15 اصل مقاله (1.59 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2022.11659.1152 | ||
نویسندگان | ||
سمانه اطمینان* 1؛ وحیدرضا جلالی2؛ مجید محمودآبادی3؛ عباس خاشعی سیوکی4؛ محسن پوررضا بیلندی5 | ||
1دانشجوی دکتری/ گروه علوم خاک، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
2دانشیار/ گروه مهندسی طبیعت، دانشکده کشاورزی شیروان، دانشگاه بجنورد، بجنورد، ایران | ||
3استاد/ گروه علوم خاک، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
4استاد/ گروه مهندسی آب، دانشگاه بیرجند، بیرجند، ایران | ||
5دانشیار/ گروه مهندسی آب، دانشگاه بیرجند، بیرجند، ایران | ||
چکیده | ||
دقت و کارایی مدلهای تحلیلی و عددی در توصیف جریان آب در خاک، در محیطهای غیراشباع متأثر از عدمقطعیت دادههای ورودی، ساختار مدل و پارامترهای هیدرولیکی مورد نیاز مدل است. الگوریتم DREAM یکی از روشهای تطبیقی نمونهبرداری زنجیرة مارکف است که بهدلیل جستجو در فضای وسیع و حل مدلهای پیچیده با تعداد زیاد متغیر، بهعنوان یک روش مؤثر در کاربرد مدلهای آب-خاک شناخته شده است. هدف اصلی این پژوهش، مطالعة نقش روش مدیریتی و شرایط محیطی حاکم در میزان عدمقطعیت پارامترهای هیدرولیکی و ساختار مدل در برآورد جریان آب در خاک تحت روش آبیاری سنترپیوت در یک مزرعه چهارساله یونجه است. از اینرو، مدل HYDRUS به الگوریتم DREAM ارتباط داده شد تا میزان عدمقطعیت ساختار مدل و پارامترهای هیدرولیکی بر پایه دادههای رطوبتی اندازهگیریشده با TDR بررسی شود. ارزیابی توزیع پسین پارامترها در امتداد یک پروفیل غیرهمگن خاک، نشاندهنده عدمقطعیت بالای پارامتر هدایت هیدرولیکی اشباع خاک نسبت به پارامترهای α، و n بود. روند تغییرات مقدار شاخصهایp-factor و d-factor برای لایه سطحی 6/83 و 13/0 و برای لایة زیرین 10 و 0.14 بهترتیب بیانگر افزایش عدمقطعیت پارامترها و ساختار مدل HYDRUS در برآورد جریان آب در خاک تحت روش آبیاری سنترپیوت در امتداد پروفیل خاک است. همچنین مقدار دو شاخص S و T برای لایه سطحی برابر با 0.3 و 0.76 و در لایه زیرین بهترتیب برابر با 0.88 و 1.4 حاصل شد که نشاندهنده کاهش عملکرد مدل که متأثر از عدمقطعیت ساختار مدل در برآورد رطوبت خاک تحت شرایط حاکم است. بنابراین، میتوان بیان نمود که نتایج حاصل از چهار شاخص ارزیابی نشاندهنده اثر عدمقطعیت پارامترهای هیدرولیکی خاک و ساختار مدل در برآورد رطوبت خاک که متأثر از روش آبیاری، شرایط محیطی و مفاهیم ریاضی فیزیکی بهکار رفته در مدل HYDRUS است. همچنین بیانگر اثر عدمقطعیت در کاهش کارایی مدل HYDRUS در امتداد پروفیل خاک است. بنابراین، میتوان ذکر نمود که الگوریتم DREAM بر پایه زنجیره مارکف، یک روش کارآمد در مطالعه میزان تأثیرگذاری روشهای مدیریتی و شرایط مختلف آزمایشگاهی در ارزیابی عدمقطعیت دادههای ورودی مدل، پارامترهای هیدرولیکی خاک، ساختار مدل و میزان تأثیرگذاری آنها در عملکرد مدلهای هیدرولیکی است. | ||
کلیدواژهها | ||
آبیاری سنترپیوت؛ الگوریتم بهینهساز؛ الگوریتم DREAM؛ مدل هیدرولیکی | ||
مراجع | ||
References
Abbaspour, K.C., Schulin, R., & Van Genuchten, M.T. (2001). Estimating unsaturated soil hydraulic parameters using ant colony optimization. Advances in Water Resources, 24(8), 827-841. doi:10.1016/S0309-1708(01)00018-5 Abedini, E., Mousavi Bayegi, M., Khashei Siuki, A., & Selahvarzi, Y. (2022). Investigating the Trend of extreme Temperature Events Based on the Fifth IPCC Report (Case Study: South Khorasan Province). Journal of Climate Research, 1400(48), 1-22. Alam, M.S., Barbour, S.L., & Huang, M. (2020). Characterizing uncertainty in the hydraulic parameters of oil sands mine reclamation covers and its influence on water balance predictions. Hydrology and Earth System Sciences, 24(2), 735-759. Brunetti, G., Šimůnek, J., Bogena, H., Baatz, R., Huisman, J.A., Dahlke, H., & Vereecken, H. (2019). On the information content of cosmic‐ray neutron data in the inverse estimation of soil hydraulic properties. Vadose Zone Journal, 18(1), 1-24. doi:10.2136/vzj2018.06.0123 Brunetti, G., Porti, M., & Piro, P. (2018). Multi-level numerical and statistical analysis of the hygrothermal behavior of a non-vegetated green roof in a mediterranean climate. Applied Energy, 221, 204-219. doi:10.1016/j.apenergy.2018.03.190 Blasone, R.S. (2007). Parameter estimation and uncertainty assessment in hydrological modelling. Ph.D. Thesis, Technical University of Denmark, Denmark. Brown, J.D., & Heuvelink, G. (2006). Assessing uncertainty propagation through physically based models of soil water flow and solute transport. Encyclopedia of hydrological sciences. doi:10.1002/0470848944.hsa081 Chen, S., Mao, X., Barry, D.A., & Yang, J. (2019). Model of crop growth, water flow, and solute transport in layered soil. Agricultural Water Management, 221, 160-174. doi:10.1016/j.agwat.2019.04.031 Chen, G., Jiao, L., & Li, X. (2016). Sensitivity analysis and identification of parameters to the Van Genuchten equation. Journal of Chemistry. doi:10.1155/2016/9879537 Houska, T., Multsch, S., Kraft, P., Frede, H.G., & Breuer, L. (2014). Monte Carlo-based calibration and uncertainty analysis of a coupled plant growth and hydrological model. Biogeosciences, 11(7), 2069-2082. doi: 10.5194/bg-11-2069-2014 Kisekka, I., Migliaccio, K.W., Muñoz-Carpena, R., Schaffer, B., & Khare, Y. (2015). Modelling soil water dynamics considering measurement uncertainty. Hydrological Processes, 29(5), 692-711. doi:10.1002/hyp.10173 Li, X., Yang, P., Shi, H., Ren, S., Li, Y., Li, P., & Wang, C. (2013). The effect of transpiration uncertainty on root zone soil water by Bayesian analysis. Mathematical and Computer Modelling, 58(3-4), 691-700. doi:10.1016/j.mcm.2011.10.030 Liao, K., Xu, S., Wu, J., & Zhu, Q. (2014). Uncertainty analysis for large-scale prediction of the van Genuchten soil-water retention parameters with pedotransfer functions. Soil Research, 52(5), 431-442. doi:10.1071/SR13230 Loosvelt, L., Pauwels, V.R., Cornelis, W.M., De Lannoy, G.J., & Verhoest, N.E. (2011). Impact of soil hydraulic parameter uncertainty on soil moisture modeling. Water Resources Research, 47(3), 34-50. doi:10.1029/2010WR009204 Lu, L., Jun, X., Chong-Yu, X., Jianjing, C., & Rui, W. (2009). Analysis of the sources of equifinality in hydrological models using GLUE methodology. IAHS publication, 331,130-145. Mannschatz, T., Wolf, T., & Hülsmann, S. (2016). Nexus Tools Platform: Web-based comparison of modelling tools for analysis of water-soil-waste nexus. Environmental Modelling & Software, 76, 137-153. doi:10.1016/j.envsoft.2015.10.031 Mualem, Y. (1976). A new model for predicting the hydraulic conductivity of unsaturated porous media. Water resources research, 12(3), 513-522. doi:10.1029/WR012i003p00513 Pan, Y., Zeng, X., Xu, H., Sun, Y., Wang, D., & Wu, J. (2020). Assessing human health risk of groundwater DNAPL contamination by quantifying the model structure uncertainty. Journal of Hydrology, 584, 124690. doi:10.1016/j.jhydrol.2020.124690 Salahou, M.K., Chen, X., Zhang, Y., Jiao, X., & Lü, H. (2022). Inverse Modelling to Estimate Soil Hydraulic Properties at the Field Scale. Mathematical Problems in Engineering, 2022. doi:10.1155/2022/4544446 Shafiei, M., Ghahraman, B., Saghafian, B., Davary, K., Pande, S., & Vazifedoust, M. (2014). Uncertainty assessment of the agro-hydrological SWAP model application at field scale: A case study in a dry region. Agricultural Water Management, 146, 324-334. doi:10.1016/j.agwat.2014.09.008 Skaggs, T.H., Suarez, D.L., & Goldberg, S. (2013). Effects of soil hydraulic and transport parameter uncertainty on predictions of solute transport in large lysimeters. Vadose Zone Journal, 12(1), 1-12. doi:10.2136/vzj2012.0143 Steenpass, C., Vanderborght, J., Herbst, M., Šimůnek, J., & Vereecken, H. (2010). Estimating soil hydraulic properties from infrared measurements of soil surface temperatures and TDR data. Vadose zone journal, 9(4), 910-924. doi:10.2136/vzj2009.0176 Tu, T., Ercan, A., & Kavvas, M.L. (2019). One-dimensional solute transport in open channel flow from a stochastic systematic perspective. Stochastic Environmental Research and Risk Assessment, 33(7), 1403-1418. doi:10.1007/s00477-019-01699-7 Vrugt, J.A., Ter Braak, C.J.F., Diks, C.G.H., Robinson, B.A., Hyman, J.M., & Higdon, D. (2009). Accelerating Markov Chain Monte Carlo simulationusing self-adaptative differential evolution withrandomized subspace sampling. International Journal of Nonlinear Sciences and NumericalSimulation, 10, 273-290. doi:10.1515/IJNSNS.2009.10.3.273 Vrugt, J.A., & Ter Braak, C.J. (2011). DREAM (D): an adaptive Markov Chain Monte Carlo simulation algorithm to solve discrete, noncontinuous, and combinatorial posterior parameter estimation problems. Hydrology and Earth System Sciences, 15(12), 3701-3713. doi:10.5194/hess-15-3701-2011 Wainwright, J., & Mulligan, M. (2013). Environmental modelling: finding simplicity in complexity. John Wiley & Sons. Xiong, L., Wan, M.I.N., Wei, X., & O'connor, K.M. (2009). Indices for assessing the prediction bounds of hydrological models and application by generalised likelihood uncertainty estimation/Indices pour évaluer les bornes de prévision de modèles hydrologiques ET mise en œuvre pour une estimation d'incertitude par vraisemblance généralisée. Hydrological sciences journal, 54(5), 852-871. doi:10.1623/hysj.54.5.852 Yan, Y., Liu, J., Zhang, J., Li, X., & Zhao, Y. (2017). Quantifying soil hydraulic properties and their uncertainties by modified GLUE method. International Agrophysics, 31(3), 433-445.doi:10.1515/intag-2016-0056 | ||
آمار تعداد مشاهده مقاله: 587 تعداد دریافت فایل اصل مقاله: 712 |