مدل‌سازی رگرسیونی هدایت هیدرولیکی اشباع خاک با استفاده از پارامترهای زودیافت خاک

مستخرج از پایان نامه

علوم و تکنولوژی محیط زیست، دوره بیست و پنجم، شماره چهار، تیر ماه 1402(67-77)

مدل‌سازی رگرسیونی هدایت هیدرولیکی اشباع خاک با استفاده از پارامترهای زودیافت خاک

عبدالفتاح سالارعشایری [1]

علی صارمی ¹

معروف سی و سه مرده [2] ^*

maroof_33m@yahoo.com

 حسین صدقی ¹

حسین بابازاده ¹

چکیده

زمینه و هدف: اندازه­گیری مستقیم هدایت هیدرولیکی اشباع خاک امری زمان­بر و پرهزینه است و امروزه می­توان با استفاده از پارامترهای زودیافت خاک مقدار آن را برآورد کرد. بنابراین هدف از این پژوهش، استفاده از مدل‌سازی رگرسیونی در برآورد هدایت هیدرولیکی اشباع خاک بر اساس پارامترهای دانه‌بندی d₁₀، d₅₀ و d₆₀ بوده است.

روش بررسی: ابتدا 25 نمونه‌خاک با بافت شنی به­صورت تصادفی در بهار 1397 از اراضی کشاورزی شهرستان سقز تهیه شد و نمونه­ها به آزمایشگاه برای تجزیه و تحلیل منتقل شدند و هدایت هیدرولیکی با استفاده از فرمول دارسی محاسبه شد. با استفاده از داده‌های موجود، روابط رگرسیونی تک و چند متغیره بر روی داده­ها برازش داده شد و براساس آماره­های ارزیابی مدل، رابطه­ای را که بهترین برآورد هدایت هیدرولیکی اشباع خاک را داشت، انتخاب گردید.

یافته­ها: نتایج این پژوهش نشان داد که معادله خطی 3 پارامتری، هدایت هیدرولیکی را نسبت به معادلات خطی و درجه 2 یک پارامتری و خطی 2 پارامتری، با دقت بیشتری برآورد کرده است. نتایج نشان داد که پارامتر d₁₀ نسبت به پارامترهای d₅₀ و d₆₀ نقش مؤثرتری جهت برآورد هدایت هیدرولیکی اشباع داشته است و پارامتر مؤثر جهت مقایسه هدایت هیدرولیکی اشباع خاک، پارامتر d₁₀ حاصل شد.

بحث و نتیجه­گیری: در این پژوهش هدف اصلی ارائه مدل­هایی بود که بتوان هدایت هیدرولیکی اشباع خاک را با کاهش هزینه و صرفه­جویی در زمان با دقت قابل قبولی برآورد کرد و در یک جمع­بندی می­توان بیان کرد که مدل‌سازی رگرسیونی ابزاری کارا در برآورد هدایت هیدرولیکی اشباع خاک است.

واژه­های کلیدی: پارامترهای دانه­بندی، رگرسیون، مدل‌سازی.

Estimation of saturated hydraulic conductivity of soil using soil retrieval parameters and regression modeling

Abdolfattah Salarashayeri [3]

Ali Saremi

Maaroof Siosemarde [4] ^*

maroof_33m@yahoo.com

Hossain Sedghi¹

Hossain Babazadeh¹

Abstract

Background and Objective: Direct measurement of saturated hydraulic conductivity of soil is time consuming and costly and today this parameter can be estimated using soil retrieval parameters. Therefore, this study aimed to use regression modeling to estimate the saturated hydraulic conductivity of soil based on grain size parameters i.e. d10, d50, and d60.  

Material and Methodology: First, 25 soil samples with sandy texture were randomly collected in the spring of 2017 from the agricultural lands of Saqez city and the samples were collected in a container and taken to the laboratory for analysis and hydraulic guidance using the Darcy’s law was calculated. Using the available data, univariate and multivariate regression relationships were fitted on the data and based on the model evaluation statistics, the relationship that had the best estimate of saturated hydraulic conductivity of soil was determined.

Findings: The results of this study showed that the linear equation with 3 inputs saturated hydraulic conductivity of soil more accurately than the equations with 1 or 2 inputs. The results showed that the parameter d₁₀ had a more effective role for estimating saturated hydraulic conductivity of soil than the parameters d₅₀ and d₆₀ and the effective parameter for comparison of saturated hydraulic conductivity is called d₁₀.

Discussion and Conclusion: The main purpose of this study was to provide models that can estimate the saturated hydraulic conductivity of soil with cost reduction and time savings with acceptable precision, and in summary, regression modeling can be used to estimate the saturated hydraulic conductivity of soil.

Key words: Granulation parameters, regression, modeling.

مقدمه

هدایت هیدرولیکی اشباع خاک یکی از مهم‌ترین مشخصه­های فیزیکی خاک است که در مطالعات آب‌وخاک، طراحی سیستم­های زهکشی و مطالعات هیدرولوژی اهمیت زیادی دارد و در مباحث نفوذ آب در خاک، کنترل رواناب‌های سطحی، آبشویی مزارع کشاورزی و انتقال آلودگی­های سطحی به آب‌های زیرزمینی نقش به­سزایی دارد (1 و 2). اندازه‌گیری مستقیم این مشخصه چه به‌صورت صحرایی و چه آزمایشگاهی بسیار وقت‌گیر، هزینه‌بر و دشوار است. به همین دلیل، روش‌های غیرمستقیم (مانند روش­های رگرسیونی و شبکه عصبی) به‌عنوان راه حلی نسبی، ارائه‌شده‌اند. ایجاد توابع انتقالی، یکی از روش­های غیرمستقیم برآورد مشخصه­های هیدرولیکی خاک است که با استفاده از اطلاعات موجود خاک و بهره­گیری از معادلات رگرسیونی بین پارامترهای زودیافت و دیریافت خاک ارتباط برقرار می‌کند (3). همچنین در بسیاری از کاربردها نیاز به داده‌های خیلی دقیق ویژگی‌های هیدرولیکی نیست. از دیگر سو، به دلیل تفاوت در اندازه‌گیری‌ها با روش‌های مختلف و نیز تغییرات مکانی-زمانی آن‌ها، دقت اندازه‌گیری‌های مستقیم مورد تردید بوده و ازاین‌رو برآوردهای حاصل از روش‌های غیرمستقیم کافی به نظر می‌رسند (4).

خاک مجموعه‌ای از ذرات جامد و حفرات بین آن‌هاست. در نتیجه آب می‌تواند از یک نقطه پر انرژی به نقطه کم انرژی­تر جریان پیدا کند. مطالعه جریان آب در محیط متخلخل خاک اهمیت زیادی در مکانیک خاک دارد. این مسئله از نقطه ‌نظر تخمین میزان جریان‌های زیرزمینی تحت شرایط هیدرولیکی مختلف، زهکشی در حین اجرای ساختمان‌ها در داخل سفره‌های آب زیرزمینی، مطالعه پایداری سدهای خاکی و سازه‌های حائل خاک تحت نیروهای نشت و همچنین تحکیم خاک‌های رسی، حائز اهمیت می‌باشد. هدایت هیدرولیکی اشباع، بیانگر قابلیت محیط متخلخل برای انتقال آب از طریق منافذ خاک است (5). در مباحث آب‌وخاک، شناخت هدایت هیدرولیکی خاک برای مدل‌سازی جریان آب در خاک، در هر دو منطقه اشباع و غیراشباع و انتقال مواد آلاینده­های محلول آب در خاک بسیار ضروری است. همچنین یک پارامتر مهم برای طراحی زهکشی اراضی منطقه و احداث سد خاکی است. به­علاوه، برای تعیین مقدار نشت، محاسبات نشست، تجزیه‌وتحلیل پایداری موردنیاز است (6).

یکی از پارامترهای اثرگذار بر هدایت هیدرولیکی اشباع خاک، چگونگی توزیع اندازه ذرات خاک است. در واقع، اغلب خواص فیزیکی و بسیاری از خواص شیمیایی خاک شدیداً تحت تأثیر رده‌های توزیع اندازه ذرات خاک قرار دارند. تعیین توزیع اندازه ذرات خاک، اندازه‌گیری توزیع اندازه ذرات مجزا در نمونه خاک است. بهترین روش برای بیان نتایج اندازه‌گیری توزیع اندازه ذرات خاک، ترسیم منحنی توزیع اندازه ذرات است (7).

برآورد هدایت هیدرولیکی خاک یکی از مهم‌ترین مباحث مدل‌سازی جریان آب در خاک است (1 و 2). در خصوص برآورد هدایت هیدرولیکی خاک، مطالعات مختلفی انجام شده است. برای نمونه، احمدی و همکاران (8) به برآورد هدایت هیدرولیکی اشباع خاک با استفاده از برنامه‌ریزی بیان ژنی و رگرسیون ریج در استان آذربایجان شرقی پرداختند و به این نتیجه رسیدند که تابع انتقالی ارائه شده با روش برنامه‎ریزی بیان ژنی از دقت و صحت بیشتری نسبت به مدل رگرسیونی برخوردار می‌باشد. امیرعابدی و همکاران (9) برآورد هدایت هیدرولیکی اشباع خاک‌های منتخب از دشت اردبیل با استفاده از مدل‌های رگرسیونی و شبکه‌های عصبی مصنوعی پرداختند که نتایج تحقیق مورد نشان داد شبکه­های عصبی با داده­های ورودی یکسان هدایت هیدرولیکی اشباع خاک را با دقت بیشتری نسبت به مدل­های رگرسیونی برآورد می­کنند. آزاماثیولا و جارت (10) نشان دادند که استفاده از مقدار رس به جای میانگین هندسی قطر ذرات برای برآورد هدایت هیدرولیکی اشباع خاک­های استرالیا شاخص مناسب­تری است. در این راستا، یکی از پارامترهای مهم نحوه دانه­بندی ذرات خاک است که پارامترهای دانه‌بندی  d₁₀،d₅₀ وd₆₀ ، به­عنوان پرکاربردترین پارامترها شناخته می­شوند و این پارامترها قطری از ذرات خاک هستند که به ترتیب 10، 50، 60، درصد ذرات خاک از آن قطر کوچکتر باشد.

خصوصیات هیدرولیکی خاک همچنین نقش مهمی را در فرآیند بارش، رواناب و رطوبت خاک دارد. یکی از نیازهای رشد و توسعه هر کشور آب است. آب نه فقط برای گسترش شهرها و صنایع لازم است بلکه یکی از عوامل توسعه کشاورزی نیز به شمار می­آید و آب­های زیرزمینی از مهمترین منابع آب هستند. بررسی هیدرولیکی سفره­های آب از آن جهت اهمیت دارد که به استفاده بهتر از آب­های زیرزمینی و در نتیجه مدیریت بهتر منابع آب می­انجامد. بنابراین هدف از این پژوهش، ارائه مدل­هایی بود که بتوان هدایت هیدرولیکی اشباع خاک را با کاهش هزینه و صرفه­جویی در زمان با استفاده از پارامترهای زودیافت خاک برآورد کرد.

روش بررسی

- منطقه مورد مطالعه

این پژوهش در اراضی کشاورزی شهرستان سقز در استان کردستان در بهار 1397 انجام شد. منطقه سقز در شمال غربی استان کردستان واقع شده است. از نظر مشخصات جغرافیایی در 46 درجه و 17 دقیقه طول شرقی و 36 درجه و 14 دقیقه عرض شمالی با ارتفاع متوسط 1476 متر از طرح دریا قرار دارد. وسعت این شهرستان حدود 4444 کیلومتر مربع است که در شمال غرب، شمال و شمال شرق به ترتیب با شهرهای بوکان، شاهین دژ و تکاب هم مرز است و در شرق با دیواندره، جنوب با مریوان و غرب با بانه و جنوب غرب با کردستان عراق مرز دارد.. این منطقه در ناحیه­ای کوهستانی و مرتفع بین ارتفاعات نامنظم رشته کوه­های زاگرس واقع شده است. میانگین بارش سالانه در این شهر از 350 تا 650 میلی­متر در نوسان است. در منطقه سقز، سرانه آب کشاورزی در حدود 1020 متر مکعب است که از متوسط کشور پایین­تر است.

- روش پژوهش

به منظور انجام این پژوهش، ابتدا تعداد 25 نمونه‌ خاک با بافت شنی به­صورت تصادفی از اراضی کشاورزی تهیه شد و نمونه­ها در ظرف جمع­آوری­ شده و به آزمایشگاه برای تجزیه و تحلیل منتقل شد. در آزمایشگاه، نمونه­های تحت آزمایش برای تعیین توزیع اندازه دانه بر اساس روش استاندارد BS1377 مورد بررسی قرار گرفتند. نمونه­های با ذرات درشت­تر توسط آزمایش دانه­بندی به روش خشک و با استفاده از مرتب­کردن یک سری از الک­های BS روی هم آنالیز شدند و نمونه­های ریزتر با استفاده از آزمایش هیدرومتری آنالیز گردیدند. برای تعیین منحنی دانه­بندی خاک و تجزیه و تحلیل توزیع ذرات، نتایج آزمایش روی یک گراف نیمه­لگاریتمی برای به دست­آوردن منحنی توزیع اندازه دانه­ها برای هر نمونه رسم و پارامترهای d₁₀، d₅₀ و  d₆₀با روش های استاندارد تعیین گردید. در این تحقیق، هدایت هیدرولیکی اشباع با روش بار افتان[5] اندازه­گیری شد به­طوری­که ابتدا نمونه­ها از پایین اشباع گردید تا هوای داخل خاک بتواند از سطح نمونه­ها خارج شود. پس از حرکت آب در داخل خاک، زمانی که شدت جریان خروجی از نمونه ثابت شد، مقادیر ضریب هدایت هیدرولیکی اندازه­گیری گردید. در آزمایشگاه، اندازه­گیری هدایت هیدرولیکی اشباع با استفاده از فرمول دارسی برای یک ستون یکنواخت خاک اشباع انجام می­شود. یک اختلاف بار هیدرولیکی به ستون خاک اعمال می­شود و شدت جریان آب اندازه­گیری می­شود. هدایت هیدرولیکی با استفاده از فرمول دارسی محاسبه شد:

که در رابطه 1، K هدایت هیدرولیکی اشباع (سانتی­متر بر ثانیه)، A₁ سطح مقطع ظرف نمونه (سانتی­متر مربع)، A₂ سطح مقطع لوله حاوی آب (سانتی­متر مربع، منظور سطح مقطع استوانه­ای که آب در درون آن از H₁ به H₂ افت می­کند)، H₁ بار آبی در زمان t₁ (سانتی­متر)، H₂ بار آبی روی نمونه در زمان t₂ (سانتی­متر) و L طول نمونه خاک (سانتی­متر) است. مشخص است که اگر سطح مقطع نمونه خاک و لوله آب برابر باشند، رابطه بالا به رابطه ساده زیر تبدیل می­شود:

اساس کار این روش این است که نمونه­ها به مدت 12 ساعت باید از زیر اشباع شوند (11) و در این روش افت سطح آب با زمان اندازه­گیری می­شود.

- محاسبات آماری

در این تحقیق مجموعه داده­ها شامل 25 سری داده شامل مقادیر d₁₀، d₅₀، d₆₀ و ضریب هدایت هیدرولیکی بوده که با استفاده از نرم­افزارهای EXCEL و SPSS روابط مختلف رگرسیون چند متغیره بین داده­ها برازش داده شد و بر­اساس آماره­های ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE)، خطای نسبی (RE) و کارایی مدل (DT)، بهترین رابطه‌ی برآورد هدایت هیدرولیکی اشباع خاک تعیین گردید (12 و 13).

مقدار R همواره در بازة 1+ و 1- قرار دارد. ضریب همبستگی بدون توجه به آماره­های RMSE  و MAE نمی­تواند معیار مناسبی در ارزیابی عملکرد شبکه و مقایسه مدل­ها با همدیگر باشد زیرا در صورتی که بین مقادیر متناظر پیش­بینی شده و مشاهده شده یک رابطه خطی وجود داشته باشد، در این حالت مقدار ضریب همبستگی 1+ یا 1- می­باشد. در هر حال، ضریب همبستگی شاخص مناسبی در نشان­دادن میزان هماهنگی روند تغییرات مقادیر مشاهده شده و مقادیر پیش­بینی­شده است. دقت مدل با نزدیک­شدن مقدار R به 1+ یا 1-، و مقادیر آماره­های RMSE و MAE به سمت صفر، افزایش می­یابد (14 و 15).

RMSE معیار مناسبی در ارزیابی عملکرد و مقایسه مد­ل­ها بوده، مقدار آن می­تواند از صفر تا بی­نهایت تغییر نماید. نکته قابل ذکر این که اگر به سمت صفر میل کند، آنگاه R به سمت 1 میل خواهد کرد، ولی عکس این موضوع صحیح نمی­باشد. کمترین میزان آماره RMSE و در شرایطی که مقادیر برآورد و اندازه­گیری شده برابر (مساوی) باشند برابر با صفر است. مقدار آماره RMSE نمایانگر آن است که مقادیر همانندسازی­شده به چه میزانی مقادیر مربوطه را کمتر و یا بیشتر از مقدار مشاهده­شده (اندازه­گیری)، برآورد می­نماید (14 و 15).

مقدار MAE بیان­کننده دقت مدل است که با افزایش دقت مدل، مقدار آن کم می­شود. مقدار MAE در بازه صفر تا بینهایت تغییر نموده، مدلی که MAE کمتری داشته باشد از دقت بیشتری برخوردار است. کمترین میزان آماره MAE و در شرایطی که مقادیر برآورد و اندازه­گیری­ شده برابر (مساوی) باشند برابر با صفر است (12).

هرچه مقدار پارامتر DT بزرگتر باشد خطای تخمین­ها بیشتر و نشان­دهنده آنست که دقت و کارایی مدل در برآورد ضریب هدایت هیدرولیکی اشباع کمتر است.

یافته­ها

پس از برازش داده­ها، روابط رگرسیونی زیر جهت برآورد هدایت هیدرولیکی اشباع بر اساس اندازه قطر ذرات به دست آمد:

در این روابط، d10، d50 و  d60 قطری از ذرات خاک است که به ترتیب 10 ، 50 و 60 درصد وزنی ذرات خاک از آن قطر کوچک­تر ‌باشد و هدایت هیدرولیکی اشباع بر حسب (متر در روز) است. مقادیر آماره­های مختلف ارزیابی روابط فوق در جدول 1 نشان داده شده است.

جدول 1- نتایج مقادیر آماره­ها معادلات مختلف هدایت هیدرولیکی خاک

Table 1. The results of the values of the statistics of different equations of saturated hydraulic conductivity of soil

نتایج ارائه­شده در جدول نشان می­دهد که رابطه 12 با ضریب همبستگی (R) 719/0، ریشه میانگین مربعات خطا (RMSE) 06/4، میانگین قدر مطلق خطا (MAE) 32/3، خطای نسبی (RE) 62/13 درصد و کارآیی مدل (DT) 189/1، بهترین مدل پیش­بینی هدایت هیدرولیکی اشباع از میان روابط فوق می­باشد. همچنین نمودار مقایسه مقادیر مشاهداتی نسبت به مقادیر برآوردشده بوسیله معادله 12 در در شکل 1 نشان داده است.

نتایج این تحقیق نشان داد که از بین معادلات خطی یک پارامتری (روابط 3، 4 و 5)، دقت معادله برآورد هدایت هیدرولیکی بر اساس پارامتر d₁₀ (معادله 3) نسبت به معادلات برآورد هدایت هیدرولیکی بر اساس پارامترهای d₅₀ و  d₆₀بیشتر است.

همچنین نتایج نشان داد که از بین معادلات خطی 2 پارامتری (روابط 9 تا 11)، معادله 9 که هدایت هیدورلیکی را بر اساس پارامترهای d₁₀ و d₅₀ (بدون d₆₀) برآورد می­کند دارای دقت بیشتری نسبت به معادلات 10 و 11 بوده است و معادله برآورد هدایت هیدورلیکی بر اساس پارامترهای d50 و  d60 (یعنی معادله 11) بیشترین خطای برآورد را داشته است.

شکل 1- مقایسه مقادیر هدایت هیدرولیکی اشباع اندازه­گیری­شده و برآوردشده بوسیله رابطه 12

Figure 1. Comparison of saturated hydraulic conductivity of soil values measured and estimated by Equation 12

بحث و نتیجه‌گیری

اندازه­گیری مستقیم هدایت هیدرولیکی خاک امری وقت­گیری و پرهزینه بوده و گاهی اوقات به دلیل خطاهای آزمایشی و عدم یکنواختی خاک، نتایج به دست آمده قابل اطمینان نمی­باشند. از طرفی دیگر، این پارامتر می­تواند با استفاده از پارامترهای زودیافت خاک برآورد شود. نتایج تحقیقات فریز و چری نشان داد که هدایت هیدرولیکی، با توزیع اندازه ذرات خاک رابطه دارد (16) که با نتایج تحقیق حاضر قابل مقایسه است به­طوری­که نتایج آنالیز رگرسیون تک­پارامتری نشان داد که با افزایش مقادیر d₁₀، d₅₀ و d₆₀ مقدار هدایت هیدرولیکی اشباع خاک افزایش یافته است. نتایج این تحقیق نشان داد که معادله خطی 3 پارامتری، هدایت هیدرولیکی را نسبت به معادلات یک پارامتری خطی و درجه 2 و نیز دو پارامتری خطی، با دقت بیشتری برآورد کرده است.

در این پژوهش، اختلاف بین مقادیر هدایت هیدرولیکی برآوردشده با مقادیر اندازه­گیری­شده مشاهده شد که در دیگر پژوهش­ها نیز گزارش شده است (6، 7، 17، 18 و 19). در واقع مدل‌سازی، امروزه اصطلاح مدل برای همگان مفهومی آشناست و کاربرد آن در علوم و فنون مختلف بسیار متداول است. مدل، توصیف یا قیاسی است که جهت درک بهتر پدیده­هایی که امکان دیدن آن­ها وجود ندارد، استفاده می­شود. برای داشتن یک مدل مناسب، باید مدل‌سازی انجام گیرد. از طرف دیگر رسیدن به یک مدل که دقیقاً مشابه با سیستم واقعی عمل کند، غیرممکن است. بنابراین بسته به اهداف مختلف، مدل­های زیادی در دنیا معرفی شده و کاربرد دارند. مدل شکل ساده شده­ی یک سیستم طبیعی است. هدف از مدل، مشخص کردن عملکرد و رفتار یک پدیده حقیقی تحت شرایط معین می­باشد. مدل، یک پدیده را در ساده­ترین حالت ممکن بررسی نموده و در صورت موفق بودن می­توان آن را به واقعیت­های طبیعی که غالباً پیچیده می­باشند، تعمیم داد. یک مدل شامل واکنش‌های به هم پیوسته­ای بوده که در حقیقت مکانیسم­های شناخته‌شده­ای هستند که در سیستم رخ می­دهند (13). در واقع مدل‌سازی هنری است متکی بر قضاوت در مورد نحوه­ی خلاصه­سازی مولفه­هایی از دنیای واقعی که در تصمیم­گیری اهمیت دارند و می­توان با روش­های کمی آنها را توصیف کرد. بنابراین مدل‌سازی نیازمند قضاوت در بیان این مولفه­ها و روابط بین آنها به زبان ریاضی است. به بیان دیگر، تبدیل یک مساله تصمیم­گیری به یک مدل ریاضی، مدل‌سازی نامیده می­شود. بنابراین نمی­توان انتظار داشت که یک مدل بدون خطا داده واقعی را براورد کند، بلکه با خطای قابل­قبول و استفاده از ورودی­های مناسب، می­توان مدل­های بهینه را پیدا کرد. برای بهبود مدل­های پیشنهادی، نیاز به وارد کردن ورودی مختلف به مدل نیز می­باشد. در پژوهش انجام شده توسط امیرعابدی و همکاران (9) نیز کارآیی مدل­های رگرسیونی در برآورد هدایت هیدرولیکی اشباع خاک‌های منتخب از دشت اردبیل تاکید شده است و دیگر  پژوهشگران در دنیا نیز بر کارآیی روش­های رگرسیونی در پیش­بینی مقدار هدایت هیدرولیکی اشباع خاک صحه گذاشته­اند (20 و 21).

در این تحقیق معادلات برآورد هدایت هیدرولیکی اشباع با استفاده از پارامترهای d₁₀، d₅₀ و  d₆₀مورد بررسی قرار گرفته است. نتایج نشان داد که مقادیر هدایت هیدرولیکی به خوبی قابل برآورد است. همچنین نتایج نشان داد که پارامتر d₁₀ نسبت به پارامترهای d₅₀ و d₆₀ نقش مؤثرتری جهت برآورد هدایت هیدرولیکی اشباع داشته است و پارامتر مؤثر جهت مقایسه هدایت هیدورلیکی اشباع نامیده می­شود. نتایج این تحقیق نشان داد که معادله خطی 3 پارامتری، هدایت هیدرولیکی را نسبت به معادلات یک پارامتری خطی و درجه 2 و نیز دو پارامتری خطی، با دقت بیشتری برآورد کرده است. در پایان پیشنهاد می­شود در اندازه­گیری هدایت هیدرولیکی اشباع خاک نوع رس­ها تعیین و نقش نوع رس­ها در تغییرات هدایت هیدرولیکی بررسی شود. هم­چنین، در این پژوهش ضریب هدایت هیدرولیکی اشباع با روش بارافتان تعیین شده است ولی پیشنهاد می­شود برای نتیجه بهتر ضریب هدایت هیدرولیکی اشباع با استفاده از چندین روش صحرایی و آزمایشگاهی تعیین شود. هم­چنین استفاده از روش­های مبتنی بر هوش مصنوعی (مانند شبکه عصبی) و مقایسه آن با روش­های رگرسیونی می­تواند در تکمیل پاز اطلاعاتی درباره برآورد هدایت هیدرولیکی اشباع خاک کمک شایانی بنماید.

References

1. Farahnak, M., Mitsuyasu, K., Jeong, S., Otsuki, K., Chiwa, M., Sadeghi, S. M. M., & Kume, A. (2019). Soil hydraulic conductivity differences between upslope and downslope of two coniferous trees on a hillslope. Journal of Forest Research, 24(3), 143-152.
2. Farahnak, M., Mitsuyasu, K., Hishi, T., Katayama, A., Chiwa, M., Jeong, S., Otsuki, K., Sadeghi, S.M.M., and Kume, A. 2020. Relationship between very fine root distribution and soil water content in pre-and post-harvest areas of two coniferous tree species. Forests, 11(11): 1227.
3. Bagarello, V., Di Prima, S., & Iovino, M. (2017). Estimating saturated soil hydraulic conductivity by the near steady-state phase of a Beerkan infiltration test. Geoderma, 303, 70-77.
4. Radinja, M., Vidmar, I., Atanasova, N., Mikoš, M., & Šraj, M. (2019). Determination of spatial and temporal variability of soil hydraulic conductivity for urban runoff modelling. Water, 11(5), 941.
5. Ghanbarian, B., Hunt, A. G., Skaggs, T. H., & Jarvis, N. (2017). Upscaling soil saturated hydraulic conductivity from pore throat characteristics. Advances in Water Resources, 104, 105-113.
6. Vogeler, I., Carrick, S., Cichota, R., & Lilburne, L. (2019). Estimation of soil subsurface hydraulic conductivity based on inverse modelling and soil morphology. Journal of Hydrology, 574, 373-382.
7. Jabro, J. D. (1992). Estimation of saturated hydraulic conductivity of soils from particle size distribution and bulk density data. Transactions of the ASAE, 35(2), 557-560.
8. Ahmadi, A., Palizvan Zand, P., & Palivan Zand, H. (2018). Estimation of saturated hydraulic conductivity by using gene expression programming and ridge regression (A case study in East Azerbaijan province). Iranian Journal of Soil and Water Research, 48(5), 1087-1095.
9. Amirabedi H., Asghari Sh., Mesri Gandoshmin T., Balandeh N., & Johari E. (2019). Estimating the soil saturated hydraulic conductivity in Ardabil Plain soils using artificial neural networks and regression models. Applied Soil Research. 7(4), 124-136.
10. Azamathulla, H. M., & Jarrett, R. D. (2013) Use of gene-expression programming to estimate Manning’s roughness coefficient for high gradient streams. Water Resources Management, 27, 715-729.
11. Kozeny, J. (1927). Uber Kapillare Leitung Des Wassers in Boden. Sitzungsber Akad. Wiss.Wien Math.Naturwiss.Kl., Abt.2a, 136,271-306. (In German)
12. Sadeghi, S.M.M., Attarod, P., Van Stan II, J.T., Pypker, T.G., & Dunkerley, D. (2015). Efficiency of the reformulated Gash's interception model in semiarid afforestations. Agricultural and Forest Meteorology, Vol. 201, pp. 76-85.
13. Sadeghi, S. M. M., Van Stan II, J. T., Pypker, T. G., & Friesen, J. (2017). Canopy hydrometeorological dynamics across a chronosequence of a globally invasive species, Ailanthus altissima (Mill., tree of heaven). Agricultural and forest meteorology, 240, 10-17.
14. Nazari, M., Sadeghi, S. M. M., Van Stan II, J. T., & Chaichi, M. R. (2020a). Rainfall interception and redistribution by maize farmland in central Iran. Journal of Hydrology: Regional Studies, 27, 100656.
15. Nazari M., Chaichi M R., Kamel H., Grismer M., Sadeghi S M M. 2020b. Evaluation of estimation methods for monthly reference evapotranspiration in arid climates. Arid Ecosystems, 10, 329-336.
16. Freeze, R.A., and Cherry, J. A. 1979. Ground water. Prentice Hall Inc., Englewood Cliffs, New Jersey.
17. Wagner, B., Tarnawski, V. R., Hennings, V., Müller, U., Wessolek, G., and Plagge, R., 2001. Evaluation of pedo-transfer functions for unsaturated soil hydraulic conductivity using an independent data set. Geoderma, 102(3-4), 275-297.
18. Tian, Z., Kool, D., Ren, T., Horton, R., and Heitman, J. L., 2019. Approaches for estimating unsaturated soil hydraulic conductivities at various bulk densities with the extended Mualem-van Genuchten model. Journal of Hydrology, 572, 719-731.
19. Kashani, M. H., Ghorbani, M. A., Shahabi, M., Naganna, S. R., and Diop, L., 2020. Multiple AI model integration strategy—application to saturated hydraulic conductivity prediction from easily available soil properties. Soil and Tillage Research, 196, 104449.
20. Hassan Shah A., Lone M., Stephen I., & Anderson H. (1997). Regression model to predict hydraulic conductivity from simple soil physical and chemical properties. 7th ICID international drainage workshop. Malaysia.
21. Jabro J. A. (1992). Estimation of saturated hydraulic conductivity of soils from particle size distribution and bulk density data. Transactions of the ASAE, 35, 557-560.

[1]- گروه مهندسی آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

[2]- گروه مهندسی آب، واحد مهاباد، دانشگاه آزاد اسلامی، مهاباد، ایران. ^*(مسوول مکاتبات)

[3]- Department of Water Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

[4]- Department of Water Engineering, Mahabad Branch, Islamic Azad University, Mahabad, Iran.*(Corresponding Author)

1- Falling Head