عملکرد الگوریتم تفاضلی در برآورد پارامترهای هیدرولیکی خاک

نوع مقاله : پژوهشی

نویسندگان

1 استاد/ گروه مهندسی آب، دانشکدة کشاورزی، دانشگاه بیرجند، بیرجند، ایران

2 دانش‌آموختة دکتری/ گروه علوم و مهندسی خاک، دانشکدة کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

3 دانشیار/ گروه مهندسی آب، و محقق گروه خشکسالی و تغییرات اقلیمی، دانشکدة کشاورزی، دانشگاه بیرجند، بیرجند، ایران

4 دانشیار/ گروه مهندسی طبیعت، دانشکدة محیط زیست و منابع طبیعی، دانشکدة کشاورزی شیروان، دانشگاه بجنورد، بجنورد، ایران

چکیده

منحنی رطوبتی خاک یکی از مهم‌ترین شاخص‌های هیدرولیکی خاک است که علاوه بر تعیین مقدار رطوبت خاک در نقاط ظرفیت زراعی وپژمردگی خاک، نقش موثری در کاربرد مدل‌های آب خاک در مطالعه روابط خاک-گیاه- آب دارد. از سوی دیگر برای شناخت بهترو درک نقش آن، مدل‌های مختلف برای بیان این منحنی به‌صورت ریاضی ارائه شده است که میزان کارائی بودن این مدل‌ها به دقت برآورد پارامترهای تعریف‌شده در ساختار مدل‌ها بستگی دارد. در این تحقیق روند عملکرد دو الگوریتم فرابتکاری، الگوریتم تکامل تفاضلی و بهینه‌ساز ازدحام ذرات، دربرآرود پارامترهای هیدرولیکی منحنی رطوبتی خاک برپایه مدل ون‌گنوختن و مدل بروکز- کوری در چهار کلاس بافتی؛ لوم رس شنی، لوم شنی، لوم و سیلت لوم مطالعه شد. همچنین عملکرد الگوریتم‌های فرابتکاری نسبت به نرم‌افزار RETC که دارای الگوریتم محلی غیر‌خطی حداقل مربعات است، مورد ارزیابی قرار گرفت. از این‌رو، در سطح مزرعه کشاورزی دانشگاه بیرجند از چهار کلاس بافتی غالب، 20 نقطه به‌طور تصادفی انتخاب و نمونه‌برداری صورت گرفت. با استفاده از جعبه شن و صفحات فشاری در دامنه مکش صفر تا 15000 سانتی‌متر آب، مقدار رطوبت خاک اندازه‌گیری شد. نتایج حاصل در جهت برآرود پارامترهای هیدرولیکی برپایه دو مدل ون‌گنوختن (vG) و بروکز-کوری (BC) با استفاده از الگوریتم‌های فرابتکاری و RETC پرداخته شد. از دو شاخص آماری RMSE و R2 برای مقایسه نتایج حاصل بهره گرفته‌شد. نتایج نشان داد که کمترین مقدار شاخص RMSE حاصل عملکرد الگوریتم تکامل تفاضلی در مدل vG؛ 0008/0، 0005/0، 0004/0 و 0006/0 و در مدل BC؛006/0، 006/0، 005/0 و 0005/0 به‌ترتیب درکلاس بافتی لوم رس شنی، لوم شنی، لوم و سیلت لوم حاصل شد. همچنین بیشترین و کمترین مقدار دو شاخص آماری RMSE و R2 در همه کلاس‌های بافتی خاک در عملکرد RETC مشاهده گردید. نتایج حاصل از این تحقیق بیانگر عملکرد ضعیف الگوریتم‌های محلی در حل مسائل چند متغیره‌ای است. از سوی دیگر بیانگر قابلیت الگوریتم‌های فرابتکاری در حل مسائل چند متغیره که دارای روابط نمایی هستند. از این‌رو، الگوریتم‌های فرابتکاری می‌تواند یک گزینه مناسب در حل مدل‌های هیدرولیکی خاک در جهت برآورد پارامترهای منحنی رطوبتی خاک باشد.

کلیدواژه‌ها

موضوعات


References
Azad, N., Behmanesh, J., Rezaverdinejad, V., Abbasi, F., & Navabian, M. (2018). Developing an optimization model in drip fertigation management to consider environmental issues and supply plant requirements. Agricultural Water Management, 208, 344-356. doi:10.1016/j.agwat.2018.06.030
Baram, S., Couvreur, V., Harter, T., Read, M., Brown, P.H., Kandelous, M., Smart, D.R., & Hopmans, J. W. (2016). Estimating nitrate leaching to groundwater from orchards: Comparing crop nitrogen excess, deep vadose zone data‐driven estimates, and HYDRUS modeling. Vadose Zone Journal, 15(11), 1-13. doi:10.2136/vzj2016.07.0061
Brooks, R.H., & Corey, A.T. (1964). Hydraulic properties of porous media and their relationship to drainage design Doctoral dissertation, Colorado State University. Libraries.
Brunetti, G., Šimůnek, J., & Piro, P. (2016). A comprehensive numerical analysis of the hydraulic behavior of a permeable pavement. Journal of Hydrology, 540, 1146-1161. doi:10.1016/j.jhydrol.2016.07.030
Du, G.M., & Zhang, Y.L. (2012). Calculate the van genuchten equation parameters based on PSO. Journal of Irrigation and Drainage, 31(6), 60-62.
Eberhart, R., & Kennedy, J. (1995). Particle swarm optimization. In Proceedings of the IEEE International Conference on Neural Networks, pp. 1942-1948.
Emamgholizadeh, S., Bazoobandi, A., Mohammadi, B., Ghorbani, H., & Sadeghi, M.A. (2023). Prediction of soil cation exchange capacity using enhanced machine learning approaches in the southern region of the Caspian Sea. Ain Shams Engineering Journal, 14(2), 76-92. doi:10.1016/j.asej.2022.101876
Etminan, S., Jalali, V., Mahmoodabadi, M., Siuki, A.K., & Bilondi, M.P. (2021a). Assessing an efficient hybrid of Monte Carlo technique (GSA-GLUE) in uncertainty and sensitivity analysis of vanGenuchten soil moisture characteristics curve. Computational Geosciences, 25, 503-514. doi:10.1007/s10596-020-10019-w
Etminan, S., Jalali, V., Mahmoodabadi, M., Khashei Siuki, A., & Pourreza Bilondi, M. (2021b). Investigating the effect of optimizing soil hydraulic parameters with inverse and parametric solution methods in increasing the accuracy of water movement simulation with HYDRUS. Applied Soil Research, 9(2), 15-30. https://asr.urmia.ac.ir/article_121061.html?lang=en [In Persian]
Gardner, W.R., Hillel, D., & Benyamini, Y. (1970). Post‐irrigation movement of soil water: 1. Redistribution. Water Resources Research, 6(3), 851-861. doi:10.1029/WR006i003p00851
Gebauer, A., Ellinger, M., Brito Gomez, V.M., & Lieb, M. (2020). Development of pedotransfer functions for water retention in tropical mountain soil landscapes: spotlight on parameter tuning in machine learning. Soil, 6(1), 215-229. doi:10.5194/soil-6-215-2020
Holzman, M.E., Carmona, F., Rivas, R., & Niclòs, R. (2018). Early assessment of crop yield from remotely sensed water stress and solar radiation data. Journal of Photogrammetry and Remote Sensing, 145, 297-308. doi:10.1016/j.isprsjprs.2018.03.014
Kang, S., Hao, X., Du, T., Tong, L., Su, X., Lu, H., Li, X., Huo, Z., Li, S., & Ding, R. (2017). Improving agricultural water productivity to ensure food security in China under changing environment: From research to practice. Agricultural Water Management, 179, 5-17. Doi:10.1016/j.agwat.2016.05.007
Kumar, S.V., Dirmeyer, P.A., Peters-Lidard, C.D., Bindlish, R., & Bolten, J. (2018). Information theoretic evaluation of satellite soil moisture retrievals. Remote Sensing of Environment, 204, 392-400. doi:10.1016/j.rse.2017.10.016
Li, Y.B., Liu, Y., Nie, W.B., & Ma, X.Y. (2018). Inverse modeling of soil hydraulic parameters based on a hybrid of vector-evaluated genetic algorithm and particle swarm optimization. Water, 10(1), 84. doi:10.3390/w10010084
Maggi, S. (2017). Estimating water retention characteristic parameters using differential evolution. Computers and Geotechnics, 86, 163-172. doi:10.1016/j.compgeo.2016.12.025
Maroufi, H., & Mehdinejadiani, B. (2021). A comparative study on using metaheuristic algorithms for simultaneously estimating parameters of space fractional advection-dispersion equation. Journal of Hydrology, 602, 126757. doi:10.1016/j.jhydrol.2021.126757
Mehdinejadiani, B., & Fathi, P. (2020). Analytical solutions of space fractional Boussinesq equation to simulate water table profiles between two parallel drainpipes under different initial conditions. Agricultural Water Management, 240, 106324. doi:10.1016/j.
agwat.2020.106324
Moazenzadeh, R., Mohammadi, B., Safari, M.J.S., & Chau, K.W. (2022). Soil moisture estimation using novel bio-inspired soft computing approaches. Engineering Applications of Computational Fluid Mechanics, 16(1), 826-840. doi:10.1080/19942060.2022.2037467
Ojha, R., Morbidelli, R., Saltalippi, C., Flammini, A., & Govindaraju, R.S. (2014). Scaling of surface soil moisture over heterogeneous fields subjected to a single rainfall event. Journal of hydrology, 516, 21-36. doi:10.1016/j.jhydrol
.2014.01.057
Ou, Z. (2015). Differential evolution’s application to estimation of soil water retention parameters. Agronomy, 5(3), 464-475. doi:10.3390/
agronomy5030464
Pachepsky, Y., & Rawls, W.J. (2004). Development of pedotransfer functions in soil hydrology. 30, Elsevier.
Pachepsky, Y., Guber, A., Jacques, D., Simunek, J., Van Genuchten, M.T., Nicholson, T., & Cady, R. (2006). Information content and complexity of simulated soil water fluxes. Geoderma, 134(3-4), 253-266. doi:10.1016/j.geoderma.
2006.03.003
Ramadas, M., & Abraham, A. (2022). Segregating satellite imagery based on soil moisture level using advanced differential evolutionary multilevel segmentation. IEEE Congress on Evolutionary Computation, 1-6. doi: 10.1109/CEC55065.2022.9870422
Rawls, W.J., & Pachepsky, Y.A. (2002). Using field topographic descriptors to estimate soil water retention. Soil Science, 167(7), 423-435. doi:10.1097/00010694-200207000-00001
Rossi, C., & Nimmo, J.R. (1994). Modeling of soil water retention from saturation to oven dryness. Water Resources Research, 30(3), 701-708. doi:10.1029/93WR03238
Schaap, M.G., & Leij, F.J. (1998). Using neural networks to predict soil water retention and soil hydraulic conductivity. Soil and Tillage Research, 47(1-2), 37-42. doi:10.1016/S0167-1987(98)00070-1
Schaap, M.G., Leij, F.J., & Van Genuchten, M.T. (2001). Rosetta: A computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions. Journal of Hydrology, 251(3-4), 163-176. doi:10.1016/
S0022-1694(01)00466-8
Sreelash, K., Buis, S., Sekhar, M., Ruiz, L., Tomer, S.K., & Guerif, M. (2017). Estimation of available water capacity components of two-layered soils using crop model inversion: Effect of crop type and water regime. Journal of Hydrology, 546, 166-178. doi:10.1016/
j.jhydrol.2016.12.049
Storn, R. (1995). Differrential evolution-a simple and efficient adaptive scheme for global optimization over continuous spaces. Technical report, International Computer Science Institute, 11-29. https://cse.engineering.nyu.edu/~mleung/CS909/s04/Storn95-012.pdf
Tao, H., Diop, L., Bodian, A., Djaman, K., Ndiaye, P.M., & Yaseen, Z.M. (2018). Reference evapotranspiration prediction using hybridized fuzzy model with firefly algorithm: Regional case study in Burkina Faso. Agricultural Water Management, 208, 140-151. doi:10.1016/j.agwat.2018.06.018
Tavakoli, M., & De Smedt, F. (2013). Validation of soil moisture simulation with a distributed hydrologic model (WetSpa). Environmental Earth Sciences, 69(3), 739-747. doi:10.1007/s12665-012-1957-8
Van Genuchten, M.T. (1980). A closed‐form equation for predicting the hydraulic conductivity of unsaturated soils. Soil science society of America journal, 44(5), 892-898. doi:10.2136/sssaj1980.
03615995004400050002x
Van Genuchten, M.V., Leij, F.J., & Yates, S.R. (1991). The RETC code for quantifying the hydraulic functions of unsaturated soils.
Van Lier, Q.D.J., Pinheiro, E.A.R., & Inforsato, L. (2019). Hydrostatic equilibrium between soil samples and pressure plates used in soil water retention determination: consequences of a questionable assumption. Revista Brasileira de Ciência do Solo, 43-61. doi.org/10.1590/
18069657rbcs20190014
Vereecken, H., Maes, J., Feyen, J., & Darius, P. (1989). Estimating the soil moisture retention characteristic from texture, bulk density, and carbon content. Soil Science, 148(6), 389-403. https://journals.lww.com/soilsci/abstract/1989/12000/estimating_the_soil_moisture_retention.1.aspx
Wang, J., Shi, T., Yu, D., Teng, D., Ge, X., Zhang, Z., Yang, X., Wang, H., & Wu, G. (2020). Ensemble machine-learning-based framework for estimating total nitrogen concentration in water using drone-borne hyperspectral imagery of emergent plants: A case study in an arid oasis, NW China. Environmental Pollution, 266, 412-431. doi: 10.1016/j.
envpol.2020.115412
Wang, L., Huang, C., & Huang, L. (2018). Parameter estimation of the soil water retention curve model with Jaya algorithm. Computers and Electronics in Agriculture, 151, 349-353. doi:10.1016/j.compag.2018.06.024
Yan, Y., Liu, J., Zhang, J., Zhao, Y., & Xiaopeng, L. (2017). Quantifying soil hydraulic properties and their uncertainties by modified GLUE method. International Agrophysics, 31(3), 433-445. doi:10.1515/intag-2016-0056
Yin, Z.Y., Jin, Y.F., Shen, J.S., & Hicher, P.Y. (2018). Optimization techniques for identifying soil parameters in geotechnical engineering: comparative study and enhancement. International Journal for Numerical and Analytical Methods in Geomechanics, 42(1), 70-94. doi:10.1002
/nag.2714