ویژگی‌های هیدرولیکی خاک در زمین‌های کشاورزی و عرصه‌های پخش سیلاب می‌تواند تحت تأثیر درجه گل‌آلودگی آب قرار گیرد. اگرچه اطلاعات در زمینه شدت نفوذ آب به خاک موجود است اما اطلاعات در زمینه نقش گل‌آلودگی آب بر ویژگی‌های هیدرولیکی خاک وجود ندارد. از این رو این مطالعه به صورت مزرعه‌ای با هدف تعیین تغییرات شدت نفوذ آب تحت تأثیر گل‌آلودگی آب در خاک‌های مختلف انجام گرفت. برای این منظور آزمایش در سه زمین با بافت خاک مختلف (سیلتی لوم، لوم رسی و لومی شنی) در شش غلظت گل‌آلودگی آب (غلظت‌های صفر، 10، 100، 1000، 10000 و 100000 میلی‌گرم بر لیتر) به صورت فاکتوریل در قالب طرح کاملاً تصادفی با سه تکرار انجام شد. شدت نفوذ آب به خاک در 36 واحد آزمایشی در بازه زمانی مختلف با استفاده از استوانه دوگانه اندازه‌گیری شد. بر اساس نتایج، شدت نفوذ اولیه و نهایی آب در خاک‌ها تحت تأثیر معنی‌دار درجه گل‌آلودگی آب (001/0>p) قرار گرفت. با این وجود اثرات گل‌آلودگی آب بر افت شدت نفوذ نهایی آب در خاک‌ها کمتر از تأثیر آن بر افت شدت نفوذ اولیه آب بود. اثرات گل-آلودگی آب بر شدت نفوذ اولیه در خاک‌های مختلف بسیار متفاوت بود و بیشترین افت شدت نفوذ اولیه آب در خاک لوم رسی رخ داد. در این خاک حتی در غلظت‌های بسیار پایین گل‌آلودگی آب (100 میلی‌گرم بر لیتر) افت شدیدی در شدت نفوذ اولیه آب (55 درصد) وجود داشت در حالی که در خاک شنی در غلظت‌های بالاتر گل‌آلودگی آب (1000 میلی-گرم بر لیتر) افت کمتری (21 درصد) رخ داد.
Badrzadeh H, 2014. River flow forecasting using an integrated approach of wavelet multi-resolution analysis and computational intelligence techniques. Doctoral dissertation, Curtin University (In Persian).
Barkachian R, and Rezaei M, 2016. Examining the performance of mixed-data sampling regression in predicting Iran’s seasonal inflation. Economics and Modeling, 7(25), 25–46 (In Persian).
Ghysels E, and Ozkan N, 2015. Real-time forecasting of the US federal government budget: A simple mixed frequency data regression approach. International Journal of Forecasting, 31(4), 1009–1020,org/10.1016/j.ijforecast.2014.12.008.
Ghysels E, Santa-Clara P, and Valkanov R, 2004. The MIDAS touch: Mixed data sampling regression models. Econometric Reviews, 23(2), 147-186., org/10.1081/ETC-120028872.
Ghysels , E ., Sinko , A ., and Valkanov , R .,2007. MIDAS regressions: Further results and new directions. Econometric Reviews, 26(1), 53–90, org/10.1080/07474930600972467.
Gujarati DN, and Porter DC, 2009. Basic econometrics. McGraw-Hill.
Kazemzadeh E, Ebrahimi-Salari T, and Behnama M, 2019. Forecasting the growth rate of gold coin prices in Iran using the MIDAS regression model. Applied Economics, 9(28), 43–53 (In Persian).
Khazaei M, and Mirzaei MR, 2013. Comparison of the efficiency of monthly discharge prediction using artificial neural networks and time series methods. Journal of Watershed Engineering and Management, 5(2), 74–84 (In Persian).
Klein LR, and Sojo E, 1989. Combinations of high and low-frequency data in macroeconometric models. In Economics in Theory and Practice: An Eclectic Approach: Essays in Honor of F. G. Adams, pp. 3–16. Springer, org/10.1007/978-94-009-2474-9_1.
Maroufi S, Moradi K, and Parsafar N, 2013. Daily flow forecasting using artificial neural networks and wavelet neural networks (Case study: Barandoozchay River). Journal of Soil and Plant Knowledge, 23(3), 93–103 (In Persian).
Noferesti M, and Bayat M, 2016. Forecasting monthly inflation rate: Application of the mixed-frequency error correction model (EC-MIDAS). Economics and Modeling, 7(27), 55–70 (In Persian).
Noferesti M, Varahrami V, and Dashtban-Faroji S, 2018. Investigating the effect of changes in population age structure on government consumption expenditures and forecasting its developments using the MIDAS model. Journal of Growth and Sustainable Development Research, 18(3), 103–123 (In Persian).
Pesaran MH, and Shin Y,1995. An autoregressive distributed lag modelling approach to cointegration analysis (Vol. 9514). Cambridge, UK, University of Cambridge.
Solín Ľ, and Sládeková Madajová M, 2019. Flood risk of municipalities in upper basins of Slovakia. In Water Resources in Slovakia: Part II: Climate Change, Drought and Floods, pp. 173–193, org/10.1007/698_2017_173.
Wang H, Song S, Zhang G, Ayantobo OO, and Guo T, 2023. Stochastic volatility modeling of daily streamflow time series. Water Resources Research, 59(1), e2021WR031662,org/10.1029/2021WR 031662.
واعظی, علی رضا و عسگری, مهدیه . (1404). بررسی اثرات گل‌آلودگی آب بر ویژگی‌های هیدرولیکی خاک در خاک‌های با بافت مختلف. دانش آب و هیدرولیک, 35(4), 60-72. doi: 10.22034/hws.2026.70535.1040
MLA
واعظی, علی رضا , و عسگری, مهدیه . "بررسی اثرات گل‌آلودگی آب بر ویژگی‌های هیدرولیکی خاک در خاک‌های با بافت مختلف", دانش آب و هیدرولیک, 35, 4, 1404, 60-72. doi: 10.22034/hws.2026.70535.1040
HARVARD
واعظی, علی رضا, عسگری, مهدیه. (1404). 'بررسی اثرات گل‌آلودگی آب بر ویژگی‌های هیدرولیکی خاک در خاک‌های با بافت مختلف', دانش آب و هیدرولیک, 35(4), pp. 60-72. doi: 10.22034/hws.2026.70535.1040
CHICAGO
علی رضا واعظی و مهدیه عسگری, "بررسی اثرات گل‌آلودگی آب بر ویژگی‌های هیدرولیکی خاک در خاک‌های با بافت مختلف," دانش آب و هیدرولیک, 35 4 (1404): 60-72, doi: 10.22034/hws.2026.70535.1040
VANCOUVER
واعظی, علی رضا, عسگری, مهدیه. بررسی اثرات گل‌آلودگی آب بر ویژگی‌های هیدرولیکی خاک در خاک‌های با بافت مختلف. دانش آب و هیدرولیک, 1404; 35(4): 60-72. doi: 10.22034/hws.2026.70535.1040
)