توسعه و كاربرد مدل رگرسيون درختي پيش‌بيني جريان برگشتي روزانه شبكه‌هاي آبياري (مطالعه موردي: منطقه سليمه شبكه آبياري دز)

A regression tree model to predict daily return flow of irrigation networks (Case study: Salimeh irrigation area of Dez irrigation network)

جريان برگشتي به‌عنوان يكي از عوامل كاهش راندمان آبياري در شبكه‌هاي آبياري و زهكشي مطرح بوده و از اين‌رو برآورد دقيق، شناخت تاثير‌پذيري آن نسبت به پارامترهاي مختلف و ارايه راهكارهاي مديريتي در كاهش مقدار كمّي و يا استفاده بهينه از آن مي‌تواند نقش بسزايي در ارتقاي عملكرد و بهره‌وري اين سامانه‌ها داشته باشد. اين تحقيق با هدف توسعه يك مدل رگرسيون درختي به منظور پيش‌بيني شدت جريان برگشتي روزانه شبكه‌هاي آبياري (حوزه آبشخور زهكش سليمه شبكه آبياري دز) انجام گرفت. بدين منظور چهار تركيب مختلف براي مدل رگرسيون درختي با استفاده از پنج متغيّر شدت جريان ورودي روزانه، بارش موثر، نياز آبي، نفوذ عمقي و تبخير از سطح كانال توسعه يافتند. مراحل آموزش، صحّت‌سنجي و آزمون هر يك از تركيب‌ها بر اساس داده‌هاي واقعي اندازه‌گيري شده طي دو سال 1386 و 1388 صورت پذيرفت. ارزيابي مدل نشان داد كه كليه تركيب‌هاي مدل رگرسيوني از دقّت مطلوبي در تعيين شدت جريان برگشتي محدوده مورد مطالعه برخوردار بوده و از اين‌رو كاربرد هر يك از آن‌ها در پيش‌بيني جريان برگشتي شبكه قابل توصيه مي‌باشد. درجه حساسيت مدل رگرسيون درختي نسبت به تاثير‌پذيري از متغيّرهاي پنج‌گانه به‌صورت زير ارزيابي گرديد: شدت جريان ورودي روزانه > نياز آبي > نفوذ عمقي > بارش موثر > تبخير از سطح كانال‌ها. نتايج بيانگر آن است كه با حذف يك يا دو متغيّر ورودي در تركيب مدل رگرسيوني، در ميزان دقّت مدل تغييرات قابل ملاحظه‌اي به‌وجود نمي‌آيد. در اين رابطه كاهش متغيّر بارش موثر و تبخير از سطح كانال‌ها از تركيب مدل رگرسيوني درختي مناسب به نظر مي‌رسد.

Return flow is one of the main factors in reduction of water efficiency within the irrigation networks. Hence, an accurate prediction of return flow and providing the managerial strategies to reduce it’s quantity or reuse it in an optimal way could improve the efficiency of irrigation systems. In the present study, a regression tree model is developed to predict daily return flow discharge for Salimeh Irrigation Area, SIA, in Dez Irrigation Network. The daily inflow to the irrigation area, effective rainfall, consumptive water demand, percolation loss and evaporation from the surface canals are taken as predictor variables and return flow is treated as the target variable. Four sub-models of regression tree are evaluated. Model training, validation and testing carried out based on the observed data of 1386 and 1388. The model performance shows a good match between the simulated and the field measured return flow values. Results of statistical analysis indicated that the correlation coefficients are high for all sub-models and it can be concluded that the model performs satisfactorily in simulating the return flow. Accordingly, all tree regression sub-models may be recommended in the monitoring process of the SIA. The sensitivity of the model to the predictor variables is evaluated as; daily inflow > consumptive water demand > percolation loss > effective rainfall > evaporation from the surface canals. The findings demonstrate that the model has also a desirable accuracy in spite of deleting effective rainfall and evaporation from the surface canals as predictor variables.