تخمین ضریب یکنواختی توزیع آب در آبیاری بارانی با استفاده از روش‌های داده-کاوی

نویسندگان

1 آبیاری و زهکشی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

2 گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

چکیده
نظر به‌اینکه کمبود آب مهمترین تنگنای توسعه کشاورزی پایدار به‌شمار می‌آید و  پتانسیل آبی کشور دیگر پاسخگوی نیازهای روبه‌رشد تقاضای آب بخصوص در‌ بخش کشاورزی نیست، بهینه­­سازی مصرف آب امری ضروری به‌نظر می­رسد. یکنواختی توزیع آب (CU) یک پارامتر مهم فنی در طراحی سیستم­های آبیاری بارانی می­باشد. با‌‌توجه به تنوع گسترده آبپاش­های مورد استفاده در آبیاری بارانی لازم است با تغییرات ساده­ای مانند تغییر فشار سیستم، تغییرات ارتفاع پایه آبپاش، تنظیم فاصله آبپاش­ها روی لوله­های جانبی و همچنین فاصله­ لوله­های جانبی از یکدیگر یکنواختی توزیع آب و عملکرد سیستم آبیاری را بهبود بخشید. دراین پژوهش، مقادیر ضریب یکنواختی توزیع آب برای آبپاش­های مدل  AQ-20 و  KA-6در4 تیمار فشارکارکرد (2، 5/2، 3 و 5/3 اتمسفر)، 16 تیمار فواصل آبپاش­ها (SL×Sm) شامل (9×18، 12×18، 15×18، 18×18، 9×15، 12×15، 15×15، 18×15، 9×12، 12×12، 15×12، 18×12، 9×9، 12×9، 15×9 و 18×9 متر)، 4 تیمار ارتفاع پایه آبپاش (60، 90، 120 و 150 سانتیمتر) و 3 تیمار آرایش آبپاش­ها (مربعی، مستطیلی و مثلثی) در شرایط باد آرام (2-0 متر بر ثانیه) در ایستگاه تحقیقات پنبه هاشم‌آباد گرگان اندازه­گیری شد. جهت تخمین CU هر آبپاش از مدل M5 درخت تصمیم استفاده شد و نتایج حاصل با روشK – نزدیکترین همسایگی مورد مقایسه قرار گرفت. با مقایسه آماری نتایج محاسباتی، ریشه میانگین مربعات خطا (RMSE) برای روش­های M5 و  K-NN در آبپاش AQ-20  برابر 0681/0  و 0562/0 و در آبپاش KA-6  نیز به ترتیب برابر 086/0 و 0716/0 به­دست آمد که این امر بیانگر دقت مناسب هر دو روش در مدل­سازی است. از آنجایی که مدل M5 قادر به ارائه روابطی صریح برای تخمین ضریب یکنواختی است، جنبه کاربردی بیشتری دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimating of Water Distribution Uniformity in Sprinkler Irrigation Using Data Mining techniques

نویسندگان [English]

  • Ziba Ghezalbash 1
  • Mehdi Zaherinia 2
  • , Abotaleb Hezarjaribi 2
  • Amir Ahmad Dehghani 2
چکیده [English]

Abstract
Considering that water shortage is the major dilemma for Sustainable agriculture development and water potential of the country is no longer able to adequately meet the growing needs of  water demand especially in agricultural section, it's essential to optimize water consumption.Uniformity of sprinkler irrigation is an important technical parameter for designing sprinkler irrigation systems. Due to high diversity of sprinklers used in sprinkler irrigation, it's necessary to improve irrigation system performance with simple changes such as changes in system operating pressures, riser head, setting sprinkler spacing on laterals and the distance between laterals. In this research, CU quantities of two types of sprinkler (AQ-20 and KA-6) were measured in slow wind velocity (0-2 m/s) , at Hashemabad cotton research station of Gorgan city under 4 different operating pressures (2, 2.5, 3 and 3.5 at), 16 distances of sprinklers (including 9×18, 12×18, 15×18, 18×18, 9×15, 12×15, 15×15, 18×15, 9×12, 12×2, 15×12, 18×12, 9×9, 9×12, 9×15 and 9×18) , 4 riser heads (60, 90, 120 and 150 cm) and 3 arrangements of sprinklers (square, rectangular and triangular). Decision tree model M5 was used to estimate uniformity of each sprinkler and the results were compared with K - nearest neighbor method. By statistical comparison of results, root mean squared error (RMSE) for AQ-20 sprinkler in M5 and K-NN methods were obtained as 0.0681 and 0.052 and for KA-6 sprinkler as 0.086 and 0.0716, respectively. The results indicate the high accuracy of both methods for modeling, since M5 is capable of estimating explicit equations for estimating CU; it incorporates more practical features. 

کلیدواژه‌ها [English]

  • Keywords: Sprinkler Irrigation
  • Water distribution
  • uniformity coefficient
  • K- Nearest Neighbor
  • Decision Tree Model M5

منابع

باوی، ع.، ح. کشکولی و س. برومند نسب. 1387. تاثیر عوامل جوی و هیدرولیکی بر ضریب یکنواختی توزیع آب در آبیاری بارانی در منطقه امیدیه. مجله پژوهش آب ایران، 2: 53-59.

بردبار، م.، م. سلوکی و ب. بردبار. 1388. راهکار­ها و روش­های کاربردی برای برای مصرف بهینه آب در بخش کشاورزی. اولین همایش ملی مدیریت بحران آ ب. اسفندماه 1388. دانشگاه آزاد اسلامی واحد مرودشت.

جلالی، و.، ر. خاشعی سیوکی و م. همایی. 1392. مقایسه روش­های زمین آماری با روش غیر پارامتریک   Kنزدیکترین همسایگی برای برآورد هدایت هیدورلیکی اشباع خاک. نشریه پژوهش­های حفاظت آب و خاک ، 5: 20، صفحات 162-147.

 

حق­وردی، ا.، ب. قهرمان، ع. خوشنود یزدی و ز. عربی. 1389. برآورد رطوبت در نقطه پژمردگی دائم و ظرفیت زراعی خاک­های شمال و شمال شرق ایران با استفاده از روش­هایK  نزدیکترین همسایگی و شبکه عصبی مصنوعی. نشریه آب و خاک، 4: 24، صفحات 818-804 .

ذوالفقاری، ع.، ا. تیرگر سلطانی، ت. افشاری بدرلو و ف. سرمدیان. 1391. مقایسه روش­های  Kنزدیکترین همسایگی و شبکه عصبی مصنوعی در برآورد طرفیت تبادل کاتیونی خاک. مجله مدیریت خاک و تولید پایدار، 1: 3، صفحات 92-77.

ظهیری، ع. و خ. قربانی. 1392. شبیه­سازی دبی جریان در مقاطع مرکب به کمک مدل درخت تصمیم M5. نشریه پژوهش­های حفاظت آب و خاک ، 3: 20، صفحات 132-113.

فرزاد منش، س. 1391. برآورد ضریب یکنواختی توزیع آب در آبیاری بارانی به کمک الگوریتم ژنتیک. پایان نامه کارشناسی ارشد. دانشکده مهندسی آب و خاک دانشگاه علوم کشاورزی و منابع طبیعی گرگان. 147 صفحه.

قزلباش، ز.، م. ذاکری نیا، ا. هزار جریبی و ا. دهقانی. 1393. مقایسه عملکرد دو روش برنامه­ریزی بیان ژن و شبکه عصبی مصنوعی به منظور تخمین ضریب یکنواختی توزیع آب در آبیاری بارانی. نشریه پژوهش­های حفاظت آب و خاک ، 6: 21، صفحات 114-95.

کابلی، ح.، ا. م. آخوند علی، ا. ر. مساح بوانی و ف. رادمنش. 1391. ارائه مدل ریز مقیاس نمایی بر اساس داده­های اقلیمی بر اساس روش ناپارامتریک نزدیکترین همسایگی (K-NN). مجله آب و خاک، 4 :26 صفحات 808-779.

Ahaneku, I.E. 2010. Performance evaluation of portable sprinkler irrigation system in Ilorin, Nigeria. Indian Journal of Science and Technology. 3:7.857-853.

Bhattacharya, B. and D.P. Solomatine. 2005. Neural network and M5 model tree in modeling water level-discharge relationship. Neuro Computing, 63: 381-396.

Bhattacharya, B. and Solomatine, D.P. 2006. Machine learning in sedimentation  modeling. Neural networks.19: 208-214.

Cabena, P., R. Stadler , J. Verhees and A. Zanasi. 1998. Discovering Data Mining From Concept to Implementation . IBM, New Jersey. 195 pp.

Christiansen, J.E. 1942. Irrigation by sprinkling. California Agric. Exp. Stn. Bull. 670. University of California, Berkeley

Clark, M.P. 2004. A resampling procedure for generating conditioned daily weather sequences. Water Resource. .  Res.  40. W 04304 doi.  10.1029/2003 WR002747.

Corporation,T. C. 2005. Introduction to data mining and knowledge discovery. Third  edition.36 pp

Dabbous, B. 1962.  A study of sprinkler uniformity evaluation method. Thesis submitted to Utah StateUniversity at Logan, Utah, in partial fulfillement of the requirements for the degree of Masterof Science, Utah 84322.

Etemad Shahidi, A. and J.  Mahjpbi. 2009. Comparison between M5 model tree and neural network for prediction of significant wave height in Lake Superior. Ocean Engineering, 36: 15. 1175-1181.

Fukui, Y., K. Nakanishi and S.Okamura. 1980. Computer evaluation of sprinkler irrigation uniformity. Irrigation Science. 2:1. 23-32.

Ghorbani Dashtaki, S., M. Homaee, M.H. Mahdian and M. Kouchakzadeh.  2009. Site-Dependence Performanceof Infiltration Models.  Water Resource. Management. DOI 10.1007/s11269-009-9408-3.

Hart,  W.E  and  W.N.  Reynolds.  1965.  Analytical design-sprinkler  system. Transactions, American Society of Agricultural Engineers. 1:83-89.

Heerman, D.F. 1983. Design and operation of farm irrigation system. American Society of Agricultural Engineers. PP: 591-598.

Karmeli.,  D.  1997.  Estimating  sprinkler distribution  pattern  using  ear regression.  Transactions  American  Society  of  Agricult  ural  Engineers.  21:4. 682-685.

Keller,  J. R.D. and  Bliesner.  1990.  Sprinkler and trickle  irrigation.  Van  Nostrand Reinhold, NewYork, NY, USA. 652 pp.

Lall,  U.  and A. Sharma.  1996.  A nearest-neighbor  bootstrap  for  resampling hydrologic time series. Water Resour. Res. 32: 679-693.

Merriam, J.I.  and J.   Keller. 1978. Farm irrigation system evaluation.3. Logan, Utah: Agricultural and Irrigation Engineering Department, Utah state University. 271 PP.

Montero, J.,  J. M. Tarjuelo  and  p. Carrion.  2003.  Sprinkler droplet  size distribution measured with an optical spectropluviometer. Irrig. Sci. 22: 47-56.

Nemes, A., R.T. Roberts, W. J. Rawls, Y. A. Pachepsky and M.Th Van Genuchten. 2008. Software to estimate -33 and -1500 kPa soil water retention using the  non-parametric  k-Nearest Neighbor  technique.  Environm  Modell.  Softw. 23: 254-255

OSEI, F. K. B.  2009.  Evaluation of  sprinkler  irrigation  system  for  improved maize seed production for farmers in Ghana. A Thesis for M.sc. March: http:/// dspace.knust.edu.gh/dspace/bitstream 123456789/1939/1/fulltxt.pdf .

Pal, M. and S.  Deswal. 2009. M5 model tree based modeling of reference evapotranspiration. Hydr. Process. 23: 1437-1443.

Quinlan, J.R. 1992. Learning with countinuous classes. P 343-348, In: Proceeding of Fifth Australian joint on artificial intelligence, Singapore.

Rajagopalan , B.  and U. Lall. 1999. A k-nearest neighbour simulator for daily precipitation and other variables. Water Resources Research. 35 :10, 3089–3101.

Solomatin, D.P.  and K. Dulal. 2003. Model tree as an alternative to neural network in  rainfall- runoff modeling. Hydr. Sci. J. 48:3. 399-411.

Solomon, K.  1979. Variability of sprinkler coefficient of uniformity test results. Transactions, ASAE, 22: 1078-1080.

Wang, Y. 1997. Induction of model trees for predicting continuous lasses. In Proceedings of the Poster Papers of the European Conference on Machine Learning, University of Economics, Faculty of Informatics and Statistics, Prague.

Witten, I. H. and E. Frank. 2005. Data Mining: Practical machine learning tools and techniques with Lava implementation. Morgan Kaufmann: San Francisco.

Yakowitz, S. 1993. Nearest-neighbor estimation for null-recurrent Markov time series. Stoch. Proc. Appl. 48: 311-318.

Yates, D., S. Gangopadhyay,  B. Rajagopalan  and  K. Strzepek. 2003.  A technique  for  generating  regional  climate  scenarios  using  a nearest-neighbor algorithm. Water Resour. Res. 39:1199 doi 10.1029/2002WR001769.