A. Haghverdi; K. Mohammadi; S.A. Mohseni Movahed; B. Ghahraman; M. Afshar
Abstract
Abstract
Soil salinity within plant root zone is one of the most important problems that cause reduction in yield in agricultural lands. In this research, salinity in soil profile was simulated in Tabriz irrigation and drainage network using SaltMod and Artificial Neural Networks (ANNs) models. Based ...
Read More
Abstract
Soil salinity within plant root zone is one of the most important problems that cause reduction in yield in agricultural lands. In this research, salinity in soil profile was simulated in Tabriz irrigation and drainage network using SaltMod and Artificial Neural Networks (ANNs) models. Based on initial spatial distribution of salinity in soil profile, studying area was divided to 4 different soil and water groups and for two seasons in one year salinity was predicted. The SaltMod model was calibrated and then was applied to generate 2400 data sets for training ANN models. Some of the input data of SaltMod were used in ANN models including irrigation water depth, evapotranspiration, water table depth, rainfall, and initial soil salinity. Efficiency of genetic algorithm in training phase of ANNs was analyzed. The mean of correlation coefficient (R2) and root mean square error (RMSE) of estimated salinity in all groups was 0.8 and 0.032 respectively. In conclusion ANNs could perform well in simulation of soil salinity and it could be replaced SaltMod with enough accuracy. The results showed that overall performance of ANN models improve by applying genetic algorithm.
Keywords: Tabriz plain, Soil profile salinity, Genetic Algorithm, Artificial Neural Networks, SaltMod
K. Ahmadzadeh Gharah Gwiz; S.M. Mirlatifi; K. Mohammadi
Abstract
چکیده
تبخیر-تعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است. در سال های اخیر استفاده از سیستم های هوشمند برای برآورد پدیده های هیدرولوژی افزایش چشمگیری ...
Read More
چکیده
تبخیر-تعرق یکی از اجزای اصلی چرخه هیدرولوژی و تخمین نیاز آبیاری است. در سال های اخیر استفاده از سیستم های هوشمند برای برآورد پدیده های هیدرولوژی افزایش چشمگیری داشته است. این پژوهش با هدف امکان تخمین تبخیر-تعرق مرجع (ETo) روزانه با استفاده از سیستم های هوش مصنوعی و مقایسه این سیستم ها با هم، به انجام رسید. بدین منظور پتانسیل سیستم استنتاج تطبیقی عصبی-فازی (ANFIS) و شبکه عصبی مصنوعی (ANN) در برآورد تبخیر-تعرق مرجع روزانه مورد بررسی قرار گرفت. از داده های روزانه هواشناسی سه ایستگاه سینوپتیک اصفهان، کرمان و یزد، شامل ساعات آفتابی، دمای هوا، رطوبت نسبی و سرعت باد به عنوان ورودی، و تبخیر-تعرق مرجع روزانه محاسبه شده با روش استاندارد فائو پنمن-مانتیث به عنوان خروجی روش های ANN و ANFIS استفاده شد. ایستگاه های مورد مطالعه بر اساس روش پهنه بندی اقلیمی دین پژوه در اقلیم بسیار خشک دسته بندی شدند. برآوردهای ETo از روش های ANN و ANFIS با مدل های تجربی ماکینک، پرستلی-تیلور، هارگریوز-سامانی، فائو بلانی-کریدل و ریچی مقایسه شد. کارایی روشهای مورد مقایسه، با استفاده از آمارههای ریشه میانگین مجذور خطا (RMSE)، خطای انحراف میانگین (MBE) و ضریب تعیین (R2)، مورد ارزیابی قرار گرفت. روش های ANN و ANFIS توانستند با موفقیت تبخیر-تعرق مرجع روزانه را برآورد کنند. مدل ANFIS85 تنها با سه پارامتر ورودی شامل تشعشع خورشیدی، دمای حداکثر هوا و سرعت باد نسبت به تمامی روشهای تجربی مورد استفاده، از دقت بالاتری برخوردار است. روش فائو بلانی-کریدل نسبت به دیگر روشهای تجربی دارای دقت بالاتری بود.
واژه های کلیدی: ایران، بسیار خشک، تبخیر-تعرق مرجع، سیستم استنتاج تطبیقی عصبی-فازی، مدل های تجربی
N. Ganji Khorramdel; K. Mohammadi; M.J. Monem
Abstract
Abstract
An estimate of the groundwater budget at the aquifer scale is particularly important for the sustainable management of available water resources. Water resources are generally subjected to over-exploitation for agricultural and domestic purposes in agrarian economies like Iran. Using water ...
Read More
Abstract
An estimate of the groundwater budget at the aquifer scale is particularly important for the sustainable management of available water resources. Water resources are generally subjected to over-exploitation for agricultural and domestic purposes in agrarian economies like Iran. Using water table fluctuations in dry and wet seasons of a hydrological year is a reliable method for calculating the water budget. In this method, the existence of a piezometric network with careful monitoring and measurements is essential. The objective of this study was to develop a methodology for optimizing the piezometric network so that the groundwater budget could be estimated accurately. In this method the priority of each well and its effects on estimation of water budget was determined by using geostatistics. Using this analysis an optimal network could be determined. In order to demonstrate the applicability of proposed methodology, the Astane-Koochesfahan aquifer with an area of about 1173 km2 in north of Iran was selected. Fifty seven observation wells were analyzed using geostatistical methods and results showed that spherical variogram model had the best performance. It was recognized that such an optimized network provides far fewer measurement points, i.e. 33 wells, without considerably changing the conclusions regarding groundwater budget.
Key words: Groundwater balance, Guilan, water table monitoring network, Optimization, Geostatistics
