Journal of Watershed Management Research

fa شبیه‌سازی فرآیند بارش- رواناب با به‌کارگیری پلات‌های صحرایی و شبکه عصبی مصنوعی Prediction of the rainfall-runoff process using field plots and artificial neural network (ANN) حفاظت آب و خاک حفاظت آب و خاک پژوهشي Research <div style="text-align: justify;">چکیده مبسوط مقدمه و هدف: شبیه‌سازی فرآیند بارش- رواناب برای برآورد رواناب ناشی از وقوع بارندگی گامی مهم در برنامه‌ریزی و مدیریت منابع طبیعی و منابع آب به‌ویژه در آبخیزهای فاقد ایستگاه‌های هیدرومتری است؛ اما این فرآیند دارای پیچیدگی‌های خاص خود و عوامل مؤثر متعدد ازجمله عوامل بارش (مقدار و شدت بارش)، پوشش گیاهی (نوع پوشش و تراکم پوشش)، عوامل خاک (بافت خاک، رطوبت اولیه خاک و میزان نفوذپذیری خاک) و نحوه مدیریت اراضی است. تحقیق حاضر باهدف ارائه مدلی برای شبیه‌سازی فرآیند بارش- رواناب با استفاده از مدل‌سازی شبکه عصبی مصنوعی (ANN) و داده‌های رواناب پلات‌های صحرایی صورت گرفت. مواد و روش‌ها: این تحقیق روی یک دامنه شیب‌دار در دانشگاه گیلان با خاک رسی- لومی به‌صورت تکراری از پلات‌های زوجی در تیمارهای مختلف پوشش گیاهی و مدیریت اراضی انجام شد. همچنین، با استفاده از یک باران‌سنج ذخیره‌ای، بعد از هر بارش مقدار بارندگی اندازه‌گیری شد. مقادیر رواناب نیز به‌واسطه پلات‌ها برآورد و از تفاوت مقادیر بارش و رواناب‌ها، مقادیر هدررفت اولیه در سطح هر پلات به ازای هر واقعه بارش در شرایط متفاوت رطوبت پیشین خاک محاسبه گردید. مجموع بارش پنج روز قبل به‌عنوان رطوبت پیشین خاک برآورد شد. در مورد نحوه مدیریت زراعی دو الگوی شخم در جهت شیب و شخم عمود بر جهت شیب برای گشت گونه‌های مرتعی بومی مورد استفاده و مقایسه قرار گرفت. تغییرات شیب، بافت خاک و خصوصیات خاک به&rlm; دلیل محدودیت سطح ناچیز بود؛ لذا از خاک به‌عنوان یک ورودی تأثیرگذار بر روی رواناب استفاده نشده است. چون هدف ارزیابی ‌اثر پوشش گیاهی و مدیریت زراعی در تولید رواناب بود؛ بنابراین، باید شرایط یکسان برای سطح پلات‌های زوجی به‌منظور بی‌اثر کردن اثر خاک فراهم نمود. به‌منظور مدل‌سازی داده&rlm; های اخذشده به دو دسته داده&rlm; های آموزشی و آزمودنی تفکیک شدند. پارامتر مقادیر رواناب به‌عنوان خروجی مدل و مقادیر بارش، درصد تاج پوشش مرتعی و درختی، رطوبت پیشین خاک، درصد لاش‌برگ به‌عنوان ورودی‌های بهینه مدل در نظر گرفته شد. شیب زمین با استفاده از مساحی برآورد گشت. درصد پوشش گیاهی و درصد لاش‌برگ با استفاده از نسبت سطح پوشش گیاهی به سطح کل پلات و میکروپلات اندازه‌گیری شد. تعیین نوع پوشش به‌صورت کمی مشکل است؛ اما به دلیل شبیه‌سازی اثر قطرات باران، پاشمان باران و برگاب درختان، ارتفاع پوشش گیاهی نیز در نظر گرفته شد. یافته‌ها: به &rlm;دلیل سطح محدود پلات‌ها عملاً مقدار ذخیره بسیار ناچیز بود. براساس تجزیه‌وتحلیل آماری عوامل میزان بارندگی و رطوبت پیشین خاک رابطه مثبت با تولید رواناب دارند. پوشش گیاهی و لاش‌برگ با مقادیر رواناب رابطه معکوس دارند. در نهایت، مهم‌ترین عامل در کنترل تولید رواناب، عامل پوشش گیاهی است (0/71-=R2). بیشترین کارایی در کنترل تولید رواناب در پلات دارای پوشش مرتعی با تاج پوشش صد درصد مشاهده‌شده است. پوشش گیاهی به‌نوعی تعیین‌کننده مقادیر لاش‌برگ و هوموس خاک است. گونه‌های درختی نیز به‌طور محدودی در کنترل کاهش رواناب مؤثر بوده‌اند و اگر پوشش مرتعی در زیر تاج پوشش درختان مستقر شود موجب کارایی مضاعفی در کاهش تولید رواناب خواهد شد. هرچند عموماً زیر درختان یا اراضی جنگلی پوشش مرتعی حداکثری رویت نشده است. نتایج نشان داد با توجه به تعداد محدود درختان به‌واسطه گیرش گیاهی مقادیر تولید رواناب تا حداکثر 10 درصد کاهش دهند که در مطالعات گذشته این اثر پوشش جنگلی بین 40 درصد جنگل‌های متراکم تا جنگل‌های تنک متغیر بوده است. همچنین نتایج نشان داد که هر دو عامل نوع لاش‌برگ (بقایای گونه‌های مرتعی یا درختی) و میزان یا درصد پوشش لاش‌برگ در کنترل ایجاد رواناب تأثیرگذار هستند. درمورد تأثیر الگوی شخم، نتایج نشان می‌دهد که شخم و کشت نواری در جهت عمود به جهت شیب، منجر به کاهش سرعت رواناب، نفوذ بیشتر رواناب، حفظ رطوبت بیشتر در خاک، شرایط بهتر رشد و نمو پوشش گیاهی می‌شود. درنهایت این موارد منجر به کاهش فاحش تولید رواناب خواهد شد که مقایسه رواناب اندازه‌گیری شده در این دو پلات در وقایع متعدد بارش بیانگر این مطلب بوده است و پلات دارای شخم و کشت عمود در جهت شیب پس از استقرار کامل پوشش گیاهی می‌تواند تا 50 درصد در کاهش تولید رواناب مؤثرتر باشد. نتایج روش آزمون-خطا در مدل شبکه‌های عصبی حاکی از آن است که مقادیر بارش، نوع پوشش گیاهی، درصد تاج پوشش گیاهی ورودی‌های بهینه جهت شبیه‌سازی مقادیر رواناب می‌باشند. همچنین نتایج نشان داد که تابع انتقال تانژانت هیپربولیک و فن یادگیری LM بهترین گزینه‌ها برای ساختار بهینه شبکه‌ها می‌باشند. آموزش شبکه‌های عصبی در دو مرحله نشان داد مدل به‌کاررفته دارای کارایی بالایی در برآورد مقادیر رواناب می‌باشند. براساس نتایج اعتبارسنجی، شبکه MLP به‌عنوان یک شبکه کارآمد جهت شبیه‌سازی مقادیر رواناب یا فرآیند بارش- رواناب است. همچنین، مقایسه بین مقادیر شبیه‌سازی‌شده و مقادیر مشاهداتی رواناب در مرحله آزمودن نشان داد که تطابق خوبی بین مقادیر شبیه‌سازی‌شده و مقادیر مشاهداتی است. مقادیر 0/97, R2=0/004MSE= و 0/91, R2 = 4/2=MSE  به ترتیب در مرحله آموزش و مرحله آزمودن مدل به دست آمد و درنهایت مدلی با کارایی بالا برای شبیه&rlm; سازی فرآیند بارش- رواناب ارائه شد. نتیجه فرآیند مدل‌سازی نشان داد که پوشش مرتعی دارای بالاترین کارایی در کنترل میزان رواناب است. نتیجه‌گیری: خصوصیات پوشش گیاهی نظیر نوع پوشش گیاهی و تراکم آن مهم‌ترین عامل کنترل‌کننده ایجاد رواناب در اراضی شیب‌دار است. علاوه بر این، نحوه مدیریت زمین، الگوی کشت و نحوه شخم زمین نیز از دیگر عوامل مهم هستند؛ بنابراین، می‌توان براساس خصوصیات خاک، شیب زمین و رطوبت پیشین خاک، مقادیر تلفات کل و هدر رفت اولیه را برآورد نمود و الگوی &rlm;های کشت یا نوع پوشش گیاهی مناسب را برای کنترل یا کاشت رواناب انتخاب و عملکرد آن‌ها را طی فرآیند بارش-رواناب مدل‌سازی کرد. همچنین یک مدل آزمایش&rlm; شده مبتنی بر شبکه عصبی می‌تواند ابزاری برای برآورد مقادیر رواناب در مقیاس ماهانه و سالانه براساس داده‌های بارش ایستگاه‌های هواشناسی باشد. از مدل مذکور می‌توان برای شبیه&rlm; سازی اثر سناریوهای مختلف پوشش گیاهی در تولید رواناب و یا برآورد رواناب براساس بارش ایستگاه &rlm;های هواشناسی استفاده نمود.  </div> <div style="text-align: justify;">Extended Abstract Background: Simulation of the rainfall-runoff process for estimating runoff due to rainfall is an important step in planning and management of natural resources and water resources, especially in watersheds without hydrometric stations. However, this process has its own complexities and several affecting factors such as precipitation factors (amount and intensity of rainfall), vegetation cover (type of cover and cover density), soil factors (soil texture, soil initial moisture, and permeability), and land management quality. This study aimed to provide a model for simulating the rainfall-runoff process using artificial neural network (ANN) modeling and runoff data of field plots. Methods: The study was executed on a slope at Guilan University using clay-loam soil in a repetitive way, with paired plots subjected to different vegetation and land management treatments. The amount of rain was measured after every rainfall using a storage rain gauge. Runoff values were estimated by plots, and from the difference between precipitation and runoff values, the initial loss values at the surface of each plot were calculated for each precipitation event under different soil moisture conditions. The total precipitation of the previous five days was estimated as the previous soil moisture. Regarding the agronomic management method, two patterns of plowing in the slope direction and plowing perpendicular to the slope direction were used and compared to patrolling native rangeland species. The changes in slope, soil texture, and soil properties were negligible due to the limits of the area, thus soil was not used as an input affecting runoff. Since the aim was to evaluate the effect of vegetation cover and agronomic management on runoff production, it was necessary to provide the same conditions for the level of paired plots to neutralize the effect of soil. To model the obtained data, they were divided into two categories: educational and subject data. The parameters of runoff values were considered the output of the model, and the precipitation values, percentage of rangeland and tree canopy, precious soil moisture, and percentage of leaf litter were regarded as the optimal inputs of the model. The land slope was estimated by surveying. Vegetation cover and leaf litter percentages were measured using the ratio of vegetated area to the total plot and microplot area. It is difficult to quantitatively determine the type of coverage, but the height of the vegetation was also considered due to the simulation of the effect of raindrops, rain spraying, and tree foliage. Results: The amount of reserve was actually very small due to the limited area of plots. Based on statistical analysis, the rainfall and previous soil moisture factors have a positive relationship with runoff production. Vegetation and leaf litter have an inverse relationship with runoff values. Finally, the most important factor in controlling runoff production is vegetation cover (R2 = -0.71). The highest efficiency in controlling runoff production was observed in a plot with a rangeland cover of 100% canopy cover. Vegetation somehow determines the amount of leaf litter and humus in the soil. Tree species have also been limited in controlling runoff reduction, and if rangeland cover is located under the canopy of trees, it will cause double efficiency in reducing runoff production. However, there is generally no maximum pasture cover under trees or forest lands. The results showed that the amount of runoff production can be reduced by up to 10% due to the limited number of trees due to vegetation. In previous studies, this effect of forest cover varied between 40% of dense forests and sparse forests. The results also show that both factors of the type of leaf litter and the amount or percentage of leaf cover are influential in controlling runoff. Regarding the effect of plowing patterns, the results show that plowing and strip cultivation in the direction perpendicular to the slope direction lead to a decrease in the runoff rate, more runoff penetration, more moisture retention in the soil, and better conditions for vegetation growth and development. Finally, these cases will lead to a significant decrease in runoff production. A comparison of the measured runoff in these two plots in different precipitation events has indicated that the plot with plowing and perpendicular cultivation in the direction of slope after the complete establishment of vegetation can be up to 50% more effective in reducing runoff production. The results of the trial-error method in the neural network model indicate that the rainfall values, the type of vegetation cover, and the percentage of vegetation canopy are the optimal inputs for simulating runoff values. The results also show that the hyperbolic tangent transfer function and the LM learning technique are the best options for the optimal structure of networks. Neural network training in two stages showed that the used model was highly efficient in estimating runoff values. Based on the validation results, the MLP is an efficient network for simulating runoff values or the rainfall-runoff process. Moreover, a comparison between the simulated and the observed values of runoff in the experimental phase showed a good agreement between the simulated and the observed values. The values of MSE = 0.97, R2 = 0.004 and MSE = 0.91, R2 = 4.2 were obtained in the training and testing phases of the model, respectively, and, finally, a high-performance model was presented to simulate the rainfall-runoff process. The result of the modeling process showed that rangeland cover had the highest efficiency in controlling runoff. Conclusion: Vegetation characteristics, such as vegetation type and density, are the most important factors controlling runoff in sloping lands. In addition, land management, cultivation patterns, and plowing methods are other important factors. Therefore, it is possible to estimate the total losses and initial loss based on soil characteristics, land slope, and previous soil moisture and to select suitable cultivation patterns or vegetation types for runoff control or planting and model their yields during the rainfall-runoff process. A tested model based on the neural network can also be a tool for estimating runoff values on a monthly and annual scale based on the precipitation data of meteorological stations. The model can be used to simulate the effect of different vegetation scenarios on runoff production or to estimate runoff based on the precipitation of meteorological stations. <div style="text-align: justify;"></div></div> پلات زوجی, تیمارهای پوشش, داده‌های آموزشی و آزمایشی, مدل‌سازی, هدر رفت اولیه, ANN ANN, Cover treatments, Couple plot, Initial loss, Prediction, Training and testing data 94 106 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-475-2&slc_lang=fa&sid=1 Mohammadali Hadian Amri محمدعلی هادیان امری m.hadian@areeo.ac.ir 100319475328460014151 100319475328460014151 No Department of Soil Conservation and Watershed Management, Mazandaran Agricultural and Natural Resources Research and Education Center, Agricultural Research, Education and Extension Organization (AREEO), Sari, Iran مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی مازندران، سازمان تحقیقات، آموزش و ترویج کشاورزی، ساری، ایران Vahid Gholami وحید غلامی gholami.vahid@guilan.ac.ir 100319475328460014152 100319475328460014152 Yes Department of Nature Engineering, Faculty of Natural Resources, University of Guilan, Rasht, Iran دانشکده منابع طبیعی، دانشگاه گیلان، رشت، ایران Atena Yousefi آتنا یوسفی yousefi.atena@guilan.ac.ir 100319475328460014153 100319475328460014153 No Rangeland Management, Former Student of the University of Tehran, Tehran, Iran مرتع‌داری دانشگاه تهران، تهران، ایران