ORIGINAL_ARTICLE
مقایسه سازماندار روشهای زمین آماری برای بر آورد شوری آب زیرزمینی در مناطق کویری مطالعه موردی: دشت فیض آباد- مه ولات
بررسی تغییرات مکانی پارامترهای کیفی آب زیرزمینی بدون در نظر گرفتن ارتباط مکانی و موقعیت فضایی آنها امکانپذیر نبوده و در نتیجه استفاده از روشهای زمین آمار جهت بررسی این تغییرات ضروری میباشد. در پژوهش حاضر با توجه به تغییرات مکانی و زمانی قابل توجه شوری در دشت فیضآباد- مهولات، اطلاعات شوری (EC) چاههای بهرهبرداری منطقه بین سالهای آبی 1386 الی 1391 مورد تجزیه و تحلیل قرار گرفتند تا روش مناسب زمین آمار برای تجزیه و تحلیل اطلاعات در منطقه مشخص شود. گرچه مقادیرEC در زمان و مکان تغییر میکنند، اطلاعات متوسط سالانه برای تجزیه و تحلیل مکانی اطلاعات انتخاب شدند. پس از پردازش اولیه اطلاعات و با توجه به ویژگیهای روشهای مختلف زمین آمار و با تکیه بر نتایج تحقیقات گذشته، شش روش زمین آمار شامل انواع کریجینگ معمولی و عمومی مناسب شرایط (کریجینگ معمولی بدون حذف روند، کریجینگ معمولی و عمومی با حذف روند توسط تابع خطی و تابع درجه دو ) و روش کریجینگ بیزی تجربی موسوم به روش EBK مورد مقایسه قرار گرفتند. با توجه به پارامترهای متعدد روشهای مختلف کریجینگ، یک فرآیند منظم چند مرحلهای جهت بهینه سازی پارامترها و انتخاب مدل برتر، با ترکیب روشها و پارامترهای مختلف (390 ترکیب) معرفی و به کار گرفته شد. با استفاده از اعتبارسنجی متقابل و با توجه به یک معیار آماری تعریف شده که دو معیار متداول خطا را ترکیب میکند، مدلهای برتر انتخاب و به منظور آنالیز حساسیت و تطابق با واقعیتهای میدانی منطقه بررسی بیشتر شدند. جهت اطمینان از انتخاب روش برتر، مراحل یاد شده هم برای سال اول و هم برای سال آخر دارای اطلاعات (سالهای آبی 1386 و 1391) استفاده شدند. نتایج، نشاندهنده کارایی و دقت بالاتر روش EBK نسبت به سایر روشها بود. علاوه بر این نقشههای تولید شده، بر بالا بودن میزان شوری در مرزهای شمالی، جنوبی و غربی دلالت کرده و پیشروی محسوس شوری از مرزهای غربی را با گذشت زمان نشان میدهند.
https://www.iwrr.ir/article_13772_3b2ed02b843b49da3a9a68e60eb407f1.pdf
2015-09-23
1
15
شوری
زمین آمار
کریجینگ بیزی تجربی
اعتبار سنجی متقابل
احسان
بهرامی جوین
1
دانشجوی دکترای گروه مهندسی عمران/ دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.
AUTHOR
سید محمود
حسینی
shossein@um.ac.ir
2
استاد / گروه مهندسی عمران، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران.
LEAD_AUTHOR
احمدالی خ، نیک مهر س، لیاقت ع (1387) ارزیابی روشهای کریجینگ و کوکریجینگ در تخمین شوری و اسیدیته عمقی خاک (مطالعه موردی: اراضی منطقه بوکان). مجله پژوهش آب ایران، سال 2، شماره3: 64-55.
1
اوسطی خ، سلاجقه ع، آرخی ص (1391) تغییرات مکانی میزان نیترات در آب زیرزمینی با استفاده از زمین آمار (مطالعه موردی: دشت کردان). مجله منابع طبیعی ایران، سال 65، شماره4: 472- 461.
2
تقیزاده ر، محمودی ش، خزایی ح، حیدری ا (1387) بررسی روشهای درونیابی مکانی جهت تعیین تغییرات مکانی ویژگیهای کیفی آبهای زیرزمینی دشت رفسنجان. مجله علوم و مهندسی آبخیزداری ایران، سال 5، شماره70:2-63.
3
ثقفیان ب، دانشکار آراسته پ، رحیمی بندرآبادی س، فتاحی ا، محمدزاده م (1390) راهنمای روشهای توزیع مکانی عوامل اقلیمی با استفاده از دادههای نقطهای. وزارت نیرو، دفتر مهندسی و معیارهای فنی آب و آبفا، معاونت نظارت راهبردی، کد 585-115-130.
4
حسنیپاک ع (1377) زمینآمار. انتشارات دانشگاه تهران، تهران، 314صفحه.
5
سامانی ج، یاری م (1387) بررسی تغییرات زمانی و مکانی شوری آب زیرزمینی با استفاده از روش کریجینگ. هفتمین کنفرانس هیدرولیک ایران، دانشگاه صنعت آب و برق، تهران.
6
سکوتی اسکوئی ر (1391) تغییرات زمانی و مکانی شوری آب زیرزمینی دشت ارومیه. مجله حفاظت منابع آب و خاک، سال 1، شماره4: 26- 19.
7
شعبانی م (1390) ارزیابی روشهای زمین آماری در تهیه نقشههای کیفی آبهای زیرزمینی و پهنهبندی آنها (مطالعه موردی: دشت نیریز، استان فارس). جغرافیای طبیعی، سال13، شماره4: 96-83.
8
قهرمان ب، حسینی م، عسگری ح (1382) کاربرد زمین آمار در ارزیابی شبکههای پایش کیفی آب زیرزمینی. امیرکبیر، سال14، شماره 55: 981- 971.
9
قاسمی زیارانی ا، فریادی ش، شیخ کاظمی ش (1385) پهنهبندی آلودگی حوضه آبخیز سد کرج با استفاده از نرمافزار GIS. اولین همایش تخصصی مهندسی محیط زیست، تهران.
10
نظری زاده ف، ارشادیان ب، زند وکیلی ک (1385) بررسی تغییرات مکانی کیفیت آب زیرزمینی دشت بالا رود در استان خوزستان. اولین همایش منطقهای بهرهبرداری بهینه از منابع آب حوزههای کارون و زایندهرود، شهرکرد.
11
هاشمی جزی م، آتشگاهی م، حمیدیان ا (1389) برآورد مکانی مؤلفههای کیفی آب زیرزمینی با استفاده از روشهای زمین آمار (مطالعه موردی: دشت گلپایگان). مجله منابع طبیعی ایران، سال63، شماره4: 357- 347.
12
یاری ر، کوچک زاده م (1387) مقایسه روشهای زمین آماری برای پیشبینی پراکنش مکانی شوری آب زیرزمینی. سومین کنفرانس مدیریت منابع آب، تبریز.
13
ولایتی س (1378) پیامدهای ناشی از اضافه برداشت آب خانههای زیرزمینی. مجله دانشکده ادبیات و علوم انسانی دانشگاه فردوسی مشهد، شماره اول و دوم : 124-107.
14
Ahmed S (2002) Groundwater monitoring network design: application of Geostatistics with a few Case studies from a granitic aquifer in a semiarid region. In: Groundwater Hydrology, M. M. Sherif, V. P. Singh and M. Al- Rashed (Eds.), Balkema, Tokyo, Japan. 2:37- 57.
15
Alsaaran N (2000) Optimal interpolation and isarithmic mapping of groundwater salinity in Tebrak area, central Saudi Arabia. J. King Saudi Univ 12 (2): 49- 58.
16
Barca E, Passarella G (2007) Spatial evaluation of the risk of groundwater quality degradation. A comparison between disjunctive kriging and geostatistical simulation, Environ Monit Assess 137: 261-273.
17
Bryan R (1988) Introducing Geostatistics- Estimating Spatial Data, Critical Water Issues and Computer Applications, ASCE: 374- 379.
18
Dagostino V, Greene E, Passarella , Vurro G (1998) Spatial and temporal study of nitrate concentration in groundwater by means of coregionalization. Environmental Geology 36: 285-295.
19
Dick J, Gerard B (2006) Optimization of sample patterns for universal kriging of environmental variables. Geoderma 138: 86- 95.
20
Ella V, Melvin S, Kanwar R (1999) Spatial analysis of NO3- N03-N concentration in glacial till. ASAE- SCGR Annual International Meeting, 18- 21 July, Toronto, Ontario, Canada, ASAE Paper No. 992004.
21
Gallichand J (1991) Kriging of hydraulic conductivity for subsurface drainage design. J. of Irrig. and Drain. Eng., ASCE117(5): 667- 679.
22
Gaus I, Kinniburgh G, Talbot C and Webster R (2003) Geostatistical analysis of arsenic concentration in groundwater in Bangladesh using disjunctive kriging, Environmental Geology 44: 939- 948.
23
Istok D, Cooper R (1998) Geostatistics Applied to Groundwater Pollution. III: Global Estimates, Journal of Environmental Engineering 114 (4): 915- 928.
24
Kelinhu U., Yuangfang H., Hong Li L., Deli Chan Ch, Edlin D (2005) Spatial variability of shallow groundwater level, electrical conductivity and nitrate concentration and risk assessment of nitrate contamination in North China Plain. Enviroment International 31: 893- 903.
25
Khattak A, Ahmed N, Hussein I, Qazi A, Alikhan S, Rehman A, Iqbal N (2014) Spatial distribution of salinity in shallow Groundwater used for crop irrigation. Pak. J. Bot 46(2): 531-537.
26
Kitanidis P (1993) Geostatisitcs, Chapter 20 in Handbook of Hydrology. McGraw- Hill, New York, 1424p.
27
Krivoruchko K (2012) Empirical Bayesian Kriging, Implemented in ArcGIS Geostatistical Analyst. Arc user 15(4):6-10.
28
Krivoruchko K (2011) Spatial Statistical Data Analysis for GIS Users. Esri Press, Redlands, CA, 928p.
29
Rizzo D, Mouser J (2000) Evaluation of geostatistics for combined hydrochemistry and microbial community fingerprinting at a waste disposal site, P:1-11.
30
YueSun A, Shaozhong Kang F, Zhang L (2009) Comparison of interpolation methods for depth to groundwater and its temporal and spatial variations in the Minqin oasis of northwest China. J. Environ. Model. and Software 24: 1163- 1170.
31
ORIGINAL_ARTICLE
ارزیابی ذی مدخلان در بخش آب (مطالعه ی موردی: محدوده ی مطالعاتی رفسنجان)
در چند دهه اخیر به طور فزایندهای مشارکت فعال مدنی پایدار به رسمیت شناخته شده است. مشارکت عمومی ذیمدخلان مختلف در فرایند تصمیمگیری به معرفی بازه وسیعی از ایده ها، تجارب و تخصص ها میپردازد که سبب توسعه راه حل های جایگزین میشود. تحلیل ذیمدخلان به تشخیص تمام قدرت و منافع ذی مدخلان در یک فرآیند یا سیاست میپردازد. در بحران های آبی شکل گرفته، وضعیت سیستمهای آبی از ابعاد مختلف و به صورت سیستمیک باید مورد ارزیابی قرار گیرد. تحقیق حاضر با تکیه بر حکمرانی محلی آب به بررسی ساختار اجتماعی به منظور بهبود مدیریت یکپارچه ی منابع آب در محدوده ی مطالعاتی رفسنجان می پردازد. در این راستا، تحلیل ذی مدخلان به عنوان نقطه ی ورودی در دستیابی به مشارکت جمعی در سه گام انجام میشود. این تحلیل براساس روش پیشنهادی دفتر عمران سازمان ملل (UNDP)1 با استفاده از داده های پرسشنامه ای و مصاحبه با ذیمدخلان انجام گردید. همچنین برای تحلیل آماری دادههای خام از روش تحلیل عاملی اکتشافی در نرمافزار SPSS استفاده شد و درجهی قدرت و منافع ذی مدخلان به ترتیب اهمیت و تأثیرگذاری آنها اولویت بندی شد و پرقدرتترین و پرمنافع ترین گروهها مشخص گردیدند. در نهایت ذی مدخلان کلیدی و چهار سطح تعامل برای کلیه گروهها معرفی شد. تعامل نزدیک و تصمیم گیری در سطح اول تعاملات به عنوان سناریوی ایده آل مشخص گردید تا تصمیمات، مبتنی بر مشارکت کلیهی ذی مدخلان باشد و منجر به اجماع نظرهای معقول در تدوین یک نقشه ی راه برای رفع مشکلات شود.
https://www.iwrr.ir/article_13773_1747b90b1ba0abb43764a1d4049568b9.pdf
2015-09-23
16
28
تحلیل ذی مدخلان
حکمرانی محلی آب
مشارکت عمومی
بحران آب
رفسنجان
سمیرا
غفوری فرد
1
دانشجوی کارشناسی ارشد مهندسی منابع آب/ دانشگاه تربیت مدرس، تهران
AUTHOR
علی
باقری
a.baghery@gmail.com
2
استادیار / گروه مهندسی منابع آب، دانشگاه تربیت مدرس، تهران
LEAD_AUTHOR
شاهرخ
شجری
3
استادیار / بخش تحقیقات اقتصادی اجتماعی مرکز تحقیقات کشاورزی و منابع طبیعی فارس
AUTHOR
ابراهیمی لویه ع (1387) بهرهبرداری بی رویه از منابع آب زیرزمینی و پیامدهای آن، مطالعه موردی: دشت رفسنجان. تحقیقات منابع آب ایران، سال 4، شماره 3: 73-70.
1
دهقانی م و عباسنژاد ا (1389) آلودگی سفرة آب زیرزمینی دشت انار به نیترات، سرب، ارسنیک و کادمیوم. محیط شناسی، سال سی و ششم، شمارة 56، 87-100.
2
رهنما م ب و کاظمی آذر ف (1385) فرو نشست زمین در اثر افت سطح آب زیرزمینی در دشت رفسنجان. مجموعه مقالات همایش ملی مدیریت شبکههای آبیاری و زهکشی، دانشگاه شهید چمران اهواز، دانشکده مهندسی علوم آب، 14-12 اردیبهشت.
3
زمزم ع، رهنما م ب و طاهری نژاد م (1388). بررسی تغییرات pH موجود در آب زیرزمینی دشت رفسنجان توسط MT3DMSA. مجموعه مقالات همایش ملی مدیریت بحران آب، دانشگاه آزاد اسلامی واحد مرودشت، اسفند ماه.
4
گزارش تمدید ممنوعیت رفسنجان (1390) دفتر حفاظت و بهرهبرداری از آبهای زیرزمینی، سازمان مدیریت منابع آب ایران.
5
مهندسین مشاور جاماب (1385) مجموعه گزارشات ارزیابی وضعیت حوضهی درانجیر
6
Allan T (2001) The Middle East water question: Hydropolitics and the global economy, I. B. Tauris, London and New York. 382 pp.
7
Ansell C and Gash A (2007) Collaborative governance in theory and practice. Journal of Public Administration Research and Theory 18(4):543-571.
8
Bartlett M S (1937) Properties of sufficiency and statistical tests. Proceedings of the Royal Statistical Society, Series A 160: 268–282
9
Cronbach L J (1951). Coefficient alpha and the internal structure of tests. Psychometrika. 16: 297-334.
10
Golder B and Gawler M (2005) Cross-cutting tool stakeholder analysis, Gland: WWF International:1-6.
11
Kaiser H F and Rice J (1974) Little jiffy, mark iv. Educational and Psychological Measurement, 34 (1):111–117.
12
Luyet V, Schlaepfer R, Parlange M and Buttler A (2012) A framework to implement stakeholder participation in environmental projects. Journal of Environmental Management 111:213-219
13
Mostert L, Crous PW, Groenewald JZ, Gams W and Summerbell RC (2003). Togninia (Calosphaeriales) is confirmed as teleomorph of phaeoacremonium by means of morphology, sexual compatibility, and DNA phylogeny. Mycologia 95:646 – 659 .
14
Mostert E, Pahl-Wostl C, Rees Y, Searle B, Tábara D and Tippet J (2007) Social learning in European river basin management; barriers and fostering mechanisms from 10 river basins. Ecology and Society 12(1):19.[online]URL: http://www.ecologyandsociety.org/vol12/iss1/art19/.
15
Rogers P and Hall A (2003) Effective water governance, Global Water Partnership, 7, Stockholm, Sweden.
16
Sovacool K (2008) A stakeholder analysis of the creation of high seas marine protected areas within the Antarctic Treaty System, Virginia Polytechnic Institute and State.
17
UNEP/GPA-UNESCO-IHE Train-Sea-Coast GPA (2004) Improving municipal wastewater management in coastal cities, Objective Oriented Planning:33-45. www.gpa.unep.org/training
18
UNDP-United Nations Development Programme. (2002) Handbook on monitoring and evaluating for results, Evaluation Office, NY.
19
UNDP-United Nations Development Programme. (2013) User’s guide on assessing water governance. Denmark.
20
Varjopuro R, Gray T, Hatchard J, Rauschmayer F, Wittmer H (2008) Introduction: Interaction between environment and fisheries – The role of stakeholder participation. Marine Policy (32). pp. 147-157.
21
Webler T and Tuler S (2006) Four perspectives on public participation process in environmental assessment and decision making, combined result from 10 case studies. Policy Studies Journal, 34: 699-722.
22
Williams B, Brown T and Onsman A (2012) Exploratory factor analysis: A five-step guide for novices. Australasian Journal of Paramedicine. 8(3):1-14.
23
ORIGINAL_ARTICLE
ارزیابی عملکرد الگوریتم بهینهسازی جامعه مورچگان در حل مسأله بهره برداری بهینه از سیستم چند مخزنه: مقایسه چهار الگوریتم
بهرهبرداری بهینه از سیستم چند مخزنه از جمله مسایل مهم در علوم مهندسی آب است که حل آن به سادگی امکان پذیر نمیباشد. لذا، با توجه به قابلیتهای الگوریتمهای فراکاوشی، امروزه استفاده از این الگوریتمها به منظور حل مسأله مذکور مورد توجه کارشناسان مهندسی آب قرار گرفته است. یکی از انواع الگوریتمهای فراکاوشی، الگوریتم بهینهسازی جامعه مورچگان است که بر مبنای شبیهسازی رفتار جستجوی غذا در جامعه مورچگان ارائه شده است. در این تحقیق قابلیت های چهار الگوریتم مختلف بهینهسازی جامعه مورچگان به نامهای الگوریتم سیستم مورچه، الگوریتم سیستم مورچه برتر، الگوریتم سیستم مورچه ترتیبی و الگوریتم سیستم مورچه بیشینه-کمینه در حل مسائل مرجع چهار و ده مخزنه مورد بررسی قرار گرفته است. برای هر یک از الگوریتمها دو فرمولبندی ارائه شده که در فرمولبندی اول مقدار آب رهاسازی شده از مخزن و در فرمولبندی دوم ذخیره مخزن به عنوان متغیر تصمیم مسأله منظور شده است. نتایج این مطالعه نشان میدهد که الگوریتم بهینهسازی جامعه مورچگان، الگوریتمی مناسب در حل مسأله بهرهبرداری بهینه از سیستم چند مخرنه است. همچنین، نسبت به سایر الگوریتمهای مورد مطالعه، نتایج بدست آمده از الگوریتم سیستم مورچه بیشینه - کمینه مطلوبتر است
https://www.iwrr.ir/article_13778_ab92d5e9d6c06f2b71e4520b76381f68.pdf
2015-09-23
29
46
سیستم سد چند مخزنه
بهره برداری بهینه
الگوریتم بهینه سازی جامعه مورچگان
معینی
رامتین
r.moeini@eng.ui.ac.ir
1
استادیار/ گروه عمران، دانشکده فنی و مهندسی، دانشگاه اصفهان، خیابان هزارجریب، اصفهان، ایران
LEAD_AUTHOR
ستاری م ت، اسلامیان س س، ابریشمچی ا (1382) بهینهسازی مصرف آب در یک سیستم رودخانه 9 مخزنه. مجموعه مقالات ششمین کنفرانس بین المللی مهندسی عمران، دانشگاه صنعتی اصفهان، هیدرولیک و منابع آب، 597-604
1
جلالی م ر (1384) طراحی و بهرهبرداری بهینه از هیدروسیستمها با الگوریتم جامعه مورچهها یک رهیافت فراکاوشی جدید. رساله دکتری، دانشگاه علم و صنعت ایران، دانشکده عمران.
2
Afshar MH, Moeini R (2008) Partially and fully constrained ant algorithms for the optimal solution of large scale reservoir operation problems. Journal of Water Resources Management 22 (1): 1835–1857.
3
Bozorg Haddad O, Afshar A, Mariño MA (2008) Design operation of multi-hydropower reservoirs: HBMO approach. Water Resources Management 22(12): 1709–1722.
4
Bullnheimer B, Hartl RF, Strauss C (1999) A new rank-based version of the ant system: A computational study. Central European Journal for Operations Research and Echonomics 7(1): 25-38.
5
Cai X, MckinneyDC, Larson LS (2002) Piece-by-piece approach to solving large nonlinear water resources management models. ASCE Journal of Water Resources Planning and Management 127(6): 363–368.
6
Chen L, Chang FJ (2007) Applying a real-coded multipopulation genetic algorithm to multi-reservoir operation. Hydrological Processes 21(5): 688–698.
7
Chow VT, Cortes-Rivera G (1974) Application of DDDP in water resources planning. Res. Rep. 78, Univ. of Ill. Water resources Center, Urbana.
8
Colorni A, Dorigo M, Maniezzo V (1991) Ant system: An autocatalytic optimizing process. Tech. Report 91-016, Politecico di Milao, Italy.
9
Dorigo M, Gambardella LM (1997) Ant colony system: A cooperative learning approach to the traveling salesman problem. IEEE Transactions on Evolutionary computation 1(1): 53-66.
10
Dorigo M, Manieezzo V, Colorni A (1996) The ant system: Optimization by a colony of cooperating agents. IEEE Transactions on systems, Man and Cybernetics-part B 26(1): 29-41.
11
Dorigo M, Gambardella LM, Di Caro G (1999) Ant algorithms for discrete optimization. Artifical life 5(2):137-172.
12
Esat V, Hall MJ (1994) Water resource system optimization using genetic algorithms. Hydro informatics’94, pro., 1st Int. Conf. on Hydro informatics, Balkerma, Rotterdam, The Netherlands, 225–231.
13
Fahmy HS, King JP, Wentzle MW, Seton JA (1994) Economic optimization of river management using genetic algorithms. Int. Summer Meeting, AM. Soc. Agric. Engrs, paper no. 943034, St. Joseph, Michigan.
14
Goos S, Aron S, Deneubourg JL, Pasteels JM (1989) Self-organized shortcuts in the Aregentine ant. Naturwissenschaften 76: 579-581.
15
Jalali MR, Afshar A (2005) Semi-continuous ACO Algorithms. technical report, Hydroinformatics Center, Civil Engineering Department, Iran University of Science and Technology, Tehran, Iran.
16
Jalali MR, Afshar A, Marino MA (2007) Multi-colony ant algorithm for continuous multi-reservoir operation optimization problems. Journal of Water Resources Research 21(9): 1429–1447.
17
Kumar DN, Reddy J (2007) multipurpose reservoir operation using particle swarm optimization. Journal of Water Resources Planning and Management 133(3): 192–201.
18
Labadie JW (2004) Optimal operation of multireservoir systems: state of the art review. Journal of Water Resources Planning and Management 130(2): 93-111.
19
Moeini R, Afshar MH (2011) Arc-based constrained ant colony optimization algorithms for the optimal solution of hydropower reservoir operation problems. Canadian Journal of Civil Engineering 38: 811-824.
20
Moeini R, Afshar MH (2013) Extension of the Constrained Ant Colony Optimisation Algorithms for Optimal operation of Multi-reservoir Systems. Journal of Hydroinformatics 15(1): 155-173.
21
Murray DM, Yakowitz S (1979) Constrained differential dynamic programming and its application to multireservoir control. Water Resources Research 15(5): 1017–1027.
22
Mohan S, Rapure DM (1992) multi objective analysis of multi reservoir system. Journal of Water Resources Planning and Management 118(4): 356-370.
23
Mousavi J, Karamouz M (2003) Computational improvement for dynamic programming models by diagnosing infeasible storage combinations. Advances in Water Resources 26(8): 851–859.
24
Oliveira R, Loucks D (1997) Operation rules for multi reservoir systems. Water Resources Research 33(4): 839–852.
25
Peng CH, Buras N (2000) Dynamic operation of a surface water resources system. Water Resources Research 36(9): 2701–2709.
26
Ponnambalam K, Adams B (1996) Stochastic Optimization of multireservoir systems using a heuristic algorithm: case study from India. Water Resources Research 32(3): 733-741.
27
Stutzle T, Hoos HH (2000) Max-Min Ant System. Future Generation Computer Systems 16(8): 889-914.
28
Teegavarapu RSV, Simonovic SP, (2000) Short-term operation model for coupled hydropower reservoirs. Journal of Water Resources Planning and Management 126(2): 98-106.
29
Wardlaw R, Sharif M (1999) Evaluation of genetic algorithms for optimal reservoir system operation. Journal of Water Resources Planning and Management 125(1): 25–33.
30
ORIGINAL_ARTICLE
تغییرات پله ای غیرنظام مند در پارامترهای مربوط به شبیه سازی استوکاستیکی بارش روزانه چندایستگاهی
شبیه سازی استوکاستیکی باران روزانه در بسیاری از مدلها (برای مثال هیدرولوژی، هواشناسی، تولید محصول) کاربرد دارد. بیشتر مدل های شبیهسازی استوکاستیکی تک-ایستگاهی بوده و مدل های اندکی ساختار همبستگی بارندگی (وقوع و مقدار) را به صورت چند-ایستگاهی درنظر میگیرند. با اینحال در مدلهای موجود توجهی به احتمال ناایستایی پارامترهای دخیل نمیشود. تعداد 36 ایستگاه بارانسنجی در گسترهی سه استان خراسان شمالی، رضوی و جنوبی با طول دورهی آماری 30 سال درنظر گرفته شد. پارامترهای مدل شبیه سازی استوکاستیکی باران روزانه که در آن وقوع بارندگی از فرآیند مارکوف مرتبه ی اول و وقوع مقدار بارندگی از تابع چگالی گامای دومتغیره پیروی میکرد برای 6 ماه بارانی سال (آبان تا اردیبهشت) به دست آمد. نشان داده شد که پارامترهای این مدل (2 پارامتر احتمال بـارانی بودن مشروط بـر بـارانی بودن یـا نبودن روز پیش برای وقوع بارندگی و دو پارامتر شکل و مقیاس تابع چگالی گاما) به طور معنیداری به ماه سال و محل ایستگاه بستگی دارد ولـی هیچ رابطه ی معنی داری برای برآورد آنها به دست نیامد. نشان داده شد که هر 4 پارامتر مدل شبیه سازی در زمان ناایستا می باشد. ناایستایی توسط تغییرات پله ای غیرنظاممند مدل شد. نتایج نشان داد که پارامترهای تابع چگالی مقدار بارندگی تقریبا بدون پله بودند که ممکن است منجر به استخراج تابع چگالی ناحیه ای شود. با اینحال همسو نبودن محل پله ها و تعداد آنها برای پارامترهای مدل استوکاستیکی شبیه سازی بارندگی، موجب دشواری در تاثیر ناایستایی در شبیه سازی میشود
https://www.iwrr.ir/article_13780_4cec1c4d504f8000ce181c7b5124bfa8.pdf
2015-09-23
47
56
تابع چگالی گاما
ماتریس احتمال انتقال بارندگی
اقلیم خشک و نیمه خشک
بیژن
قهرمان
bijangh@um.ac.ir
1
استاد / گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
LEAD_AUTHOR
احسان
امینی
2
دانشجوی سابق کارشناسی ارشد آبیاری و زهکشی/ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
امینی ا، قهرمان ب، داوری ک، موسوی بایگی م (1390) ترمیم بارش روزانه در منطقه خراسان بزرگ به روش دو جزیی. نشریه آب و خاک (علوم و صنایع کشاورزی). جلد 25، شماره 5: 1147-1157.
1
Bras R, Rodriguez-Iturbe I (1976) Rainfall generation: a nonstationary time varying multi-dimensional model. Water Resour Res 12: 450–456, DOI:10.1029/WR012i003p00450.
2
Brissette FP, Khalili M, Leconte R (2007) Efficient stochastic generation of multi-site synthetic precipitation data. J Hydrol 345: 121–133, DOI:10.1016/j.jhydrol.2007.06.035.
3
Derakhshan H, Talebbeydokhti N (2011) Rainfall disaggregation in non-recording gauge stations using space-time information system. Scientific Iranica, Transaction A: Civil Engineering. 18(5): 995-1001.
4
Fackler PL (1999) Generating correlated multidimensional variates. Working paper, available at http://www4.ncsu.edu/∼pfackler/.
5
Ghahraman B (2006) Time trend in mean annual temperature of Iran. Turk J Agric Fores 30(6): 439-448.
6
Ghahraman B (2013) Effect of short-and long-term memory on trend significancy of mean annual flow by Mann-Kendall test. Int J Engrng 26(10): 1155-1168.
7
Hamed KH, Rao AR (1998) A modified Mann-Kendall trend test for autocorrelated data. J Hydrol 204(1): 182-196.
8
Hughes JP, Guttorp P, Charles S (1999) A nonhomogeneous hidden Markov model for precipitation occurrence. J Royal Stat Soc (Series C): Appl Stat 48: 15–30, DOI:10.1111/1467-9876.00136.
9
Jonsson P Eklundh L (2002) Seasonality extraction by function fitting to time-series of satellite sensor data. IEEE Trans Geosc Remote Sens 40(8): 1824-1832.
10
Katz RW (1977) Precipitation as a chain-dependent process. J Appl Meteorol 16: 671–676.
11
Katz RW (1981) One some criteria for estimating the order of a Markov chain. Technomet 23: 243–249, DOI:10.2307/1267787.
12
Kerr RA (1992) Unmasking a shifty climate system. Science 255: 1508-1510.
13
Liu J, Williams JR, Wang X, Yang H (2009) Using MODAWEC to generate daily weather data for the EPIC model. Environ Model & Softwr 24: 655–664, DOI:10.1016/j.envsoft.2008.10.008
14
Mantua NJ, Hare SR Zhang Y Wallace JM Francis RC (1997) A Pacific interdecadal climate oscillation with impacts on salmon production. Bull Am Meteorol Soc 78: 1069-1079.
15
Mhanna M, Bauwens W (2011) A stochastic space-time model for the generation of daily rainfall in the Gaza Strip. Intern J Clim DOI: 10.1002/joc.2305
16
Qian B, Corte-Real J, Xu H (2002) Multisite stochastic weather models for impact studies. Intern J Clim 22:1377–1397, DOI:10.1002/joc.808.
17
Richardson CW (1981) Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resour Res 17:182–190, DOI:10.1029/ WR017i001p00182.
18
Rodionov SN (2004) A sequential algorithm for testing climate regime shifts. Geophys Res Let 31: L09204, doi:10.1029/2004GL019448.
19
Schwarz G (1978) Estimating the dimension of a model. Ann Statis 6: 461–464, DOI:10.2307/2958889.
20
Srikanthan R (2005) Stochastic generation of daily rainfall data at a number of sites. Cooperative Research Centre for Catchment Hydrology, Technical Report: 05/7.
21
Srikanthan R, Pegram GGS (2009) A nested multisite daily rainfall stochastic generation model. J Hydrol 371: 142–153, DOI:10.1016/j.jhydrol.2009.03.025.
22
Thom HCS (1958) A note on the gamma distribution. Month Weath Rev 86: 117–122.
23
Thompson CS, Thompson PJ, Zheng X (2007) Fitting a multisite daily rainfall model to New Zealand data. J Hydrol 340: 25-39, DOI:10.1016/ j.jhydrol.2007.03.020.
24
Wilks DS (1998) Multisite generalization of a daily stochastic precipitation generation model. J Hydrol 210: 178–191,DOI:10.1016/S0022-1694(98)00186-3.
25
Wilks DS (1999) Simultaneous stochastic simulation of daily precipitation, temperature and solar radiation at multiple sites in complex terrain. Agric Forest Meteorol 96: 85–101, DOI:10.1016/S0168-1923(99)00037-4.
26
Wilks DS, Wilby RL (1999) The weather generation game: a review of stochastic weather models. Progress Phys Geograph 23: 329–357, DOI:10.1177/030913339902300302.
27
Zhao, Sh Wei GW (2003) Jump process for the trend estimation of time series. Comput Statis Data Analy 42: 219-241.
28
Zheng X, Katz RW (2008) Simulation of spatial dependence in daily rainfall using multisite generators. Water Resour Res 44: W09403, DOI:10.1029/2007WR006399.
29
ORIGINAL_ARTICLE
انتخاب نوع لوله مناسب در ساخت شبکههای آبرسانی به مناطق کم جمعیت با روش OWA-TOPSIS و لحاظ اجماع گروهی
انتخاب نوع لوله مناسب برای شبکه انتقال و توزیع آب باعث صرفهجویی در هزینه وکاهش هدر رفت آب میشود. لذا هدف این مقاله تعیین نوع لوله مناسب برای شبکه انتقال و توزیع آب در مناطق کم جمعیت، از جمله روستایی استان آذربایجان شرقی می باشد. ابتدا 22 معیار اولیه ارزیابی لولهها بر اساس تجربیات بینالمللی و ملی تعیین شده و وزن نسبی آنها از 19 نفر خبره سوال شده است. سپس درجه اجماع تصمیمگیران روی وزن معیارها به کمک روشهای اجماع سخت، روش انحراف معیار، محاسبه شده و با کمک یک شاخص تلفیقی جدید 8 معیار مهم انتخاب گردیدهاست. سپس با استفاده از روش TOPSISگزینه نهایی از میان چهار نوع لوله پلیاتیلن، فولای، داکتیل چدنی و پی وی سی، براساس اجماع سخت انتخاب شده است. بار دیگر برای بررسی اجماع نرم بر روی 8 معیار مرحله قبل پرسشنامهای طراحی و 7 نفر از افراد خبره که در مرحله ی قبل همکاری داشتند به امتیازدهی معیارها پرداخته اند. برای تجمیع نظرات تصمیمگیران روی این 8 معیار از روش میانگین وزنی مرتب (OWA) استفاده شده و در نهایت اولویت بندی گزینه ها با روش TOPSIS انجام شده است. همچنین حساسیت امتیاز گزینهها با استفاده از نرم افزار GFDM روی تغییرات بعضی پارامترها بررسی شده است. در نهایت لوله نوع پلیاتیلن به عنوان گزینه نهایی توصیه شده است.
https://www.iwrr.ir/article_13781_a122015ab86fa9a5debb44a74d22631e.pdf
2015-09-23
57
69
تصمیم گیری گروهی فازی
تحلیل حساسیت
نوع لوله آبرسانی
اجماع نرم و سخت
TOPSIS
OWA
پورزنگی آبادی م، بارانی غ ع (1389) اهمیت انتخاب نوع لوله در شبکه توزیع آب. دومین کنفرانس سراسری مدیریت جامع منابع آب، کرمان، ایران.
1
سازمان مدیریت و برنامه ریزی کشور، معاونت امور فنی، تدوین معیارها و کاهش خطرپذیری ناشی از زلزله (1384) مشخصات فنی عمومی کارهای خطوط لوله آب و فاضلاب شهری نشریه شماره 303.
2
کلهری ا، عمارلوئی ع (1383) بررسی آلودگی آب ناشی از پوششهای داخلی لولههای آب آشامیدنی و جوانب بهداشتی آنها. مجله علمی دانشگاه علوم پزشکی، ایلام، ایران، بهار و تابستان.
3
فهرست بهای شبکه توزیع آب روستایی سال 1392.
4
میان آبادی ح، افشار ع (1386) تصمیم گیری چندشاخصه در رتبه بندی طرحهای تأمین آب شهری. مجله آب و فاضلاب شماره 66: 34-45.
5
وزارت بهداشت درمان و آموزش پزشکی، مرکز سلامت محیط و کار (1391) آزبست و جایگزینهای آن در صنایع مختلف.
6
Cabrerizo F J, Moreno J M, Pe´rez I J, Herrera-Viedma E (2010) Analyzing consensus approaches in fuzzy group decision making: advantages and drawbacks. Springer-Verlag, Soft Computing 14: 451–463.
7
Herrera-Veidma E, Cabrerizo F J, Kacprzyk J, Pedrycz W (2014) A review of soft consensus models in a fuzzy environment. Elsevier, Information Fusion 17: 4-13.
8
Hwang CL, Yoon K (1981) Multiple attributes decision making methods and application. Springer Berlin Heidelberg.
9
Kuncheva LI, Raghu Krishnapuram (1996) A fuzzy consensus aggregation operator. Fuzzy Sets And Systems 79:347-356.
10
Mortezania Sh, Othman F (2012) Cost analysis of pipes for application in sewage system. Journal of Materials and Design, 33: 356-361.
11
Pe´rez IJ, Wikstrom R, Mezei J, Carlsson C, Herrera-Viedma E (2013) A new consensus model for group decision making using fuzzy ontology. Soft Computing, 17:1617–1627.
12
Shafiqul Islam M, Sadiq R, Rodriguez M.J, Najjaran H, Francisque A, Hoorfar M (2013) Evaluating Water Quality Failure Potential in Water Distribution Systems: A Fuzzy-TOPSIS-OWA-based Methodology. Water Resources Management, 27: 2195–2216.
13
Siddiqi A, Ereiqat F, Diaz Anadon L (2014) Assessing future water availability in arid regions using composition and salience of decision criteria. Working Paper Massachusetts Institute of Technology, Engineering Systems Division .Van Vuuren SJ, van Dijk M (2006) Life cycle costing analyses for pipeline design and supporting software. Water Research Commission Report no: TT 278/06.
14
Xu Z.S, Chen J (2007) An interactive method for fuzzy multiple attributes group decision making. Information Sciences, 177:248-263.
15
Yager R.R (1988) On ordered weighted averaging aggregation operators in multi-criteria decision making. IEEE, Trans Systems, Man Cybernet, 18:183-190.
16
Zarghami M, Ardakanian R, Memariani A, Szidarovszky F (2008) Extended OWA operator for group decision making on water resources projects. Water Resources Planning and Management, ASCE, 134(3):266-275.
17
ORIGINAL_ARTICLE
بررسی اثرات تغییر اقلیم بر فرآیند تبدیل برف به رواناب، مطالعه موردی: حوضه آبریز زایندهرود
در این مقاله اثر تغییر اقلیم بر رواناب ناشی از ذوب برف در بالادست حوضه آبریز زاینده رود در زیرحوضه بالادست ایستگاه هیدرومتری قلعه شاهرخ مورد مطالعه قرار گرفته است. برای نیل به این هدف از محصولات روزانه و هشت روزه پوشش برف سنجنده مودیس برای پایش پوشش برف در بالادست حوضه آبریز زاینده رود به عنوان یکی از متغیرهای مهم در مدل شبیه سازی برف-رواناب SRM استفاده شده است. به عنوان پیشنیازی بر استفاده از این محصولات، دقت آنها در تشخیص پوشش برف بوسیله مقایسه با برداشتهای انجام شده در ایستگاه های زمینی مورد بررسی قرار گرفته است. در این مقایسه مشخص گردید، محصول روزانه پوشش برف، دارای دقت کلی 4/73% و در شرایط هـــوای صاف دارای دقت 1/92% میباشد. دقت محصول هشت روزه پوشش برف در منطقه مورد مطالعه نیز 2/84% برآورد گردید. با استفاده از پوشش برف استخراج شده و متغیرهای دیگر مدل و همچنین تعیین مشخصههای مدل، شبیه سازی ذوب برف در زیرحوضه مورد مطالعه انجام گرفت که نتایج در مراحل کالیبراسیون و صحت سنجی نشان دهنده دقت قابل قبول این مدل در شبیهسازی رواناب در منطقه مورد مطالعه میباشد. در این بررسی از مدل گردش عمومی HadCM3 تحت دو سناریوی انتشار A2 و B2 استفاده گردید. برای ریزمقیاس سازی داده های خروجی مدل گردش عمومی نیز از مدل آماری SDSM استفاده شد. نتایج نشان میدهد بارش در دهه های آینده روندی کاهشی خواهد داشت. نهایتاً با استفاده از خروجی های ریزمقیاس شده مدل گردش عمومی شبیه سازی برف-رواناب برای دو بازه 2011 تا 2040 به عنوان آینده نزدیک، و 2071 تا 2099 به عنوان آینده دور انجام گرفت، که نتایج نشان دهنده کاهش حجم رواناب سالانه در زیرحوضه، کاهش شدید رواناب تولید شده در فصول بهار و تابستان و افزایش رواناب در فصول زمستان و پاییز میباشد.
https://www.iwrr.ir/article_13782_f5f83240b875527e28fae1e620bbcc13.pdf
2015-09-23
70
82
ذوب برف
تغییر اقلیم
دادههای مودیس
SRM
مدل برف- رواناب
آزاده
احمدی
aahmadi@cc.iut.ac.ir
1
استادیار/ دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان.
LEAD_AUTHOR
امین
خرمیان
2
کارشناس ارشد/ دانشآموخته دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان
AUTHOR
صفوی
حمیدرضا
3
دانشیار/ دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان
AUTHOR
پرهمت ج، صدقی ح، ثقفیان ب (1384) بررسی مدل در شبیهسازی رواناب حاصل از ذوب برف با استفاده از دادههای ماهوارهای در حوضههای بدون آمار برف (مطالعه موردی حوضه خرسان در کارون). تحقیقات منابع آب ایران، سال 1، شماره 1:1-11.
1
دلاور م، مرید س، نیکبخت ن (1390) شبیهسازی توزیعی ذوب برف در حوضههای کوهستانی فاقد داده (مطالعه موردی حوضه امامزاده داوود). تحقیقات منابع آب ایران، سال 7، شماره 4 : 41-50.
2
دهقانی م، مرید س، نوروزی ع ا (1389) ارزیابی شبیهسازی رواناب حوزههای برفی با مدل شبیهسازی SRM و شبکه عصبی برای برآورد انرژی برقابی در مواجهه با کمبود آمار. تحقیقات منابع آب ایران، سال 6، شماره 3: 12-24.
3
دینی غ، ضیائیان فیروزآبادی پ، علیمحمدی سراب ع، داداشی خانقاه س (1386) بررسی سطوح برفگیر در البرز مرکزی با استفاده از دادههای ماهوارهای MODIS و AVHRR و سامانه اطلاعات جغرافیایی(GIS). تحقیقات منابع آب ایران، سال 3، شماره 3: 1-8.
4
فتاحی ا، دلاور م، قاسمی ا (1390) شبیهسازی رواناب ناشی از ذوب برف در حوضههای کوهستانی با استفاده از مدل SRM مطالعه موردی حوضه آبریز بازفت. نشریه تحقیقات کاربردی علوم جغرافیایی، شماره 20(23): 129-141.
5
نجفزاده ر، ابریشمچی ا، تجریشی م، طاهری شهرآیینی ح (1383) شبیه سازی جریان رودخانه با مدل ذوب برف. مجله آب و فاضلاب، شماره 15(4): 2-11.
6
Hall DK, Kelly REJ, Foster JL, Chang ATC (2005) Hydrological application of remote sensing: surface states: snow. Encyclopedia of Hydrological Sciences, John Wiley and Sons, Chichester.
7
Hall DK, Riggs GA, Salomonson VV (1995) Development of methods for mapping global snow cover using Moderate Resolution Imaging Spectroradiometer (MODIS) data. Remote Sensing of Environment 54: 127−140.
8
IPCC (2008) Climate change and water. Cambridge University Press, Cambridge.
9
Klein AG, Barnett AC (2003) Validation of daily MODIS snow cover maps of the Upper Rio Grande River Basin for the 2000-2001 snow year. Remote Sensing of Environment 86(2): 162-176.
10
Martinec J (1975) Snowmelt Runoff Model for Streamflow Forecasts. Nordic Hydrology 6: 145–154.
11
Maurer EP, Rhoads JD, Dubayah RO, Lettenmaier DP (2003) Evaluation of the snow-covered area data product from MODIS. Hydrological Processes 17 (1): 59-71.
12
MODIS Website: http://modis.gsfc.nasa.gov
13
Parajka J, Blöschl G (2006) Validation of MODIS snow cover images over Austria. Hydrology and Earth System Sciences 10 (5): 679-689.
14
Riggs GA, Hall DK, Salomonson VV (2006) MODIS snow Products User Guide to Collection 5, NSIDC, 2006. http://nsidc.org/data/docs/daac/modis_v5/dorothy_snow _doc.pdf.
15
Stern N (2007) The economics of climate change: The Stern Review, Cambridge University Press, Cambridge.
16
Tahir AA, Chevallier P, Arnaud Y, Neppel L, Ahmad B (2011) Modeling snowmelt-runoff under climate scenarios in the Hunza River basin, Karakoram Range, Northern Pakistan. Journal of Hydrology 409 (1-2): 104-117.
17
Tang Q, Lettenmaier DP (2010) Use of satellite snow-cover data for streamflow prediction in the Feather River Basin, California. International Journal of Remote Sensing 31(14): 3745-3762.
18
Tekeli AE, Akyürek Z, Şorman AA, Şensoy A, Şorman AÜ (2005) Using MODIS snow cover maps in modeling snowmelt runoff process in the eastern part of Turkey. Remote Sensing of Environment 97 (2): 216-230.
19
Wang X, Xie H, Liang T (2008) Evaluation of MODIS snow cover and cloud mask and its application in Northern Xinjiang, China. Remote Sensing of Environment 112 (4): 1497-1513.
20
Wilby RL, Dawson CW, Barrow EM (2002) SDSM- A desicision support tool for the assessment of regional climate change impacts. Journal of Environmental Modeling and Software 17: 147-159.
21
Wilby RL, Dawson CW (2007) A decision support tool for the assessment of regional climate change impacts, User Manual, United Kingdom. Available from: http://co-public.lboro.ac.uk/cocwd/SDSM/ SDSMManual.pdf
22
Zhou X, Xie H, Hendrickx JMH (2005) Statistical evaluation of remotely sensed snow-cover products with constraints from streamflow and SNOTEL measurements. Remote Sensing of Environment: 94: 214–231.
23
پرهمت ج، صدقی ح، ثقفیان ب (1384) بررسی مدل در شبیهسازی رواناب حاصل از ذوب برف با استفاده از دادههای ماهوارهای در حوضههای بدون آمار برف (مطالعه موردی حوضه خرسان در کارون). تحقیقات منابع آب ایران، سال 1، شماره 1:1-11.
24
دلاور م، مرید س، نیکبخت ن (1390) شبیهسازی توزیعی ذوب برف در حوضههای کوهستانی فاقد داده (مطالعه موردی حوضه امامزاده داوود). تحقیقات منابع آب ایران، سال 7، شماره 4 : 41-50.
25
دهقانی م، مرید س، نوروزی ع ا (1389) ارزیابی شبیهسازی رواناب حوزههای برفی با مدل شبیهسازی SRM و شبکه عصبی برای برآورد انرژی برقابی در مواجهه با کمبود آمار. تحقیقات منابع آب ایران، سال 6، شماره 3: 12-24.
26
دینی غ، ضیائیان فیروزآبادی پ، علیمحمدی سراب ع، داداشی خانقاه س (1386) بررسی سطوح برفگیر در البرز مرکزی با استفاده از دادههای ماهوارهای MODIS و AVHRR و سامانه اطلاعات جغرافیایی(GIS). تحقیقات منابع آب ایران، سال 3، شماره 3: 1-8.
27
فتاحی ا، دلاور م، قاسمی ا (1390) شبیهسازی رواناب ناشی از ذوب برف در حوضههای کوهستانی با استفاده از مدل SRM مطالعه موردی حوضه آبریز بازفت. نشریه تحقیقات کاربردی علوم جغرافیایی، شماره 20(23): 129-141.
28
نجفزاده ر، ابریشمچی ا، تجریشی م، طاهری شهرآیینی ح (1383) شبیه سازی جریان رودخانه با مدل ذوب برف. مجله آب و فاضلاب، شماره 15(4): 2-11.
29
Hall DK, Kelly REJ, Foster JL, Chang ATC (2005) Hydrological application of remote sensing: surface states: snow. Encyclopedia of Hydrological Sciences, John Wiley and Sons, Chichester.
30
Hall DK, Riggs GA, Salomonson VV (1995) Development of methods for mapping global snow cover using Moderate Resolution Imaging Spectroradiometer (MODIS) data. Remote Sensing of Environment 54: 127−140.
31
IPCC (2008) Climate change and water. Cambridge University Press, Cambridge.
32
Klein AG, Barnett AC (2003) Validation of daily MODIS snow cover maps of the Upper Rio Grande River Basin for the 2000-2001 snow year. Remote Sensing of Environment 86(2): 162-176.
33
Martinec J (1975) Snowmelt Runoff Model for Streamflow Forecasts. Nordic Hydrology 6: 145–154.
34
Maurer EP, Rhoads JD, Dubayah RO, Lettenmaier DP (2003) Evaluation of the snow-covered area data product from MODIS. Hydrological Processes 17 (1): 59-71.
35
MODIS Website: http://modis.gsfc.nasa.gov
36
Parajka J, Blöschl G (2006) Validation of MODIS snow cover images over Austria. Hydrology and Earth System Sciences 10 (5): 679-689.
37
Riggs GA, Hall DK, Salomonson VV (2006) MODIS snow Products User Guide to Collection 5, NSIDC, 2006. http://nsidc.org/data/docs/daac/modis_v5/dorothy_snow _doc.pdf.
38
Stern N (2007) The economics of climate change: The Stern Review, Cambridge University Press, Cambridge.
39
Tahir AA, Chevallier P, Arnaud Y, Neppel L, Ahmad B (2011) Modeling snowmelt-runoff under climate scenarios in the Hunza River basin, Karakoram Range, Northern Pakistan. Journal of Hydrology 409 (1-2): 104-117.
40
Tang Q, Lettenmaier DP (2010) Use of satellite snow-cover data for streamflow prediction in the Feather River Basin, California. International Journal of Remote Sensing 31(14): 3745-3762.
41
Tekeli AE, Akyürek Z, Şorman AA, Şensoy A, Şorman AÜ (2005) Using MODIS snow cover maps in modeling snowmelt runoff process in the eastern part of Turkey. Remote Sensing of Environment 97 (2): 216-230.
42
Wang X, Xie H, Liang T (2008) Evaluation of MODIS snow cover and cloud mask and its application in Northern Xinjiang, China. Remote Sensing of Environment 112 (4): 1497-1513.
43
Wilby RL, Dawson CW, Barrow EM (2002) SDSM- A desicision support tool for the assessment of regional climate change impacts. Journal of Environmental Modeling and Software 17: 147-159.
44
Wilby RL, Dawson CW (2007) A decision support tool for the assessment of regional climate change impacts, User Manual, United Kingdom. Available from: http://co-public.lboro.ac.uk/cocwd/SDSM/ SDSMManual.pdf
45
Zhou X, Xie H, Hendrickx JMH (2005) Statistical evaluation of remotely sensed snow-cover products with constraints from streamflow and SNOTEL measurements. Remote Sensing of Environment: 94: 214–231.
46
ORIGINAL_ARTICLE
تخصیص بهینه آب در شبکه های آبیاری در شرایط لحاظ تغییرات شوری، مطالعه موردی: شبکه های آبیاری زاینده رود
شوری و کمبود آب از محدودیتهای عمده تولید محصولات زراعی در مناطق خشک و نیمه خشک هستند. در این مناطق گیاهان بر حسب کمیت و کیفیت آب، ممکن است تحت تأثیر همزمان تنشهای شوری و خشکی قرار گیرند. لذا با توجه به محدودیتهای منابع آب در این مناطق، بهینهسازی عمق آبیاری محصولات حائز اهمیت زیادی میباشد. هدف اصلی تحقیق حاضر ارائه روش بهینهسازی تخصیص منابع آب با توجه به محدودیتهای کمی و کیفی آب به منظور مدیریت خشکسالی میباشد. همچنین به منظور ارتقاء کارامدی مدلسازی، در روششناسی مد نظر در بهینه سازی تخصیص آب، شبکه ها محصولات و مراحل رشد آنها و همچنین دور آبیاری در محاسبات لحاظ میگردد. بدین منظور از یک مدل بهینهسازی سه لایه به منظور بهینهسازی از سطح گیاه تا شبکه های آبیاری استفاده میگردد. در این رویکرد با لحاظ شبیه سازی عملکرد محصولات با استفاده از روش جدید فائو موسوم به FAO-2009 ، میزان تخصیص آب در سطوح مختلف تقاضا به گونه ای تعیین میگردد که درآمد خالص حاصل از سیستم حداکٍثر گردد. بدین ترتیب مدل توسعه یافته قادر است در شرایط مختلف شوری و کمبود آب میزان عملکرد محصولات زراعی وهمچنین مقادیر بهینه تخصیص آب از سطح مخزن تا دوره رشد گیاه را برآورد کند. بررسی نتایج مدل در شبکههای آبیاری حوضه آبریز زاینده رود حاکی از آن است که سیستم مدلسازی سه لایه مورد استفاده در این تحقیق، به بخوبی توانست محاسبات لازم را برای تخصیص و توزیع آب بین شبکهها، محصولات کشاورزی و برنامهریزی آبیاری با توجه به محدودیتهای کمیو کیفی منابع آب پوشش دهد. در این شرایط با افزایش مقدار شوری نرخ تغییرات درآمد بیشتر شده به گونه ای که با افزایش شوری در بازه 7-10ds/m کاهش درآمد کل سیستم نسبت به حـالت پایه ( بدون لحاظ اثرات شوری) از 43 میلیارد ریال تا 103 میلیارد ریال میباشد
https://www.iwrr.ir/article_13783_96f8043bcb3defb4a29d9429b530c565.pdf
2015-09-23
83
96
بهینهسازی
کیفیت آب
عملکرد
شبکه آبیاری
زاینده رود
مجید
دلاور
m_delavar@modares.ac.ir
1
استادیار /گروه مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران، ایران
LEAD_AUTHOR
سعید
مرید
morid_sa@modares.ac.ir
2
استاد / گروه مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران، ایران
AUTHOR
مهنوش
مقدسی
m-moghaddasi@araku.ac.ir
3
استادیار/ گروه مهندسی آب، دانشکده کشاورزی دانشگاه اراک، اراک ، ایران
AUTHOR
فرشی ع ا، شریعتی م ر، جارالهی ر، قاسمی م ر، شهابیفر م، فولادی س م (1376) برآورد آب مورد نیاز گیاهان عمده زراعی و باغی کشور، جلد اول گیاهان زراعی. موسسه تحقیقات خاک و آب.
1
علیزاده ا (1380) طرح پروژه ملی (توتک) بهینهسازی الگوی مصرف آب کشاورزی در ایران. سازمان هواشناسی کشور و وزارت جهاد کشاورزی.
2
Allen R G, Pereira LS, Raes D, Smith M (1998) Crop evapotranspiration, Guidelines for computing crop water requirements. Irrigation and Drainage Paper 56, FAO, Rome, Italy,300p.
3
Das B, Singh A, Panda S N, Yasuda H (2015) Optimal land and water resources allocation policies for sustainable irrigated agriculture. Land Use Policy 42:527-537.
4
Doorenbos J, Pruitt WO (1984) Guidelines for predicting crop water requirements. Irrigation and Drainage. Paper 24. Food and Agricultural Organization of the United Nations, Rome, Italy, 35-48.
5
Droogers P, Torabi M (2002) Field scale scenarios for water and salinity management by simulation modeling. IAERI-IWMI Research Reports 12.
6
English M J, Raja S N (1996) Perspective on deficit irrigation. Agri Water Manag. 32: 1-14.
7
Feinerman E, Yaron D (1983) Economics of irrigation water mixing within a farm framework Water Resources Research 19:337-345.
8
Ghahraman B, Sepaskhah A R (2004) Linear and non-linear optimization models for allocation of alimited water supply. Irrigation and Drainage 53:39-54.
9
Letey J, Dinar A, Knapp KC (1985) Crop-water production function model for saline irrigation waters.Soil Science Society of America Journal 49(4):1005-1009.
10
Mass EV, Hoffman G J (1977) Crop salt tolerance current assessment. J.Irrigation and Drainage Division, ASCE 103:115-134.
11
McNeal B, Land Coleman NT (1966) Effect of solution and hydraulic conductivity. Soil Science 30:308-312.
12
Moghaddasi M, Morid S, Araghinejad S, Agha Alikhani M (2008) Assessment of irrigation water allocation based on optimization and equitable water reduction approaches to reduce agricultural drought losses: the 1999 droughtin the zayandeh rud irrigation system (iran). Journal Irrigation and Drainage. From http:www .interscience.wiley.com.
13
Munns R, Termaat A (1986) Whole plant responses to salinity. Australian Journal of Plant Physiology 13:143-160.
14
Paul S, Sudhindra N P, Kumar D N, (2000) Optimal irrigation allocation: A multilevel, Approach. ASCE, Journal of Irrigation and Drainage Engineering 126:149-154.
15
Prasad A S, Umamhesh N V, Viswanath G K (2011) Optimal irrigation planning model for an existing storag based irrigation system in India. Irrigation Drainage Systems 25(1):19-38.
16
Raes D, Steduto P, Hsiao T C, Fereres E (2010a) Aqua Crop – The FAO crop model to simulate yield response to water, Reference Manual.
17
Raes D, Steduto P, Hsiao T C, Fereres E (2010b) AquaCrop Reference Manual (Annexes).
18
Russo, D and Bakker, D (1987) Crop-water production functions for sweet corn and cotton irrigated with saline waters. Soil Science Society of America Journal. 51:1554-1562.
19
Shangguan Z, Shao M, Horton R, (2002) A model for regional optimal allocation of irrigation water resources under deficit irrigation and its applications. Agriculture Water Management 52:139-154.
20
Steduto P, Hsiao T C, Fereres E (2007) On the conservative behavior of biomass water productivity. Irrig. Sci. 25: 189-207.
21
Vazifedoust M, Van Dam JC, Feddes RA , Feizi M (2008) Increasing water productivity of irrigated crops under limited water supply at field scale. Agricultural Water Management 95:89-102.
22
ORIGINAL_ARTICLE
ارزیابی روشهای ماشین بردار پشتیبان، تحلیل تفکیک خطی و درجه دوم در شبیهسازی نوسانات سطح آب زیرزمینی دشت شهرکرد
با توجه به افزایش تقاضای آب و خشکسالیهای شدید در سالهای اخیر، منابع آب زیرزمینی به عنوان مهمترین منبع تأمین آب شیرین دارای اهمیت زیادی هستند. لزوم توجه به این منابع و جلوگیری از تخریب آنها نیازمند به رویکرد جامع و برنامهریزی بلند مدت دارد. تغییرات آبخوان عامل مهمی است که امکان قضاوت صحیح در مورد روند تراز سطح آب زیرزمینی و مدیریت لازم در حوزه آبخیز را ایجاد میکند. در این تحقیق از اطلاعات ماهانه مربوط به 33 چاه مشاهدهای در دشت شهرکرد طی سالهای 1378 تا 1388 به منظور شبیهسازی سطح آب زیرزمینی استفاده شده است. ارتباط مختصات دشت شهرکرد و تغییرات سطح آب زیرزمینی با روشهای تحلیل تفکیک خطی (LDA)، تحلیل تفکیک درجه دوم (QDA) و ماشین بردار پشتیبان (SVM) در دورههای زمانی 1، 3، 5 و 10 ساله مورد بررسی قرار گرفته است. نتایج نشان از این دارد که ماشین بردار پشتیبان با داشتن کمترین میانگین خطای نسبی در دورههای 1 و 3 ساله و دقت قابل قبول در دورههای 5 و 10 ساله دارای برتری بر سایر روشها بوده است.
https://www.iwrr.ir/article_13785_d41d8cd98f00b204e9800998ecf8427e.pdf
2015-09-23
97
105
تراز آب زیرزمینی
تحلیل تفکیک خطی
دشت شهرکرد
ماشین بردار پشتیبان
عبداله
رمضانی چرمهینه
ramezaniwater@yahoo.com
1
دانشآموخته کارشناسی ارشد/ بخش مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، ایران
LEAD_AUTHOR
محمد
ذونعمت کرمانی
zounemat@uk.ac.ir
2
استادیار/ بخش مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، ایران.
AUTHOR
باقریهارونی مح، فتحیان ف (1390) بررسی عملکرد شبکه عصبی، نرو- فازی و مدلهای سری زمانی در پیشبینی سطح آب زیرزمینی، منطقه موردی: دشت ابرکوه. اولین همایش منطقهای توسعه منابع آب، دانشگاه آزاد اسلامی واحد ابرکوه، یزد، ایران، 29 اردیبهشت.
1
پورکرمان م، چرخابی ا، مصدق ح، پیروان ح (1390) شناسایی عوامل شیمیایی تأثیرگذار بر مقاومت خاک با استفاده از آنالیز تفکیکی به روش قدم به قدم، مطالعه موردی: مارنهای حوضه آبخیز سرخه. مجله علوم و مهندسی آبخیزداری ایران، سال 5، شماره 16: 23-32.
2
چیتسازان م، میرزایی ی، چینیپرداز ر (1386) منطقهبندی آبخوان دشت شهرکرد با استفاده از تحلیل سریهای زمانی. مجله علوم دانشگاه شهید چمران، سال جدید، شماره 17: 1-15.
3
چینیپرداز ر، رکابدار ق، یوسفیحاجیآباد ر (1385) بررسی توسعه انسانی کشورها با استفاده از روش تحلیل ممیزی آمیخته. فصلنامه بررسیهای اقتصادی، دوره 3، شماره 3: 5-20.
4
کوهستانی ن (1390) برآورد سطح آب زیرزمینی با استفاده از سیستم استنتاجی فازی- عصبی، مطالعه موردی: حوزه نرماب استان گلستان. چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیرکبیر، تهران، ایران، 13-14 اردیبهشت.
5
لالهزاری ر، طباطبایی سح (1389) خصوصیات شیمیایی آب زیرزمینی دشت شهرکرد. مجله محیط شناسی، سال 36، شماره 53: 55-62.
6
محرمپور م، محرابی ع، کاتوزی م (1390) به کارگیری ماشین بردار پشتیبان SVM برای پیشبینی دبی روزانه. چهارمین کنفرانس مدیریت منابع آب ایران، دانشگاه صنعتی امیرکبیر، تهران، ایران، 13-14 اردیبهشت.
7
میرزایی ی، چیتسازان م، چینیپرداز ر، صمدی ح (1385) پیشبینی وضعیت آبهای زیرزمینی دشت شهرکرد با استفاده از مدلهای سریهای زمانی و بررسی راهکارهای بهبود. اولین همایش منطقهای بهرهبرداری بهینه از منابع آب حوضههای کارون و زاینده رود، دانشگاه شهرکرد، شهرکرد، ایران، 14-15 شهریور.
8
Behzad M, Asghari K, Coppola EJr (2010) Comparative study of SVMs and ANNs in aquifer water level prediction. Journal of Computing in Civil Engineering 24(5):408-413.
9
Chen ST, Yu PS (2007) Pruning of support vector networks on flood forecasting. Journal of Hydrology 347(1-2):67-78.
10
Dibike YB, Velickov S, Solomatine DP, Abbott MB (2001) Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering 15(3):208-216.
11
Du Z, Jin X (2008) Multiple faults diagnosis for sensors in air handling unit using Fisher discriminant analysis. Energy Conversion and Management 49(12):3654-3665.
12
Güraksın GE, Haklı H, Uğuz H (2014) Support vector machines classification based on particle swarm optimization for bone age determination. Applied Soft Computing 24:597-602.
13
Hofmann T, Scholkopf B, Smola AJ (2008) Kernel methods in machine learning. The Annals of Statistics 36(3):1171-1220.
14
Huberty CJ (1994) Applied Discriminant Analysis. Jon Wiley and Sons, New York, 466p.
15
Rani N, Sinha RK, Prasad K, Kedia DK (2011) Assessment of temporal variation in water quality of some important rivers in middle Gangetic plains, India. Environ Monit Assess 174(1-4):401-415.
16
Shiri J, Kisi O, Yoon H, Lee KK, Nazemi AH (2013) Predicting groundwater level fluctuations with meteorological effect implications—A comparative study among soft computing techniques. Computers & Geosciences 56:32-44.
17
Sudheer Ch, Shrivastava NA, Panigrahi BK, Mathur S (2011) Groundwater level forecasting using SVM-QPSO. In: Proc. Swarm, Evolutionary, and Memetic Computing, Second International Conference, (SEMCCO 2011), 19-21 December, Visakhapatnam, Andhra Pradesh, India, Part I, Lecture Notes in Computer Science 7076:731-741.
18
Suryanarayana Ch, Sudheer Ch, Mahammood V, Panigrahi BK (2014) An integrated wavelet-support vector machine for groundwater level prediction in Visakhapatnam, India. Neurocomputing 145:324-335.
19
Vapnik VN (1998) Statistical Learning Theory. John Wiley and Sons, New York, 736p.
20
Yoon H, Jun SC, Hyun Y, Bae GO, Lee KK (2011) A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer. Journal of Hydrology 396(1-2):128-138.
21
Zhao W, Gao Y, Li C (2012) RVM based on PSO for groundwater level forecasting. Journal of Computers 7(5):1073-1079.
22
ORIGINAL_ARTICLE
بررسی تاثیر تغییر اقلیم بر تراز آب زیرزمینی حوضه آبریز تسوج به روش ریز مقیاس نمایی آماری
تغییر اقلیم باعث تغییر دما، میزان تبخیر و تعرق، رطوبت خاک، سرعت باد و نیز تغییرات زمانی و مکانی بارش میگردد. خود این عوامل منجر به تغییر سایر پارامترهای هیدرولوژیکی از جمله تراز آب زیرزمینی خواهند شد. در این مطالعه با توجه به نقش مهم پارامترهای اقلیمی در مدیریت منابع آب، به منظور پیشبینی پارامترهای اقلیمی از مدل HADCM3 و سناریوهایA1B B1،A2 استفاده شد. جهت ریز مقیاس نمایی آماری دادههای مدل گردش عمومی جو، از مدل LARS-WG که یکی از مشهورترین مدلهای مولد دادههای تصادفی وضع هوا میباشد استفاده شد. همچنین پیشبینی تغییرات سطح آب زیرزمینی حوضه آبریز تسوج برای دهه 2022-2013 با الگوی سریهای زمانی در نرم افزار R انجام شد. نتایج نشاندهنده کاهش بارش و افزایش دمای بالاتر در سناریوی A2 نسبت به دو سناریوی دیگر میباشد. تغییرات دمایی و بارشی در سناریوهای A1B و B1 مشابه هم میباشند. در هر سه سناریو بیشترین افزایش دما و بالاترین درصد کاهش بارش در ماههای ژوئن، ژوئیه، اوت و سپتامبر اتفاق خواهد افتاد که همزمان با اوج مصرف آبهای زیرزمینی به منظور شرب، کشاورزی و نیازهای زیست محیطی میباشد. همچنین بررسی همبستگی متقاطع نشان دهنده تاثیر بارش بر تراز آب زیرزمینی با تاخیر زمانی 2 ماهه میباشد. با توجه به تغییر اقلیم و با فرض ادامه یافتن شرایط موجود بهرهبرداری از آب زیرزمینی در حوضه آبریز تسوج، میانگین افت تجمعی سطح آب زیرزمینی در سال دهم پیشبینی (1401) نسبت به سال پایه (1381) 85/7 متر خواهد بود. این پیش بینی هشداری جدی برای مدیریت آب در این منطقه بوده تا از بروز فاجعه انسانی و زیست محیطی جلوگیری شود.
https://www.iwrr.ir/article_13792_d41d8cd98f00b204e9800998ecf8427e.pdf
2015-09-23
97
105
تغییر اقلیم
ریزمقیاسنمایی
پیشبینی
همبستگی متقاطع
حوضه آبریز تسوج
مجید
رضایی بنفشه
mrbanafsheh@yahoo.com
1
دانشیار /گروه جغرافیایی طبیعی، گرایش اقلیم شناسی دانشگاه تبریز.
LEAD_AUTHOR
طاهره
جلالی عنصرودی
2
دانشجوی دکتری اقلیم شناسی/ دانشگاه تبریز.
AUTHOR
مهدی
ضرغامی
zarghaami@gmail.com
3
دانشیار /دانشکده مهندسی عمران، گرایش آب دانشگاه تبریز
AUTHOR
اصغر
اصغری مقدم
moghaddam@tabrizu.ac.ir
4
استاد/دانشکده زمین شناسی، گرایش هیدروژئولوژی دانشگاه تبریز
AUTHOR
پور محمدی س، ملکی نژاد ح، پور شرعیانی ر (1392) مقایسه کارایی روش شبکه عصبی و سری زمانی در پیش بینی سطح آب زیرزمینی، مطالعه موردی: زیر حوضه بختگان استان فارس. نشریه پژوهشهای آب و خاک، جلد بیستم، شماره چهارم: 251.
1
دودانگه ا، عابدی کوپائی ج، گوهری ع (1391) کاربرد مدل سریهای زمانی به منظور تعیین روند پارامترهای اقلیمی در آینده در راستای مدیریت منابع آب، مجله علوم وفنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال شانزدهم، شماره 59: 61.
2
رحمانی ع، سدهی م (1383) پیش بینی تغییرات سطح آب زیرزمینی دشت همدان-بهار با مدل سری زمانی، فصلنامه علمی و پژوهشی آب و فاضلاب، دوره 15، شماره 51: 12.
3
سازمان آب منطقه ای استان آذربایجان شرقی (1389) مطالعات نیمه تفضیلی آبهای زیرزمینی دشتهای تحت پوشش شرکت سهامی آب منطقه ای آذربایجان شرقی در محیط GIS : 16.
4
شکیبا ع، میر باقری ب، خیری ا (1389) خشکسالی و تاثیر آن بر منابع آب زیرزمینی در شرق استان کرمانشاه با استفاده از شاخص SPI، فصلنامه علمی و پژوهشی انجمن جغرافیای ایران، سال هشتم، شماره 25: 106.
5
فریدپور م (1392) تحلیل و بررسی تاثیر خشکسالی بر خصوصیات کمی و کیفی آبهای زیرزمینی دشت مرند، پایان نامه کارشناسی ارشد، دانشگاه تبریز، دانشکده علوم جغرافیا: 25.
6
فرزین م، جباری م، اکبری م (1388) نقش خشکسالیهای اخیر در افت سطح ایستابی آبهای زیرزمینی استان فارس، مطالعه موردی: شهرستان زرین دشت. مجموعه مقالات همایش ملی مدیریت بحران آب، دانشگاه آزاد اسلامی واحد مرودشت، 16 اسفند.
7
محمدی م، مرادی ح، وفاخواه م (1387)، تعیین خشکسالی آبهای زیرزمینی دشت اراک با استفاده از شاخص SWI و رویکرد GIS. مجموعه مقالات سومین کنفرانس مدیریت منابع آب ایران، تبریز، 23 - 25 مهر.
8
مطالعات طرح آمایش استان آذربایجان شرقی (1388) دفتر برنامه ریزی و بودجه استانداری آذربایجان شرقی.
9
قهرمان ن، قره خانی ا (1390) ارزیابی مدلهای تصادفی سری زمانی در برآورد تبخیر از تشت، مطالعه موردی: ایستگاه شیراز. مجله پژوهش آب در کشاورزی، جلد 25، شماره 60: 78.
10
Cohen S J (1986) Impacts of CO2-induced Climatic change on water resources in the Great Lakes Basin. Journal of Climatic Change 8(2): 135-153.
11
Chow V T, Kareliotis S J (1970) Analysis of stochastic hydrologic systems. Journal of Water Resources Research 6(6): 1569-1582.
12
Chatfield C (1996) The Analysis of Time Series, 5th ed., Chapman & Hall, New York, NY.
13
Karamouz M, Rezapour Tabari M, Kerachian R, and Zahraie B (2005) Conjunctive use of surface and groundwater resources with emphasis on water quality. Proceedings of the World Water and Environmental Resources Congress, ASCE, Alaska.
14
Niroomand H A (1997) Time series analysis. Ferdowsi University of Mashhad, Iran, p200.
15
Padilla A, Puldo-Bosch A, Cavache M, Vallejos A (1996) The ARMA model applied to the flow of karstic springs. Journal of the American Water Resources Association 32(5):917-928.
16
Siadat H (1998) Iranian agriculture and salinity. In: Proc. Of the conference on new technologies to combat desertification, 12-15 Oct, Tehran, Iran, 10-14.
17
Salas J D, Delleur J W, Yevjevich V, Lane W L (1980) Applied modeling of hydrologic time series. Water resources publications, Littleton, Colorado, 484p.
18
Samani N (2001) Response of karst aquifer to rainfall and evaporation in Maharlu basin, Journal of Cave and Karst Studies 63(12): 23-40.
19
Zarghami M, Abdi A, Babaeian I, Hassanzadeh Y, Kanani R (2011) Impacts of climate change on runoffs in East Azerbaijan, Journal of Global and Planetary Change 78(3-4): 137-146.
20
ORIGINAL_ARTICLE
تخصیص بار آلودگی در رودخانهها: مرور پیشینه مطالعات و چشمانداز مطالعات آتی
تخصیص بار آلودگی به منظور تعیین سطح بهینه تصفیه یا نحوه مدیریت هر یک از منابع آلودگی رودخانه، به عنوان یک روش رایج در مدیریت کیفیت آب رودخانهها، همواره مورد توجه پژوهشگران و مدیران قرار داشته است. در مدلهای پیشنهاد شده برای تخصیص بار آلودگی معمولاً اهداف و محدودیتهای مختلفی مانند حداقلسازی هزینههای تصفیه، رعایت عدالت در توزیع هزینهها، کاهش شدت تخطی کیفیت آب از استانداردها و کاهش طول دورههای تخطی مورد توجه قرار میگیرند. بررسی پیشینه مطالعات نشان میدهد، علیرغم اهمیت و گستردگی مطالعات انجام شده، تاکنون یک مقاله مروری جامع در این زمینه منتشر نشده است. تنها مورد مرتبط، مقالهای است که توسط de Melo and Câmara (1994) در زمینه بهینهسازی منطقهای سیستمهای تصفیه فاضلاب نوشته شده است و در آن اهداف و محدودیتهای مدلهای مدیریت کیفیت آب رودخانه بررسی شدهاند. در سالهای اخیر، لحاظ کردن عدمقطعیتهای مهم و مدلسازی مطلوبیتها و روابط بین تخلیهکنندگان به طور ویژه مورد توجه قرار گرفته است. در این مقاله، بیش از 60 مقاله از مهمترین مقالات چاپ شده در زمینه تخصیص بار آلودگی در رودخانهها مورد بررسی قرار میگیرد و در مورد دلایل استفاده، مزایا و محدودیتهای روشهای گوناگون تخصیص بار آلودگی به کار رفته در این مقالات بحث میشود. با توجه به محدودیت حجم مقاله و ماهیت مروری آن، فرمولاسیون و روابط توسعه داده شده در زمینه تخصیص بار آلودگی بررسی نشدهاند. همچنین، چشماندازهای موجود برای بهبود رویکردهای فعلی در مطالعات آتی میشوند.
https://www.iwrr.ir/article_13796_635197cfab3b68c6f69ba5fe4b76b96e.pdf
2015-09-23
117
134
تخصیص بار آلودگی
رودخانه
کیفیت آب
بهینهسازی
شبیهسازی
عدم قطعیتها
نجمه
مهجوری مجد
test@test.ac.ir
1
استادیار /دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی
LEAD_AUTHOR
بیژنی منظر م، مهجوری ن (1392) تخصیص بار آلودگی در رودخانه زرجوب: کاربرد روش گزینش اجتماعی بُردا و تابع چانهزنی نَش. تحقیقات منابع آب ایران، شماره 3، 74-59.
1
ذوالفقاریپور ما، احمدی ا (1393) تدوین سیاستهای تخصیص بار آلودگی در رودخانهها با استفاده از رویکرد گزینش اجتماعی. آب و فاضلاب، شماره 6: 46-36.
2
Abed-Elmdoust A, Kerachian R (2012) Water quality management under incomplete information: application of an N-person iterated signaling game. Environmental Monitoring and Assessment 184:5875–5888.
3
Arbabi M, Elzinga J (1975) A General approach to sream water quality modeling. Water Resources Research 11(2):191-196.
4
Burn DH (1989) Water-quality management through combined simulation-optimization approach. Journal of Environmental Engineering 115(5):1011–1024.
5
Burn DH, Lence BJ (1992) Comparison of optimization formulation for waste load allocation. Journal of Environmental Engineering 118(4):597–612.
6
Burn DH, McBean EA (1985) Optimization modeling of water quality in an uncertain environment. Water Resources Research 21(7):934-940.
7
Burn DH, McBean EA (1986) Linear stochastic optimization applied to biochemical oxygen demand-dissolved oxygen modeling. Canadian Journal of Civil Engineering 13:249-254.
8
Burn DH, Yulianti S (2001) Waste-load allocation using genetic algorithms. Journal of Water Resources Planning and Management 127(2):121-129.
9
Camp TR (1963) Water and its impurities, Rheinhold, New York.
10
Cardwell H, Ellis H (1993) Stochastic dynamic programming models for water quality management. Water Resources Research 29(4):803-813.
11
Chang NB, Chen HW, Shaw DG, Yang CH (1997) Water pollution control in river basin by interactive fuzzy interval multi-objective programming. Journal of Environmental Engineering 123(12):1208-1216.
12
Cho JH, Lee JH (2014) Multi-objective waste load allocation model for optimizing waste load abatement and inequality among waste dischargers. Water Air Soil Pollution 225, Article#1892.
13
Cho JH, Sung KS, Ha SR (2004) A river water quality management model for optimizing regional wastewater treatment cost using a genetic algorithm. Journal of Environmental Management 73(3):229–242.
14
de Melo JJ, Camara AS (1994) Models for the optimization of regional wastewater treatment systems. European Journal of Operational Research 73(1):1-16.
15
Eheart JW, Park H (1989) Effects of temperature variation on critical stream dissolved oxygen. Water Resources Research 25(2):145-151.
16
Eheart JW, Brill ED, Liebman JC (1990) Discharger grouping for water quality control. Journal of Water Resources Planning and Management 116(1):21-37.
17
Ellis JH (1987) Stochastic water quality optimization using embedded chance constraints. Water Resources Research 23(12):2227-2338.
18
Fujiwara O, Gnanendran SK, Ohgaki S (1986) River quality management under stochastic stream flow. Journal of Environmental Engineering 112(2):185–1986.
19
Ghosh S, Mujumdar PP (2006) Risk minimization in water quality control problems of a river system. Advances in Water Resources 29:458–470.
20
Ghosh S, Mujumdar P (2010) Fuzzy waste load allocation model: A multiobjective approach. Journal of Hydroinformatics 12:83-96.
21
Han K, Noh J, Kim JS, Lee C (2012) Application of stochastic optimization algorithm for waste load allocation in the Nakdong River basin, Korea. KSCE Journal of Civil Engineering 16:650-659.
22
Herbay JP, Smeers Y, Tyteca D (1983) Water quality management with time varying river flow and discharger control. Water Resources Research 19(6):1481-1487.
23
Karmakar S, Mujumdar PP (2006a) Grey fuzzy optimization model for water quality management of a river system, Advances in Water Resources 29:1088–1105.
24
Karmakar S, Mujumdar PP (2006b) An inexact optimization approach for river water quality management. Journal of Environmental Management 81:233–248.
25
Karmakar S, Mujumdar P (2007) A two-phase grey fuzzy optimization approach for water quality management of a river system. Advances in Water Resources 30:1218-1235.
26
Kerachian R, Karamouz M (2005) Waste load allocation model for seasonal river water quality management: application of sequential dynamic genetic algorithms. Scientia Iranica 12(2):117-130.
27
Lence BJ, Eheart JW, Brill ED (1990) Risk equivalent seasonal discharge programs for multidischarger streams. Journal of Water Resources Planning and Management 116(2):170-186.
28
Lence BJ, Takyi AK (1992) Data requirements for seasonal discharge programs: an application of a regionalized sensitivity analysis. Water Resources Research 28(7):1781-1789.
29
Liebman JC, Lynn WR (1966) The optimal allocation of stream dissolved oxygen. Water Resources Research 2(3):581-591.
30
Liu Y, Yang P, Hu C, Guo H (2008) Water quality modeling for load reduction under uncertainty: A Bayesian approach. Water Research 42:3305-3314.
31
Liu D, Guo S, Shao Q, Jiang Y, Chen X (2014) Optimal allocation of water quantity and waste load in the Northwest Pearl River Delta, China. Stochastic Environmental Research and Risk Assessment 28(6):1525-1542.
32
Lohani BN, Hee KB (1983) A CCDP model for water quality management in the Hsintien river in Taiwan. International Journal of Water Resources Development 1(2):91-114.
33
Loucks DP, ReVelle CS, Lynn WR (1967) Linear programming models for water pollution control. Management Science 14(4):166-181.
34
Madsen HO, Krenk S, Lind NC (1986) Methods of structural safety. Prentice-Hall Englewood Cliffs, NewJersey, USA.
35
Mahjouri N, Abbasi M-R (2014) Waste load allocation in rivers under uncertainty: application of social choice procedures. Environmental Monitoring and Assessment 187(2):1-15.
36
Mahjouri N, Bizhani-Manzar M (2013) Waste load allocation in rivers using Fallback Bargaining. Water Resources Management 27(7):2125-2136.
37
Malakpour-Estelaki S, Abed-Elmdoust A, Kerachian R (2015) Developing environmental penalty functions for river water quality management: application of evolutionary game theory. Environmental Earth Sciences 73(8):4201–4213.
38
Mostafavi SA, Afshar A (2011) Waste load allocation using non-dominated archiving multi-colony ant algorithm Procedia. Computer Science 3:64–69.
39
Mujumdar P. P. and Sasikumar K. (2002) A fuzzy risk approach for seasonal water quality management of a river system. Water Resources Research 38(1), Article#1004.
40
Mujumdar PP, Vemula SVR (2004) Fuzzy waste load allocation model: simulation-optimization approach. Journal of Computing in Civil Engineering 18(2):120-131.
41
Nikoo MR, Kerachian R, Karimi A (2012a) A nonlinear interval model for water and waste load allocation in river basins. Water Resources Management 26:2911-2926.
42
Nikoo MR, Kerachian R, Niksokhan MH (2012b) Equitable waste load allocation in rivers using fuzzy Bi-matrix games. Water Resources Management 26:4539-4552.
43
Nikoo MR, Kerachian R, Karimi A, Azadnia AA (2013) Optimal water and waste-load allocations in rivers using a fuzzy transformation technique: a case study. Environmental Monitoring and Assessment 185:2483-2502.
44
Nikoo MR, Kerachian R, Karimi A, Azadnia AA, Jafarzadegan K (2014) Optimal water and waste load allocation in reservoir–river systems: a case study. Environmental Earth Sciences 71(9):4127-4142.
45
O’Connor D, Dobbins WE, (1958) Mechanism of reaeration in natural streams. Transactions 123:641–684.
46
Qin X, Huang G, Chen B, Zhang B (2009) An interval-parameter waste-load-allocation model for river water quality management under uncertainty. Environmental Management 43:999–1012.
47
Qin X, Huang GH, Zeng GM, Chakma A, Huang Y (2007) An interval-parameter fuzzy nonlinear optimization model for stream water quality management under uncertainty. European Journal of Operational Research 180, 1331-1357.
48
ReVelle C, Loucks DP, Lynn WR (1968) Linear Programming Applied to Water Quality Management. Water Resources Research 4(1):1-9.
49
Rehana S, Mujumdar P (2009) An imprecise fuzzy risk approach for water quality management of a river system. Journal of Environmental Management 90:3653-3664.
50
Rossman LA (1989) Risk equivalent seasonal waste load allocation. Water Resources Research 25(10):2083-2091.
51
Saadatpour M, Afshar A (2007) Waste load allocation modeling with fuzzy goals; simulation-optimization approach. Water Resources Management 21:1207–1224
52
Sasikumar K, Mujumdar PP (1998) Fuzzy optimization model for water quality management of a river system. Journal of Water Resources Planning and Management 124(2):79-88.
53
Streeter HW, Phelps EB (1925) A study of the pollution and natural purification of the Ohio River. U.S. Public Health Bulletin 146.
54
Sasikumar K, Mujumdar PP (2000) Application of fuzzy probability in water quality management of a river system. International Journal of Systems Science 31(5):575–591.
55
Takyi AK, Lence BJ (1995) Markov chain model for seasonal water quality management. Journal of Water Resources Planning and Management 121(2):144-157.
56
Takyi AK, Lence BJ (1999) Surface water quality management using a multiple-realization chance constraint method. Water Resources Research 35(5):1657-1670.
57
Tavakoli A, Kerachian R, Nikoo MR, Soltani M, Malakpour-Estalaki S (2014) Water and waste load allocation in rivers with emphasis on agricultural return flows: application of fractional factorial analysis. Environmental Monitoring and Assessment 186(9):5935-49.
58
Tavakoli A, Nikoo MR, Kerachian R, Soltani M (2015) River water quality management considering agricultural return flows: application of a non-linear two-stage stochastic fuzzy programming. Environmental Monitoring and Assessment 187(4), Article#158.
59
Vasquez JA, Maier HR, Lence BJ, Tolson BA, Foschi RO (2000) Achieving water quality system reliability using genetic algorithm. Journal of Environmental Engineering 126:954-962.
60
Vemula SVR, Mujumdar PP, Ghosh S (2004) Risk evaluation in water quality management of a river system. Journal of Water Resources Planning and Management 130(5):411–423.
61
Warwich JJ, Roberts LA (1992) Computing the risk associated with waste load allocation modeling. Journal of the American Water Resources Association 28:903-915.
62
Xie YL, Li YP, Huang GH, Li YF, Chen LR (2011) An inexact chance-constrained programming model for water quality management in Binhai New Area of Tianjin, China. Science of the total environment 409(10):1757-1773.
63
Yandamuri SRM, Srinivasan K, Bhallamudi SM (2006) Multiobjective optimal waste load allocation models for rivers using nondominated sorting genetic algorithm-II. Journal of Water Resources Planning and Management 132(3):133–143.
64
Yang CC, Chen CS, Lee CS (2011) Comprehensive river water quality management by simulation and optimization models. Environmental Modeling and Assessment 16(3):283-294.
65
Yulianti JS, Lence BJ, Johnson GV, Takyi AK (1999) Non-point source water quality management under input information uncertainty. Environmental Management 55(3):199-217.
66
Zhu H, Huang GH, Guo·P, Qin XS (2009) A fuzzy robust nonlinear programming model for stream water quality management. Water Resources Management 23:2913–2940.
67
Zou R, Liu Y, Riverson J, Parker A, Carter S (2010) A nonlinearity interval mapping scheme for efficient waste load allocation simulation-Optimization analysis. Water Resources Research 46(8):1-14.
68
ORIGINAL_ARTICLE
تحلیل عدم قطعیت تاثیر سیستمهای آبیاری تحت فشار بر جریان خروجی از حوضه دریاچه ارومیه، مطالعه موردی: حوضه زرینه رود
یکی از راهکارهای مطرح برای حل بحران دریاچه ارومیه اعمال سیستمهای آبیاری تحت فشار در حوضه میباشد که به منظور بررسی تاثیرات آن، میتوان از شبیه سازیهای هیدرولوژیکی استفاده کرد. اما وجود مدیریت های مختلف کشاورزی، پارامترهای متنوع هیدرولوژیکی و عدمقطعیت موجود در آنها باعث وجود شرایطی پیچیده در شبیه سازی شده که این امر عدم قطعیت خروجیهای مدل را افزایش میدهد. هدف این تحقیق تعیین سناریوهای محتمل نیاز ناخالص آبیاری در منطقه، اعمال آنها در مدلSWAT و تخمین بازه تغییرات مؤلفه های هیدرولوژیکی تاثیرپذیر از آبیاری با استفاده از روش BMA میباشد. نتایج این تحقیق نشان داد، با ثابت ماندن روش های آبیاری موجود در حوضه میانگین حد بالائی و پایینی باند عدم قطعیت جریان خروجی از حوضه برابر با 1316 و 1391 میلیونمترمکعب خواهد بود. همچنین مقدار راندمان در مقیاس مزرعهای دارای بازه تغییرات 40-47 و راندمان در مقیاس حوضهای دارای بازه تغییرات 78-81 میباشد. در صورت اعمال سیستمهای آبیاری تحت فشار مقدار حجم خروجی از حوضه از 1322 تا 1364 میلیون متر مکعب متغیر خواهد بود.
https://www.iwrr.ir/article_13797_f2b4d1a7021fbff311884944a1c07d80.pdf
2015-09-23
135
145
تحلیل عدم قطعیت
راندمان آبیاری
میانگین گیری بیزی
حوضه زرینه رود
مدل SWAT
ظاهر
طلوعی
1
دانش آموخته کارشناسی ارشد/ گروه مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران
AUTHOR
مجید
دلاور
m_delavar@modares.ac.ir
2
استادیار/ گروه مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران
LEAD_AUTHOR
سعید
مرید
morid_sa@modares.ac.ir
3
استاد/ گروه مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران
AUTHOR
حجت
احمدزاده
4
گروه مهندسی منابع آب/ دانشکده کشاورزی دانشگاه تربیت مدرس، تهران
AUTHOR
احمدزاده ح (1391)، ارزیابی بهرهوری آب کشاورزی با استفاده از مدل SWAT در حوضه آبریز زرینهرود، پایان نامه کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی. دانشگاه تربیت مدرس.
1
رحیمزادگان ع (1375)، طراحی سیستمهای آبیاری بارانی، انتشارات دانشگاه صنعتی امیرکبیر.
2
سازمان حفاظت محیط زیست (1389)، برنامه مدیریت جامع حوضه آبریز دریاچه ارومیه.
3
ضیائی ل (1390) محاسبه اثر افزایندگی چرخه آب روشی برای تعیین راندمان آبیاری در مقیاس حوضه و محاسبه بیلان آب در حوضههای آبریز، شرکت مهندسین مشاور زایندآب، شرکت آب منظقهای اصفهان.
4
طلوعی ظ (1392) ارزیابی تاثیر توسعه سیستمهای آبیاری تحتفشار بر ورودی رودخانه زرینهرود به دریاچه ارومیه، پایاننامه کارشناسی ارشد، دانشگاه تربیت مدرس.
5
عباسی ع (1392) مدیریت تقاضای آبی بخش کشاورزی حوضه زرینهرود در شرایط خشکسالی، پایاننامه کارشناسی ارشد، دانشگاه تربیت مدرس.
6
علیزاده آ، کمالی آ (1386) نیاز آبی گیاهان در ایران، انتشارات امام رضا، ص223
7
وطنخواه ح (1390) ارزیابی راندمان آبیاری حوضه زرینهرود، پایان نامه کارشناسی ارشد، دانشگاه کردستان.
8
Abbaspour KC (2012) SWAT-CUP User Manual.
9
Abbaspour KC, Yang J, Maximov L, Siber R, Bogner K (2007) Modelling hydrology and water quality in the pre-alpine/alpine Thur watershed using SWAT. J. Hydrol, 333: 413-430.
10
Abbaspour K C, Johnson C A, van Genuchten M T (2004) Estimating uncertain flow and transport parameters using a sequential uncertainty fitting procedure.Vadose Zone J, 3(4), 1340 – 1352.
11
Ajami N K, Duan Q, Gao X, Sorooshian S (2006) Multimodel combination techniques for analysis of hydrological simulations: Application to distributed model intercomparision project results, Journal of Hydrometeorology, 7, 755(768).
12
Ajami N K, Duan Q, Sorooshian S (2007) An integrated hydrologic Bayesian multimodel combination framework: Confronting input, parameter, and model structural uncertainty in hydrologic prediction, Water Resources Research 43, 1(19).
13
Beven K, Binley A (1992) The future of distributed models—Model calibration and uncertainty prediction, Hydrol. Processes, 6(3), 279 –298.
14
Cai X. Ringler, C Rosergrant, M, (2001) Physical and economical efficiency of water use in the river basin Water Resources Research 39(1).
15
Duan Q, Ajami N K, Gao X, Sorooshian S (2007) Multi-model ensemble hydrologic prediction using Bayesian model averaging, Advances in Water Resources 30, 1371–1386.
16
Qureshi ME, Grafton RQ, Kirby M, Hanjra MA (2010) Understanding irrigation water use efficiency at different scales for better policy reform: a case study of the Murray – Darling Basin, Water Policy Uncorrected Proof (2010) 1–18.
17
Raftery AE and Zheng Y (2003) Long-run performance of Bayesian model averaging, J. Amer. Stat. Assoc, 98, 931–938.
18
Vrugt J A, Gupta H V, Bouten W, Sorooshian S (2003) A Shuffled Complex Evolution Metropolis algorithm for optimization and uncertainty assessment of hydrologic model parameters, Water Resour. Res, 39(8), 1201.
19
Seckler D (1996) The new era of water resources management: From “dry” to “wet” water savings, Research Report 1. Colombo, Sri Lanka: International Irrigation Management Institute.
20
Straucha M, Bernhofer C, Koide S,Volk M, Lorz C, Makeschin F (2012) Using precipitation data ensemble for uncertainty analysis in SWAT streamflow simulation. Journal of Hydrology 414:413-424.
21
Yang J, Reichert P, Abbaspour K C (2007) Bayesian uncertainty analysis in distributed hydrologic modeling: A case study in the Thur River basin (Switzerland),Water Resour. Res, 43, W1040
22
Yang J, Abbaspour K C, Reichert P, Yang H (2008) Comparing uncertainty analysis techniques for a SWAT application to Chaohe Basin in China, In review, Journal of Hydrology, 358(1-2):1-23.
23
Tang F F, XU H S, Xu Z S (2012) Model calibration and uncertainty analysis for runoff in the Chao River Basin using sequential uncertainty fitting, Procedia Environmental Sciences 13 (2012) 1760 – 1770.
24
ORIGINAL_ARTICLE
مدل سازی بارش رواناب با استفاده از مدل های هوشمند هیبریدی
بارش-رواناب یکی از فرایندهای مهم در مطالعات منابع آب بشمار میرود. در این تحقیق فرآیند بارش-رواناب روزانه در حوضه آبریز بالیخلوچای با استفاده از ماشین بردار پشتیبان، شبکه های عصبی مصنوعی، هیبرید موجک-ماشین بردار پشتیبان و هیبرید موجک-شبکه عصبی مورد مطالعه و مقایسه قرار گرفته است. داده های بارش-رواناب روزانه در طول دوره آماری (1379-1387) برای آموزش و صحتسنجی مدل ها مورد استفاده قرار گرفت. در حالت کلی نتایج حاکی از دقت قابل قبول هر چهار روش میباشد. از لحاظ اولویت نیز مدل هیبرید موجک-شبکه عصبی با بیشترین دقت و کمترین خطا در اولویت اول و مدلهای هیبرید موجک-ماشین بردار پشتیبان، شبکه عصبی مصنوعی و ماشین بردار پشتیبان بترتیب در اولویتهای بعدی قرار گرفتند.
https://www.iwrr.ir/article_13798_41ecd4298830b2c45723317debad5cb7.pdf
2015-09-23
146
150
بارش-رواناب
تبدیل موجک
شبکه عصبی مصنوعی
ماشین بردار پشتیبان
هیبرید
محمدعلی
قربانی
ghorbani@tabrizu.ac.ir
1
دکتری منابع آب/ دانشیار گروه مهندسی آب، دانشگاه تبریز، تبریز، ایران
AUTHOR
عاطفه
ازانی
2
دانشجوی سابق کارشناسی ارشد/ گروه مهندسی آب، دانشگاه تبریز، تبریز، ایران
LEAD_AUTHOR
سمیه
محمودی وانعلیا
3
دانشجوی سابق کارشناسی ارشد/ گروه مهندسی آب، دانشگاه تبریز، تبریز، ایران
AUTHOR
اسکندری ع، نوری ر (1389) توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی به هنگام اکسیژن خواهی بیو شیمیایی 5 روزه. محیط شناسی سال سی و هشتم، شماره 61: 74-76.
1
اسکندرینیا ا (1387) تأثیرعامل بارش پیشین در برآورد جریان رودخانه توسط مدلسازی هوشمند بارش-رواناب. مجموعه مقالات هشتمین کنگره بینالمللی مهندسی عمران، شیراز، ایران، اردیبهشت 1388.
2
اعلمی م ت، صادقفام س، فاضلیفرد م ح، نقیپور ل (1393) مدلسازی سری دادهها. انتشارات دانشگاه تبریز. تبریز، 299 صفحه.
3
طوفانی پ، مساعدی ا، فاخری فرد ا (1390) پیشبینی بارندگی با استفاده مستقیم از نظریه موجک، مطالعه موردی: ایستگاه بارانسنجی زرینگل استان گلستان. نشریه آب وخاک (علوم و صنایع کشاورزی)، جلد25، شماره 5: 1226-1217.
4
نصری م. مدرس ر، دستورانی م ت (1388) کاربرد مدل شبکه عصبی در برآورد رواناب، مطالعه موردی: حوضه آبریز پلاسجان. فصلنامه آمایش محیط، جلد 2، شماره 5 : 23-37.
5
نوری ر، خاکپور ا، دهقانی م، فرخنیا ا (1389) پیشبینی ماهانه جریان با استفاده از ماشین بردار پشتیبان بر مبنای آنالیز مؤلفه اصلی. نشریه آب و فاضلاب، جلد22، شماره 1 : 118-129.
6
نوری م، میرحسینی س م، زینالزاده ک، رهنما م ب (1386) الگوی جدید بارش-رواناب حوضه آبریز هلیل رود با استفاده از مدل هیبرید شبکه عصبی-موجک. نشریه زمینشناسی مهندسی، جلد 2، شماره 2: 472-451.
7
Adamowski J (2013) Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed whit limited data in Uttaranchal, India. Versita 45: 71-83.
8
Lippman R (1987) An introduction to computing with neural nets. IEEE ASSP Mag 4, 4-22.
9
Misra D, Oommen T, Agarwal A, Mishra SK (2009) Application and analysis of Support Vector Machine based simulation for runoff and sediment yield. Biosystems Engineering 103: 527-535.
10
Nelder J A and Mead R (1964) ASimplex method for function minimization. The Computer Journal 308-313.
11
Lafadani E (2013) Stream flow simulation using SVM, ANFIS and NAM models (A Case Study). Caspian Journal of Applied Sciences Research 2: 86-93.
12
ORIGINAL_ARTICLE
بررسی روند بارش در 32 ایستگاه سینوپتیک ایران با روش ناپارامتری و جمع متحرک داده با مرتبه 1 تا 48 ماهه طی سالهای 1970 تا 2005
هر گونه تغییر در الگوی بارش میتواند تاثیر قابل توجهی در دسترسی به منابع آب، کشاورزی و اکوسیستم داشته باشد. بنابراین، آگاهی از روند بارش از جنبههای مهم مدیریت منابع آب است. در این تحقیق سریهای زمانی جمع متحرک بارش با مرتبه 1 تا 48 ماهه با استفاده از روشهای ناپارامتری من-کندال (بعد از حذف اولین مقدار همبستگی از سریها) و تخمینگر شیب سن در 32 ایستگاه سینوپتیک کشور مورد بررسی قرار گرفت. نتایج نشان دهنده فراوانی وجود روند (در کل 60 درصد از روندهای بدست آمده به صورت نزولی معنادار، 32 درصد به شکل صعودی معنادار و 8 درصد نشان دهنده عدم روند معنادار) در سریهای زمانی طولانی مدت نسبت به سریهای کوتاه مدت (1 تا 6 ماهه) است. بررسی مکانی توزیع روندها نشان داد که اغلب مناطق کشور دارای روندهای نزولی بارش قابل توجهی بودهاند. از آنجا که بخش مهمی از منابع آب در ایران مربوط به منابع آب زیرزمینی میشود و معمولا منابع آب زیرزمینی در ارتباط مستقیم با سریهای طولانی مدت بارندگی هستند، لذا شرایط حاضر میتواند تهدیدی جدی برای منابع آب زیرزمینی در اکثر مناطق کشور باشد.
https://www.iwrr.ir/article_13799_48f00303d7949cd880c27eecadf5d2fe.pdf
2015-09-23
151
156
مجموع متحرک
بارش
روند
آزمون ناپارامتری
من-کندال
محمدرضا
اختصاصی
mr_ekhtesasi@yazd.ac.ir
1
استاد / دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد، ایران
AUTHOR
فرشید
جهانبخشی
2
دانشجوی دکترای آبخیزداری/ دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد، ایران
LEAD_AUTHOR
محمدرضا
کوثری
3
دانشجوی دکترای آبخیزداری/ دانشکده منابع طبیعی و کویر شناسی، دانشگاه یزد، ایران
AUTHOR
ایران نژاد پ، کتیرایی بروجردی پ س، حجام س (1388) توزیع مکانی روند بارش سالانه در ایران در دوره 1960- 2001. مجله فیزیک زمین و جغرافیا، دوره 35(4): 79-94.
1
جهانبخش اصل س، تدینی م، نوری ح (1390) تحلیل روند تغییرات بارشهای سالانهی حوضهی سفیدرود با استفاده از روش ناپارامتری من-کندال. مجلهی جغرافیا و توسعه ناحیهای، سال 9(17):229-241.
2
حجام س، خوشخو ی، شمسالدین وند ر (1387) تحلیل روند تغییرات بارندگیهای فصلی و سالانه چند ایستگاه منتخب در حوزه مرکزی ایران با استفاده از روشهای ناپارامتری. فصلنامه پژوهشهای جغرافیایی، سال40(64): 157-168.
3
خوشحال دستجردی ج، قویدل رحیمی ی (1387) بررسی رابطة تغییرات بارش سالیانه تبریز با ناهنجاریهای دمایی کرة زمین و شبیهسازی عددی آن با استفاده از شبکه عصبی مصنوعی. فصلنامه مدرس علوم انسانی، 12(2 (پیاپی 57) (جغرافیا)):29-51.
4
سبزی پرور ع ا، شادمانی م (1390) تحلیل روند تبخیر و تعرق مرجع با استفاده از آزمون من-کندال و اسپیرمن در مناطق خشک ایران. نشریه آب و خاک (علوم و صنایع غذایی)، جلد 25(4): 823-834.
5
عسگری ا، رحیم زاده ف (1385) مطالعه تغییر پذیری بارش دهههای اخیر ایران. پژوهشهای جغرافیایی. جلد 38(58): 68-80.
6
فرسادنیا ف، رستمی کامرود م، مقدم نیا ع (1391) تحلیل روند بارندگی در استان مازندران با استفاده از روش من-کندال منطقهای. تحقیقات منابع آب ایران، سال 8، شماره2: 60-70.
7
محمدی ب (1390) تحلیل روند بارش سالانه ایران. مجله جغرافیا و برنامهریزی محیطی، سال 22((3) پیاپی43): 95- 106.
8
ناظم السادات س م ج، سامانی ن، مولایی نیکو م (1384) تغییر اقلیم در جنوب و جنوب غرب ایران از دیدگاه مشاهدات بارش. برهمکنش با پدیده النینو نوسانات جنوبی. نشریه علمی کشاورزی. جلد 28(2): 81-97.
9
ویسی پور ح، معصوم پور سماکوش ج، صحنه ب.، یوسفی ی (1389) تحلیل پیش بینی روند بارش و دما با استفاده از مدلهای سری زمانی (ARIMA). جغرافیا، جلد 4(12): 63-77.
10
Bari Abarghouei H, Kousari M, Asadi Zarch M (2011) Prediction of drought in dry lands through feedforward artificial neural network abilities. Arabian Journal of Geosciences 6:1417-1433.
11
Duhan D, Pandey A (2013) Statistical analysis of long term spatial and temporal trends of precipitation during 1901–2002 at Madhya Pradesh, India. Atmospheric Research 122: 136-149.
12
Gocic M, Trajkovic S (2013) Analysis of precipitation and drought data in Serbia over the period 1980–2010. Journal of Hydrology 494:32-42.
13
Kendall MG (1948) Rank Correlation Methods. Griffin, London, 160 pp.
14
Kousari MR, Asadi Zarch M (2011) Minimum, maximum, and mean annual temperatures, relative humidity, and precipitation trends in arid and semi-arid regions of Iran. Arabian Journal of Geosciences 4:907-914.
15
Kousari MR, Ekhtesasi M, Tazeh M, Saremi Naeini M, Asadi Zarch M (2011) An investigation of the Iranian climatic changes by considering the precipitation, temperature, and relative humidity parameters. Theoretical and Applied Climatology 103:321-335.
16
Mann HB (1945) Nonparametric tests against trend. Econometrica 13:245-259.
17
McKee TB, Doesken NJ, Kleist J (1993) The relationship of drought frequency and duration to time scales. In: Proceedings of the 8th conference on applied climatology. 17-22 January, Anaheim, California.
18
Milly PCD, Betancourt J, Falkenmark M, Hirsch RM, Kundzewicz ZW, Lettenmaier DP, Stouffer RJ (2008) Stationarity is Dead: whither water management?. Science 319:573-574.
19
Rougé C, Ge Y, Cai X (2013) Detecting gradual and abrupt changes in hydrological records. Advances in Water Resources 53:33-44.
20
Sen PK (1968) Estimates of the regression coefficient based on Kendall's Tau. Journal of the American Statistical Association 63:1379-1389.
21
Serrano A, Mateos VL, Garcia JA (1999) Trend analysis of monthly precipitation over the Iberian peninsula for the period 1921–1995. Physics and Chemistry of the Earth Part B: Hydrology, Oceans and Atmosphere 24:85-90.
22
Tekleab S, Mohamed Y, Uhlenbrook S (2013). Hydro-climatic trends in the Abay/Upper Blue Nile basin, Ethiopia. Physics and Chemistry of the Earth, Parts A/B/C (60-62): 32-42.
23