| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,196 |
| تعداد مقالات | 35,423 |
| تعداد مشاهده مقاله | 52,250,531 |
| تعداد دریافت فایل اصل مقاله | 91,782,129 |
مدلسازی نفوذپذیری در رده های گوناگون بافت خاک با الگوریتمهای یادگیری در آبخیز کشکان، استان لرستان | ||
| پژوهش های آبخیزداری | ||
| مقاله 9، دوره 35، شماره 4 - شماره پیاپی 137، دی 1401، صفحه 104-116 اصل مقاله (1.67 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmrj.2022.358213.1461 | ||
| نویسندگان | ||
| لیلی سلیمانی1؛ بهرام میردریکوند1؛ علیرضا سپه وند* 2 | ||
| 1دانشجوی دکترا، گروه مهندسی مرتع و آبخیزداری، دانشکده ی کشاورزی و منابع طبیعی، دانشگاه لرستان | ||
| 2استادیار گروه مهندسی مرتع و آبخیزداری، دانشکده ی کشاورزی و منابع طبیعی، دانشگاه لرستان | ||
| چکیده | ||
| نفوذپذیری یکی از مهمترین اجزای چرخه ی آب شناسی است که نقش مهمی در جریان رودخانه یی، تغذیه ی آب های زیرزمینی، جریان های زیرسطحی و سطحی، و کمیت و کیفیت آب های زیرزمینی دارد. هدف این پژوهش بررسی تغییرات نفوذپذیری و مدل سازی سرعت آن در بافت های گوناگون خاک در آبخیز کشکان استان لرستان بود. استوانه های دوگانه برای اندازه گیری نفوذ بهکار بردهشد. برای مدل سازی از الگوریتم های یادگیری GP و SVM (با دو هستهی PUK و RBF)، MLP و RF بهره بردهشد. مقایسهی نتیجهی مدل های گوناگون و انتخاب بهترین مدل با معیارهای سنجش خطای ریشهی میانگین مربعهای خطا، ضریب همبستگی و ضریب نش-ساتکلیف انجام شد. نتیجهی ارزیابی نشان داد که بیشترین ضریب کارآیی نش-ساتکلیف (0/98622) و کمترین اندازهی خطا (0/0177) در مدل RF با ضریب همبستگی 0/9953 بود، که دقت زیادی است. تحلیل حساسیت ویژگی های ورودی مدل RF نشان داد که زمان مهمترین ویژگی ورودی در پیش بینی سرعت نفوذ خاک برای این مجموعه از داده های بهکاررفته در پژوهش است. نتیجههای این پژوهش نشان داد که نفوذپذیری در بافت های گوناگون خاک تغییرپذیر است، و برای مدیریتکردن بهتر تغذیه ی سفره های آب زیرزمینی باید این سنجه را درنظر گرفت. | ||
| کلیدواژهها | ||
| آبخیز کشکان؛ فرآیند گوسی؛ لرستان؛ مدل جنگل تصادفی؛ مدل سازی نفوذپذیری | ||
| عنوان مقاله [English] | ||
| Modelling of Infiltration Rate in Different Soil Textures using Soft Computing Techniques in Kashkan Watershed, Lorestan Province | ||
| نویسندگان [English] | ||
| Leili Soleimani1؛ Bahram Mir Derikvand1؛ Alireza Sepahvand2 | ||
| 1Ph.D. Student, Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, Lorestan University, Khorramabad, Lorestan Province, Iran | ||
| 2Assistant professor, Department of Range and Watershed Management, Faculty of Agriculture and Natural Resources, Lorestan University, Khorramabad, Lorestan Province, Iran | ||
| چکیده [English] | ||
| Infiltration is one of the most parameters of hydrology that plays a fundamental role in streamflow, groundwater recharge, subsurface flow, and surface and subsurface water quality and quantity. According to the importance of the mentioned subject, the infiltration changes and modeling were investigated in the different soil textures in Kashkan watershed, Lorestan province. In this study, the double-ring infiltrometer was used to measure the infiltration in the different soil textures. Also, Support vector regression (SVM), Gaussian Process (GP), Multi-Layer Perceptron (MLP), and Random Forest (RF) were used to Modeling of infiltration rate in different soil textures. Three statistical comparison criteria including root mean square error (RMSE), coefficient of correlation (C.C), and Nash Sutcliffe (NSE) were used to determine the best-performing infiltration model. The results showed that Random Forest model better estimated infiltration rate (C.C= 0.9912, NSE= 0.98622, and RMSE = 0.0177) compared to the other models. Thus, RF was found to be the most suitable for modeling infiltration in the study area. Also, sensitivity analysis concludes that the parameter time is the most effective parameter for the estimation of infiltration rate. The results indicated that the infiltration varies in the different soil textures, which should be considered in the management of groundwater recharge. | ||
| کلیدواژهها [English] | ||
| Gaussian process, infiltration modeling, Kashkan watershed, Lorestan province, random forest | ||
| مراجع | ||
|
Angelaki A, Sakellariou-Makrantonaki M, Tzimopoulos C. 2013. The oretical and experimental research of cumulative infiltration. Transport in Porous Media, 100(2): 247–257. Angelaki A, Singh Nain S, Singh V, Sihag P. 2018. Estimation of models for cumulative infiltration of soil using machine learning methods. ISH Journal of Hydraulic Engineering, pp. 1–8. Asadi M, Fatzhadeh A, Taghizadeh Mehrjerdi R. 2017. Optimization suspended load estimation models by using geo-morphometric parameters and attribute reduction technique. Iranian Journal of Soil and Water Research, 48(3):669–678. (In Persian). Breiman L, Cutler A. 2004. RF tools-for predicting and understanding data, Interface'04 Workshop. pp. 1–62. Breiman L. 2001. Random forests. Machine Learning, 45(1): 5–32. Cardwell A. 2017. The effect of land use on infiltration in Taita Hills, Kenya. Master’s thesis in Geography, Faculty of Science, Department of Geosciences and Geography, university of Helsinki, 88 p. Cortes C, Vapnik V. 1995. Support-vector network. Machine Learning, 20(3): 273–297. Díaz-Álvarez A, Serradilla F, Naranjo JE, Anaya JJ, Jiménez F. 2014. Modeling the driving behavior of electric vehicles using smartphones and neural networks. IEEE Intelligent Transportation Systems Magazine, 6(3): 44–53. Dibike YB, Solomatine D, Abbott MB. 1999. The encapsulation of numerical hydraulic models in artificial neural network. Journal of Hydraulic Research, 37(2): 147–161. Fischer C, Tischer J, Roscher C, Eisenhauer N, Ravenek J, Gleixner G, Attinger S, Jensen B, Kroon H, Mommer L, Scheu S, Hildebrandt A. 2015. Plant species diversity affects infiltration capacity in an experimental grassland through changes in soil properties. Plant Soil, 397: 1–16. Ghorbani MA, Dehghani R. 2016. Application of bayesian neural networks, support vector machines and gene expression programming analysis of rainfall - runoff monthly. Journal of Irrigation Sciences and Engineering, 39(2): 125–138 (In Persian). Gomez H, Kavzoglu T, Mather P. 2002. Artificial neural network application in landslide hazard zonation in the Venezuelan Andes. Abstracts of 15th International Conference on Geomorphology, Tokyo, Japan, pp. 23–28. Hassaanvand S, Sepahvand A, Tarnian F, Sihak P. 2021. Infiltration change assessment in different vegetation types (Case study: Aleshtar watershed, Lorestan provience). Range, 15(3): 477–493. Hsu SM, NI CF, Hung PF. 2002. Assessment of three infiltration formulas based on model fitting and Richards equation. Journal of Hydrology Engineering, 7(5): 373–379. Lallahema S, Maniaa J, Hania A, Najjarb Y. 2005. On the use of neural networks to evaluate groundwater levels in fractured media. Journal of Hydrology, 307(1): 92–111. Mazaheri MR, Mahmoodabadi M. 2012. Study on infiltration rate based on primary particle size distribution data in arid and semiarid region soils. Arabian Journal of Geoscience, 5: 1039–1046. Mehdi Nasab M, tavousi T, tavousi T, Negaresh H. 2015. Modeling of rainfall – runoff Kashkan River Catchment based on statistical models, Geography and Environmental Planning, 26(2): 67–84. Osuji G, Okon M, Chukwuma M, Nwarie I. 2010. Infiltration characteristics of soils under se-lected land use practices in Owerri, Southeastern Nigeria. World Journal of Agricultural Sciences, 6: 322–326. Sepahvand A, Golkarian A, Billa L, Wang K, Rezaie F, Panahi S, Samadianfard S, Khosravi Kh. (2022). Evaluation of deep machine learning‑based models of soil cumulative infiltration, Earth Science Informatics, 15,1861–1877. Sepahvand A, Sihag P, Singh B, Zand M. 2018. Comparative evaluation of infiltration models. Journal of Civil Engineering, 22(2): 4173–4184. Sepahvand A, Singh B, Ghobadi M, Sihag P. 2021. Estimation of infiltration rate using data-driven models, Arabian Journal of Geosciences, 14(1): 1-11. Shafie Amr H, Mazoghi E, Hasan G, Shehata E, Taha A, Mohd R. 2011. Artificial neural network technique for rainfall forecasting applied to Alexandria. Egypt, International Journal of the Physical Sciences, 6(6): 1306–1316. Shiri J, Keshavarzi A, Kisi O, Iturraran-Viveros U, Bagherzadeh A, Mousavi R, Karimi S. 2017. Modeling soil cation exchange capacity using soil parameters: Assessing the heuristic models. Comput. Electron. Agric., 135(3): 242–251. Sihag P, Singh B, Sepahvand A, Mehdipour V. 2018. Modeling the infiltration process with soft computing techniques. ISH Journal of Hydraulic Engineering, 26(1): 1–15. Sihag P, Singh VP, Angelaki A, Kumar V, Sepahvand A, Golia E. 2019. Modelling of infiltration using artificial intelligence techniques in semi-arid Iran. Hydrological Sciences Journal, 64(13):1647–1658. Singh B, Sihag P, Singh K, Kumar S. 2021. Estimation of trapping efficiency of vortex tube silt ejector. International Journal of River Basin Management, 19(1): 1–38. Singh B, Sihag P, Singh K. 2018. Comparison of infiltration models in NIT Kurukshetra campus. Applied Water Science, 8(2): 63–70. Soleimani L, Haghizadeh A, Zeinivand H. 2016. The determination of the best models to estimate the infiltration in various land uses for optimum management of watersheds. Journal of Watershed Management Research, 7(13): 33–41 (In Persian). Tokar AS, Markus M. 2000. Precipitation-runoff modeling using artificial neural networks and conceptual models. Journal of Hydrology Engineering, 5(2): 156–161. Tsochantaridis I, Hofmann T, Joachims T, Altun Y. 2004. Support vector machine learning for interdependent and structured output spaces, Proceedings of the Twenty-first International Conference on Machine learning, 20: 1–8. DOI:10.1145/1015330.1015341. Yimer F, Messing I, Ledin S, Abdelkadir A. 2008. Effects of different land use types on infiltration capacity in a catchment in the highlands of Ethiopia. Soil use and management, 24: 344–349. | ||
|
آمار تعداد مشاهده مقاله: 725 تعداد دریافت فایل اصل مقاله: 522 |
||