شبيه‌سازي توزيع شوري درخاك تحت آبياري قطره‌اي تيپ با آب شوربا استفاده از مدلSWAP

Simulation of Salinity Distribution in Soil Under Drip Irrigation Tape with Saline Water Using SWAP Model

محدود بودن میزان آب در دسترس از یك سو و افزایش نیازهای غذایی جمعیت دنیا از سوی دیگر باعث افزایش سطح زیر كشت محصولات شده كه به این دلیل، استفاده از روش‌های نوین آبیاری و استفاده از منابع جدید آب مانندكاربرد آب‌های نامتعارف (آب‌های شور، زه آب‌ها) دو راهبرد مدیریتی مهم، جهت تعدیل شرایط كمبود آب می‌باشد. از سوی دیگر تجمع املاح در سطح خاك در مناطق خشك، كه دارای بارندگی كم و تبخیر زیاد می‌باشند، امری اجتناب ناپذیر خواهد بود. از آن‌جایی كه انجام آزمایش، برای تشخیص توزیع شوری مستلزم صرف وقت و انجام آزمایش‌های صحرایی پرهزینه است، مدل‌های شبیه سازجایگزین مناسبی در پاسخگویی به مسائل مربوط به حركت و توزیع شوری هستند. در این پژوهش، شبیه‌سازی شوری خاك تحت آبیاری قطره‌ای با مدل SWAP انجام گرفت وتوانمندی مدل فوق درمقایسه بانتایج میدانی ارزیابی شد. مدلSWAP براساس اطلاعات اندازه‌گیری شده از یك مزرعه ذرت مجهزبه سیستم آبیاری قطره‌ای در سال زراعی 92-1391 درمزرعه تحقیقاتی شماره یك دانشكده مهندسی علوم آب دانشگاه شهیدچمران اهواز و پارامترهای هیدرولیكی خاك به‌دست آمده ازمدل RETC اجرا گردید. مدل آماری در قالب یك طرح پایه بلوك‌های كامل تصادفی با چهار تیمار شوری آب آبیاری شامل شوریS1 (آب رودخانه كارون با شوری 3 دسی‌زیمنس بر متر به عنوان تیمارشاهد)، (S1+0/5)S2،(S1+1)S3 و S4((S1+1/5 دسی‌زیمنس بر متر، در سه تكرار و در سه فاصله 10سانتی‌متری قطره چكان، 20سانتی‌متری قطره چكان و روی پشته، درعمق های 90-0 سانتی‌متری (به ازای هر30 سانتی‌متر) ازسطح خاك و در فواصل زمانی30، 60و90روز پس از كاشت نمونه‌برداری صورت گرفت. روش كاشت به صورت دستی و در داخل كرت¬هایی شامل چهار ردیف سه متری با فاصله ردیف 75 سانتی‌متر و با تراكم 80 هزار بوته در هكتار انجام شد. سیستم آبیاری قطره‌ای از نوع نوارهای تیپ با فاصله روزنه‌های 20 سانتی‌متر بود. نتایج این بخش از كار در قالب ترسیم نموداری و تعیین پارامترهای ضریب تعیین (R2)، حداكثر خطا (ME)، میانگین ریشه دوم خطای نرمال شده (NRMSE) و ضریب باقیمانده (CRM) در فواصل روی پشته، 10 و 20 سانتی‌متری قطره‌چكان نشان داده شد. مقادیرR2،ME،NRMSE وCRM در 10 سانتی‌متری قطره‌چكان 81/0، 46/0، 77/11 و 018/0 میلی‌گرم بر سانتی‌متر مكعب، در 20 سانتی‌متری قطره‌چكان 78/0، 48/0، 44/16 و 1172/0 میلی‌گرم بر سانتی‌متر مكعب و در روی پشته 75/0، 8/2، 19/18 و 07/0 میلی‌گرم بر سانتی‌متر مكعب محاسبه شد. بالاترین ضریب تعیین مربوط به فاصله 10 سانتی‌متری قطره‌چكان (81درصد) می‌باشد و پس از آن با فاصله گرفتن از قطره‌چكان ضریب تعیین كاهش می‌یابد كه این موضوع توانایی بالای مدل در نزدیكی قطره‌چكان می‌باشد كه می‌تواند به دلیل شوری كمتر در فاصله‌های نزدیك قطره‌چكان با توجه به خصوصیت سیستم آبیاری قطره‌ای باشد. بالا بودن میزان ME پایین بودن دقت برآورد مدل می‌باشد كه در روی پشته این میزان به حداكثر خود (8/2 میلی‌گرم بر سانتی‌متر مكعب) می‌رسد. ولی در فاصله‌های نزدیك قطره‌چكان میزان ME به‌دست آمده نشان دهنده دقت خوب مدل دربرآورد شوری خاك می‌باشد. هم‌چنین براساس مثبت بودن میزان پارامتر CRMدیده می‌شود كه در پیش‌بینی شوری میزان پیش‌بینی شده كمتر از مقدار مشاهده‌ای می‌باشد و نیز با توجه به ضریب NRMSE بالا بودن میزان پیش‌بینی شده در مقابل مشاهداتی می‌باشد. به طوركلی نتایج حاصل از شبیه‌سازی مدل SWAP نشان دادكه این مدل می‌تواند توزیع شوری در خاك را تحت آبیاری قطره‌ای با آب شور با دقت قابل قبولی شبیه‌سازی نماید و این مدل می‌تواند به‌عنوان ابزاری كارآمد برای ارزیابی توزیع شوری در اطراف قطره‌چكان مورد استفاده قرار گیرد.

Introduction: The to be limited available water amount from one side and to be increased needs of world population from the other side have caused increase of cultivation for products. For this reason, employing new irrigation ways and using new water resources like using the uncommon water (salty water, water drainage) are two main strategies for regulating water shortage conditions. On the other side, accumulation of salts on the soil surface in dry regions having low rainfall and much evaporation, i.e. an avoidable case. As doing experiment for determining moisture distribution form demands needs a lot of time and conducting desert experiments are costly, stimulator models are suitable alternatives in answering the problem concerning moving and saltiness distribution. Materials and Methods: In this research, simulation of soil saltiness under drip irrigation was done by the SWAP model and potency of the above model was done in comparison with evaluated relevant results. SWAP model was performed based on measured data in a corn field equipped with drip irrigation system in the farming year 1391-92 in the number one research field in the engineering faculty of water science, ShahidChamran university of Ahvaz and hydraulic parameters of soil obtained from RETC . Statistical model in the form of a random full base plan with four attendants for irrigating water saltiness including salinity S1 (Karoon River water with salinity 3 ds/m as a control treatment), S2 (S1 +0/5), S3 (S1 +1) and S4 (S1 +1/5) dS/m, in 3 repetition and in 3 intervals of 10 cm emitter, 20 cm emitters on the stack, at a depth of 0-90 cm (instead of each 30 cm) from soil surface and intervals of 30, 60 and 90 days after modeling cultiviation was done. The cultivation way was done handheld in plots including four rows of 3 m in distance of 75 cm rows and with denseness of 80 bushes in a hectar. Drip irrigation system was of type strip with space of 20 cm pores. Results and Discussion: The results of this section of work have shown in the form of chart drawing and calculating identity indices or recognition (R2), maximum error (ME), normalized root mean second error (NRMSE) and coefficient of residual mass (CRM) in the distances on the stack, 10 and 20 cm dropper. The amount of R2, ME, NRMSE and CRM in 10 cm dripper were calculated to be 0/81, 0/46, 11/77 and 0/018 mg/cm3, in 20 cmdripper 0/78, 0/48, 16/44 and 0/1172 mg/cm3 and on the stack 0/75, 2/8, 18/19 and 0/07 mg/cm3. The highest recognition factor was a distance of 10 cm dripper (81 percent) and then reduces to keep distance from dripper recognition factor . This subject is the highest potency close to the dripper. This can happen for less saltiness in the spaces close to the dripper according to drip irrigation features. The high ME amount shows the less attendance computing of the model, it comes to it’s maximum on the stack, however (2/8 mg/cm3), the distances near to the dripper the obtained ME amount shows the good care in estimating soil saltiness. Also, based on being positive CRM parameter amount was seen. It is less in the amount observed in anticipating of saltiness in the anticipated amount. By considering NRMSE factor, higher amount of anticipating is based on observations. Conclusion: Generally, the results obtained from stimulating of SWAP show that this model can stimulate saltiness distribution in soil under drip irrigation with salty water. This model can be used as useful tools for evaluation of saltiness distribution around the dripper.