ORIGINAL_ARTICLE
پیشگفتار: امنیت آبی و غذایی
https://www.iwrr.ir/article_15235_2bbd67c45d5b5a7f1fe3fe5845dae089.pdf
2016-02-20
0
1
حجت
میان آبادی
hmianabadi@gmail.com
1
AUTHOR
ORIGINAL_ARTICLE
توسعه سامانه تصمیمیار بهرهبرداری از منابع آب حوضه زرینهرود با تأکید بر تأمین حقابه دریاچه ارومیه و تخصیص بهینه آب در بخش کشاورزی
رودخانه زرینه رود از مهمترین رودخانههای حوضه ی آبریز دریاچه ارومیه است. از آنجا که بخش کشاورزی در این منطقه از اهمیت زیادی برخوردار می باشد و همچنین در سالهای اخیر فشار زیادی بر منابع آب این حوضه وارد آمــده که در نتیجه ی آن دریــاچه ارومیه با مشکلات عـدیــده زیستمحیطی روبرو شده است، لذا ارزیابی تخصیص بهینه ی آب محصولات زراعی بهخصوص در شرایط خشکسالی می تواند تأثیر بسزایی بر بهره وری بهتر از آب در سطح حوضه داشته باشد. در مطالعه ی حاضر تلاش شده است با پیش بینی جریان در یک سال آینده از روش ماشین بردار پشتیبان (SVM) و تأکید بر راهکارهای مدیریتی پیشنهاد شده در طرح مدیریت ریسک خشکسالی دریاچه ارومیه و بهره گیری از مدل تخصیص بهینه ی بخش کشاورزی که هسته ی اصلی آن شبیه سازی عملکرد گیاهی بر اساس روابط جدید و قدیم فائو میباشد، بهترین شیوه های تخصیص آب و زمین تعیین گردد. نتایج نشان داد که هــر کــدام از ایــن روشهـا تـرکیب متفاوتی از تخصیص و سطوح کشت بهینه را ارائه میدهند که براساس آن، روش FAO-2009 نسبت به روش FAO-1979 در کلیه ی سطوح خشکسالی افــزایش درآمد و بهره وری را به همراه داشته است. همچنین روش SVM برای پیش بینی جریان در دو سناریوی خشکسالی که یکی تأمین نیاز زیست محیطی دریاچه به صورت کامل تحت هر شرایط و دیگری کاهش آن بر مبنای وضعیت خشکسالی میباشد، از همبستگی بالای 90 درصد برخوردار بوده و تلفیق آن با مدل تخصیص قابلیت برنامهریزی و اعمال اقدامات مدیریتی متناسب با شرایط پیش آمده را به همراه دارد که این مجموعه می تواند در قالب یک سیستم تصمیم یار در مدیریت حوضه مورد استفاده قرار گیرد.
https://www.iwrr.ir/article_13982_79fb23d1acd9b247b8f440ad8e5ae169.pdf
2016-02-20
1
16
عملکرد گیاهی
روابط فائو
تخصیص آب
سطح خشکسالی
ماشین بردار پشتیبان
رودخانه زرینهرود
عباس
عباسی
1
دانش آموخته کارشناسی ارشد مهندسی منابع آب/ دانشگاه تربیت مدرس، تهران، ایران
AUTHOR
مجید
دلاور
m.delavar@modares.ac.ir
2
استادیار / گروه منابع آب، دانشگاه تربیت مدرس ،تهران، ایران
LEAD_AUTHOR
سعید
مرید
morid_sa@modares.ac.ir
3
استاد / گروه منابع آب، دانشگاه تربیت مدرس، تهران، ایران
AUTHOR
Ahmadzade H (2012) Evaluate the efficiency of agricultural water by using SWAT: A Case Study Zarrineh-Rood basin. M.Sc. Thesis, Faculty of Agriculture, Tarbiat Modarres University (In Persian)
1
Asefa T, Kemblowski MW, Mckee M and Khalil A (2006) Multi-time scale stream flow prediction: The support vector machine approach. Hydrology, 318:7-16.
2
Delavar M (2012) Real-time decision making based on risk allocation of water resources in drought condition. Ph.D. Thesis, Faculty of Agriculture, Tarbiat Modares University (In Persian).
3
Dibike YB, Velickov S, Solomatine D, Abbott MB (2001) Model induction with support vector machines: Introduction and applications. Journal of omputing in Civil Engineering, 15 (3): 208–216.
4
Doorenbos J and Kassam AH(1977) Yield response to water. FAO Irrigation and Drainage Paper No. 33.
5
Iglesias A, Cancelliere A, Gabina D, Lopez-Francos A, Moneo M, Rossi G (2007) Drought Management Guidelines, European Commission - EuropeAid Co-operation Office Euro-Mediterranean Regional Programme for Local Water Management (MEDAWater) Mediterranean Drought Preparedness and Mitigation Planning (MEDROPLAN).
6
Lin PH, Kwon HH, Sun L, Lall U and Kao JJ (2009) A modified support vector machine based prediction model on stream flow at the Shihmen reservoir. Climatology, 30 :1256-1268.
7
Misra D, Oommen Th, Agarwal A, Mishra, SK and Thompson AM (2009) Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems Engineering, 103: 527-535.
8
Moghaddasi M, Araghinejad S, Morid S (2009) Long-term operation of irrigation dams considering variable demands: case study of Zayandeh-Rud reservoir. Iran. J. Irrig. Drain. Eng- ASCE, 136(5): 309-316.
9
Remesan R, Shamim M.A., Han D (2008) Model data selection using gamma test for daily solar radiation estimation. Hydrological Processes, 22: 4301-4309.
10
Shangguan Z, Shao M, Horton R (2002) A model for regional optimal allocation of irrigation water resources under deficit irrigation and its applications. J. Agriculture Water Management, 52: 139-154.
11
Steduto P, Hsiao TC, Fereres E (2007) On the conservative behavior of biomass water productivity. Irrig. Sci., 25:189-207.
12
Wardlaw R, Barnes J (1999) Optimal allocation of irrigation water supplies in real time. Jornal of Irrigation and Drainage Engineering, 125(6): 345-354.
13
Working Group on Sustainable Management of Water Resources and Agriculture (WGSMWRA), Regional Council of Lake Urmia Basin Management(2012) Drought risk management plan for lake urmia basin, Tarbiat Modares university and Iranian Conservation of Wetlands Plan, Volume 8 (In Persian).
14
ORIGINAL_ARTICLE
رویکرد شبیهسازی و بهینهسازی جهت حداقل نمودن میزان نشت از کانالهای انتقال آب
از جمله دستورالعمل های مدیریت صحیح منابع آب، طراحی بهینه مقاطع کانالهای انتقال آب است. طراحی مقطع کانال با کمترین میزان تلفات آب شامل کمینه کردن میزان نشت و تبخیر از کانال تحت شرایط جریان یکنواخت در کانال میباشد. تا کنون طراحی بهینه مقاطع کانال بر اساس روابطی با خطای بالای در تخمین میزان نشت بوده که میبایست مورد بازنگری قرار گیرد. در این تحقیق به کمک بسته نرمافزاریSEEP/W، میزان نشت در کانال برای حالتهای مختلف مدلسازی و پس از آن مناسبترین مدل نرم بین داده های ورودی و خروجی استخراج خواهد شد. این مدل با سایر روابط تجربی مقایسه و ضمن تأیید صحت دقت بالای تخمین نشت توسط آن، از آن به عنوان روشی دقیق تر در فرآیند بهینهسازی با هدف کمینه کردن تلفات آب از کانال مورد استفاده قرار میگیرد. نتایج مطالعه در قالب نمودارهایی بیبعد ارائه میشود که امکان طراحی ساده ابعاد کانال را فراهم مینماید. مقایسه نتایج مطالعه حاضر با سایر تحقیقات مشابه، نشاندهنده تغییرات قابل ملاحظه ابعاد بهینه کانال بین تحقیق حاضر با سایر تحقیقات به دلیل استفاده از روش پیشنهادی تخمین نشت میباشد.
https://www.iwrr.ir/article_13985_770c85f978ca9fa699bb198acebef99f.pdf
2016-02-20
17
30
ابعاد بهینه
کانال
تلفات آب
نشت
بهینهسازی
محمود
محمد رضاپور طبری
mrtabari57@gmail.com
1
استادیار / گروه مهندسی عمران، دانشکده فنی، دانشگاه شهرکرد
LEAD_AUTHOR
محسن
مزک ماری
2
دانشجوی کارشناسی ارشد مهندسی عمران/ دانشکده فنی، دانشگاه شهرکرد
AUTHOR
امین جواهری ا، پاکنیت ا، (1388) تحلیل استاتیکی و دینامیکی سدهای خاکی با استفاده از GeoStudio. انتشارات علم عمران، چاپ اول، 313 صفحه.
1
بهراملو ر (1390) ارزیابی تلفات نشت در کانالهای آبیاری با پوشش سنگی در مناطق سردسیر و تأثیر آن بر ذخایر منابع آب (مطالعه موردی در استان همدان). مجله پژوهش آب ایران، (9)5: 141-150.
2
بهراملو ر (1391) تأثیر پوشش بتنی بر کنترل تلفات نشت آب از کانالهای آبیاری در استان همدان. مجله پژوهش آب ایـران، (11)6: 75-83.
3
حیدریزاده م (1387) مقایسه نتایج کاربرد معادله تئوری با تجربی نشت آب از کانالهای منطقه رودشت اصفهان. اولین همایش مدیریت جامع حوضه آبخیز زایندهرود، اصفهان.
4
سالمی ح، سپاسخواه ع (1385) اصلاح معادلات تجربی نشت آب از کانال در منطقه رودشت اصفهان. علوم و فنون کشاورزی و منابع طبیعی، (1)10: 29-42.
5
سهرابی م ی ت، رحیمی ح، سلامت ع (1384) بررسی بازده کانالهای انتقال و توزیع آب در شبکه آبیاری گیلان و فومنات. مجله علوم کشاورزی و منابع طبیعی، (1)12: 71-82.
6
محمد رضاپور طبری م، ایلبیگی م (1393) کالیبراسیون خودکار پارامترهای آبخوان با استفاده از مدل ریاضی گسترده آبخوان و الگوریتم مبتنی بر جستجوی مستقیم. مجله علمی و پژوهشی آب و فاضلاب، (3)25: 98-109.
7
محمد رضاپور طبری م، عبادی ت، مکنون ر (1389) ارائه مدل هوشمند تعیین رفتار تغییرات تراز سطح آب زیرزمینی با لحاظ نمودن وضعیت دینامیکی سیستم آبخوان. مجله علمی و پژوهشی آب و فاضلاب، (4)21: 70-80.
8
ملکپور ا، رحیمی ح، احمدی ح (1385) بررسی اثر سطح آب زیرزمینی و ضخامت لایه آبدار بر میزان جریان نشت معکوس به کانال. همایش ملی مدیریت شبکههای آبیاری و زهکشی، دانشگاه شهید چمران اهواز. دانشکده مهندسی علوم آب.
9
نوری محمدیه م، سهرابی ت، رحیمی ح (1389) ارزیابی روشهای تجربی تعیین نشت در کانالهای خاکی (مطالعه موردی: دشت قزوین). مجله پژوهش آب ایران، (7)4: 125-128.
10
Chahar B (2007) Optimal design of a special class of curvilinear bottomed canal section. Journal of Hydraulic Engineering ASCE 133(5):571-576.
11
Chahar BR (2007) Seepage analysis from polygonalcanals. Journal of the Hydraulics Division ASCE 133(4):451–460.
12
Ghazaw Y (2011) Design and analysis of a canal section for minimum water loss. Alexandria Engineering Journal 50(4):337-344.
13
Goh ATC, Goh SH (2007) Support vector machines: Their use in geotechnical engineering as illustrated using seismic liquefaction data. Computers and Geotechnics 34(5):410–421.
14
Jang JSR (1993) ANFIS: Adaptive-network based fuzzy inference systems. IEEE Trans. On Systems. Management and Cybernetics 23(3):665-685.
15
Jang JSR, Sun CT, Mizutani E (1997) Neuro-fuzzy and soft computing. Prentice Hall, Upper Saddle River, NJ. USA.
16
Kacimov AR (2003) Discussion on ‘Design of minimum seepage loss non-polygonal canalsections’ by Prabhata K. Swamee and Deepak Kashyap. Journal of Irrigation and Drainage Engineering ASCE, 129(1):68-70.
17
Kinzli KD, Martinez M, Oad R, prior A, Gensler D (2010) Using an ADCP determine canal seepage loss in an irrigation district. Agric. Water Manage. 97(6):801-810.
18
Kraatz DB (1977) Irrigation canal lining. FAO Land and Water Development Series, No. 1, Rome, 199.
19
Lewis RM, Torczon V (2002) A globally convergent augmented lagrangian pattern search algorithm for optimization with general constraints and simple bounds. SIAM Journal on Optimization, 12(4):1075–1089.
20
Mohammad Reazpor Tabari M, Tavakoli SH, Mazak Mari M (2014) Optimal design of concrete canal section for minimizing costs of water loss, lining and earthworks. Water Resources Management 28(10):3019-3034.
21
Pognant D, Canone D, Previati M, Ferraris S (2013) Using EM equipment to verify the presence of seepage losses in irrigation canals. Procedia Environmental Sciences 19:836-845.
22
Rostamian R, Abedi koupai J (2012) Assessment of SEEP/W model to estimate seepage from earth canals (case study: Irrigation network of down stream Zayandehrud). Water and Soil Science (Journal of Sciencce and Technology of Agriculture and natural Resources) 15(58):13-22.
23
Salemi HR, Sepaskhah AR (2000) Modification of empirical equation for seepage loss estimation in small earth canals. Iran. J. Sci. Technology 25(B4):661-668.
24
Swamee P, Mishra G, Chahar B (2000) Design of minimum seepage loss canal sections. Journal of Irrigation and Drainage Engineering 126(1):28-32.
25
Swamee P, Mishra G, Chahar B (2002) Design of minimumwater-loss canal sections. Journal of Hydraulic Research 40(2):215–220.
26
Swamee P, Mishra G, Chahar B (2002a) Optimal design of transmission canal. Journal of Irrigation and Drainage Engineering 128(4):234-243.
27
Swamee P, Mishra G, Chahar B (2002b) Design of minimum water-loss canal sections. Journal of Hydraulic Research 40(2):215–220.
28
Swamee PK, Kashyap D (2001) Design of minimum seepage loss non-polygonal canal sections. Journal of Irrigation and Drainage Engineering ASCE 127(2):113-117.
29
Vapnik VN (1998) Statistical Learning Theory. John Wiley, NewYork, 768 page.
30
ORIGINAL_ARTICLE
ارایه تکنیک پیش بینی غیر- نظارت شونده در برآورد تبخیر-تعرق گیاه مرجع
تبخیر-تعرق از اجزاء اصلی چرخه هیدرولوژی است و در تعیین نیاز آبی گیاه، مطالعات بیلان آبی و مدیریت منابع آب نقش مهمی دارد. تاکنون روشهای مستقیم و غیر مستقیم متعددی برای برآورد تبخیر- تعرق گیاه مرجع ارائه شده است، اما هر یک از این روشها دارای محدودیتهایی هستند. به عنوان مثال، از محدودیتهای روشهای اندازهگیری مستقیم میتوان به عدم دقت وسایل اندازهگیری و مسائل مربوط به مقیاس اشاره کرد، در حالیکه روشهای غیر مستقیم نظیر معادله پنمن-مانتیث، به پارامترهای اقلیمی روزانه زیادی نیاز دارند. در این تحقیق سعی گردید از روش نگاشت خود-سامان به عنوان یک روش شبکه عصبی مصنوعی غیر نظارت شونده در پیشبینی تبخیر-تعرق با حداقل پارامترهای هواشناسی به عنوان ورودی، استفاده گردد. براساس شاخص های ارزیابی خوشه بندی فازی، مقادیر ETo در مشهد به دو خوشه با تبخیر-تعرق کم و زیاد تقسیم شد که با اقلیم منطقه مطابقت نشان داد. همچنین به منظور ارزیابی کارایی مدل ارائه شده از معیارهای آماری شامل (ریشه میانگین مربعات خطا، ضریب تعیین ومعیار ناش-ساتکلیف) استفاده گردید و نتایج حاصله با برآوردهای حاصل از مدلهای تجربی مقایسه گردید. نتایج حاصله نشان داد که حتی سادهترین مدل نگاشت خود-سامان با ترکیب متوسط دمای هوا و حداکثر ساعات آفتابی به عنوان ورودی نیز خطای کمتری نسبت به معادلات تجربی دارد.
https://www.iwrr.ir/article_13988_ffa21f03094a4c7a5d926271e5c9ce3f.pdf
2016-02-20
31
42
نگاشت خود-سامان
معادله فائو-پنمن-مانتیث
تبخیر-تعرق گیاه مرجع
دشت مشهد
فرهاد
فرسادنیا
farhadfarsadnia@stu.um.ac.ir
1
دانشجوی دکتری آبیاری و زهکشی/ دانشکده کشاورزی، دانشگاه فردوسی مشهد، ایران
LEAD_AUTHOR
سعیده
زحمتی
2
دانشجوی کارشناسی ارشد آبیاری و زهکشی/دانشکده کشاورزی، دانشگاه فردوسی مشهد، ایران
AUTHOR
بیژن
قهرمان
bijangh@um.ac.ir
3
استاد /گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد، ایران
AUTHOR
علیرضا
مقدم نیا
a.moghaddamnia@ut.ac.ir
4
دانشیار هیدرولوژی، دانشکده منابع طبیعی، گروه احیای مناطق خشک و کوهستانی، دانشگاه تهران، ایران
AUTHOR
Adeloye AJ, Rustum R and Kariyama ID (2011) Kohonen self-organizing map estimator for the reference crop evapotranspiration. Water Resource Research 47 (8).
1
Allen RG (1986) A penman for all season. Irrigation and Drainage 122 (4): 348-368.
2
Allen RG (2001) REF-ET= Refrence evapotranspiration calculation software.
3
Allen RG, Pereira LS, Rae D and Smith M (1998) Crop evapotranspiration: Guidelines for computing crop water requirements-FAO Irrigation and Drainage Paper 56, Food and Agriculture Organization of the United Nations, Rome.
4
Bezdek JC (1981) Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum, New York.
5
Chang FJ, Chang LC, Kao HS and Wu GR (2010) Assessing the effort of meteorological variables for evaporation estimation by self-organizing map neural network. Journal of Hydrology 384:118-129.
6
Farsadnia F, Rostami Kamrood M, Moghaddam Nia A, Modarres R, Bray MT and Han D, Sadatinejad J (2014) Identification of homogeneous regions for regionalization of watersheds by two-level self-organizing feature maps. Journal of Hydrology 509: 387–397.
7
Hargreaves GH and Samani ZA (1985) Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture 2: 96–99.
8
Haykin S (2003) Neural networks: A comprehensive foundation. Fourth Indian Reprint, Pearson Education, Singapore, p. 842.
9
Herbst M and Casper MC (2008) Towards model evaluation and identification using Self-Organizing Maps. Hydrology and Earth System Sciences 12: 657-667.
10
Jensen ME, Burman RD and Allen RG (1990) Evapotranspiration and irrigation water requirements. ASCE Manual and Report on Engineering Practice No.7. New York.
11
Kalteh AM and Berndtsson R (2007) Interpolating monthly precipitation by self-organizing map (SOM) and multilayer perceptron (MLP). Hydrology Science Journal 52: 305–317.
12
Kohonen T (1982) Self-organized formation of topologically correct feature maps. Biological Cybernetics 43: 59–69.
13
Kohonen T (2001) Self-Organizing Maps. Springer, Berlin, Germany.
14
Kumar M, Raghuwanshi NS and Singh R (2011) Artificial neural networks approach in evapotranspiration modeling: a review. Irrigation Science 29(1):11–25.
15
Kwon SH (1998) Cluster validity index for fuzzy clustering. Electronics Letters 34 (22): 2176–2177.
16
Ley R, Casper MC, Hellebrand H and Merz R (2011) Catchment classification by runoff behavior with self-organizing maps (SOM). Hydrology and Earth System Sciences 15(9): 2947-2962.
17
Lin GF and Wu MC (2011) An RBF network with a two-step learning algorithm for developing a reservoir inflow forecasting model. Journal of Hydrology 405 (3-4): 439–450.
18
Makkink GF (1957) Testing the Penman formula by means of lysimeters. International Journal of Water Engineering 11(3): 277-288.
19
Monteith JL (1965) The state and movement of water in living organisms. Proc., Evaporation and Environment, XIXth Symp., Soc. For Exp. Biol., Swansea, Cambridge University Press, New York, 205–234.
20
Mwale FD, Adeloye AJ and Rustum R (2012) Infilling of missing rainfall and streamflow data in the Shire River basin, Malawi – A self-organizing map approach. Physics and Chemistry of the Earth 50: 34–43.
21
Nash JE and Sutcliffe JV (1970) River flow forecasting through conceptual models part I: A discussion of principles. Journal of Hydrology 10 (3): 282-290.
22
Penman HL (1948) Natural evaporation from open water, bare soil and grass. Proceedings of the Royal Society of London 193 (1032): 120–146.
23
Penn BS (2005) Using self-organizing maps to visualize high dimensional data. Computers & Geosciences 31(5): 531–544.
24
Priestley CHB and Taylor RJ (1972) On the assessment of surface heat flux and evaporation using large-scale parameters, Mon. Weather Rev100 (2): 81–92.
25
Rustum R, Adeloye AJ and Scholz M (2008) Applying Kohonen Self-Organizing Map as a software sensor to predict biochemical oxygen demand. Water Environment Research 80(1): 32-40.
26
Rustum R, Adeloye AJ and Simala A (2007) Kohonen self-organizing map (KSOM) extracted features for enhancing MLP-ANN prediction models for BOD5. IAHS-AISH Publication 314: 181–178.
27
Shuttleworth WJ (1993) Evaporation, in Handbook of Hydrology, edited by Maidment DR, Chapter 4, McGraw Hill, New York.
28
Turc L (1961) Evaluation des besoins en eau d’irrigation, evapotranspiration potentielle, formule climatique simplifice et mise a jour. (in French). Ann. Agron 12:13-49.
29
Vesanto J, Himberg J, Alhoniemi E and Parhankangas J (2000) SOFM Toolbox for Matlab 5. Technical Report A57. Neural Networks Research Centre, Helsinki University of Technology, Helsinki, Finland.
30
Wilppu R (1997) The visualization capability of self organizing maps to detect deviation in distribution control. TUCS Technical Report No. 153. Turku Centre for Computer Science, Finland.
31
Xie XL and Beni G (1991) A validity measure for fuzzy clustering. IEEE Transactions on pattern analysis and machine intelligence 13 (8): 841–847.
32
ORIGINAL_ARTICLE
تدوین مدل تخصیص بهینه منابع آب زیرزمینی با لحاظ تعاملات ذینفعان: کاربرد مدل های چانه زنی بازگشتی
در دهه های اخیر استفاده از مدل های رفع اختلاف در زمینه مدیریت منابع آب از جمله آب های زیرزمینی به عنوان راه حلی مناسب برای لحاظ تضادها و تعاملات بین ذینفعان درگیر و در نتیجه رسیدن به راهحلهای بهینه قابل اجرا، رواج چشمگیری داشته است. در این تحقیق، با استفاده از تلفیق مدلهای شبیه ساز-بهینه سازی بهره برداری از منابع آب زیرزمینی و مدلهای چانهزنی بازگشتی، ضمن توجه به مطلوبیت های طرفهای درگیر و معیارهای اجتماعی از جمله عدالت، بهترین سیاستهای تخصیص تعیین شده است. برای تعیین منحنی تعامل بین اهداف متضاد، مدل بهینه ساز چندهدفه NSGA-II با فرامدل شبیهساز M5P که با سری اطلاعات ورودی-خروجی حاصله از اجرای مکرر مدل MODFLOW آموزش و صحتسنجی شده، تلفیق گردید. از روش مونت کارلو برای تولید پایگاه داده جهت آموزش و صحتسنجی فرامدل به ازای مقادیر مختلف پمپاژ استفاده شد. به دلیل ماهیت چندهدفه بودن مسأله حاضر، مدلهای چانه زنی بازگشتی برای انتخاب نقطه مورد توافق روی منحنی تعامل بین اهداف بهکار رفته است. کارآیی ساختار پیشنهادی با استفاده از اطلاعات آبخوان دشت داریان در استان فارس، مورد ارزیابی قرار گرفت. نتایج حاصله نشان میدهد اعمال سیاست بهینه تخصیص حاصل از مدل چانه زنی بازگشتی با همآرایی موجب کاهش %54 برداشت از آبخوان و افزایش 2/4 متری سطح تراز آبخوان میشود.
https://www.iwrr.ir/article_14006_2eb17f51366f0d5bef2382815c8611ac.pdf
2016-02-20
43
56
مدیریت منابع آب
چانه زنی بازگشتی
مدل بهینه سازی چندهدفه NSGA-II
فرامدل شبیه ساز M5P
MODFLOW
محمدرضا
علیزاده
alizadeh.mohamadreza@yahoo.com
1
دانش آموختهی کارشناسی ارشد مهندسی عمران / دانشگاه شیراز
AUTHOR
محمدرضا
نیکو
nikoo@shirazu.ac.ir
2
استادیار /بخش مهندسی عمران و محیطزیست، دانشکده مهندسی، دانشگاه شیراز
LEAD_AUTHOR
غلامرضا
رخشندرو
3
استاد /بخش مهندسی عمران و محیطزیست، دانشکده مهندسی، دانشگاه شیراز
AUTHOR
شرکت سهامی آب منطقهای فارس (1392) مطالعات بهنگامسازی اطلس منابع آب حوزه آبریز دریاچههای طشک-بختگان و مهارلو. گزارش بیلان محدوده مطالعاتی داریان، 61 صفحه.
1
Bazargan-Lari MR, Kerachian R and Mansoori A (2009) A conflict-resolution model for the conjunctive use of surface and groundwater resources that considers water-quality issues: A case study. Environmental Management 43:470–482.
2
Bose D and Bose B (1995) Evaluation of alternatives for water project using a multiobjective decision matrix. Water International 20:169-175.
3
Brams SJ and Kilgour DM (2001) Fallback bargaining. Group Decision Negotiation 10:287–316
4
Brams SJ, Kilgour DM and Sanver M (2004) A minimax procedure for negotiating multilateral treaties. Department of Politics, New York University Press Condorcet JAN (1785) An essay on the application of analysis: 265-282.
5
Carraro C and Sgobbi A (2008) Modelling negotiated decision making in environmental and natural resource management: A multilateral, multiple issues, noncooperative bargaining model with uncertainty. Automatica, 44(6): 1488-1503.
6
Carraro C, Marchiori C and Sgobbi A (2007) Negotiating on water: Insights from noncooperative bargaining theory. Environment and Development Economics 12(2): 329-349.
7
Chae S and Heidhues P (2004) A group bargaining solution. Mathematical Social Sciences 48(1): 37-53.
8
Deb K, Agrawal S, Pratap A and Meyarivan T (2000) A fast elitist nondominated sorting genetic algorithm for multi-objective optimization: NSGA-II, 6th International Conference Parallel Problem Solving from Nature PPSN VI, 18–20 September, Paris, France, 849-858
9
Ganji A, Khalili D and Karamouz M (2007) Development of stochastic dynamic Nash game model for reservoir operation. I. The symmetric stochastic model with perfect information, Advances in Water Resources 30(3): 528–542.
10
Goetz RU, Martinez Y and Rodrigo J (2008) Water allocation by social choice rules: The case of sequential rules. Ecological Economics 65(20):304–314.
11
Jafarzadegan K, Abed-Elmdoust A and Kerachian R (2013) A stochastic model for optimal operation of inter-basin water allocation systems: a case study. Stoch Environ Res Risk Assess 28(6):1343-1358.
12
Karamouz M, Kerachian R and Zahraie B (2004) Monthly water resources and irrigation planning: A case study of conjunctive use of surface and groundwater resources. Journal of Irrigation and Drainage 130(5):391-402.
13
Kerachian R and Karamouz M (2006) Optimal reservoir operation considering the water quality issues: A stochastic conflict resolution approach. Water Resources Research 42(12): 1-17.
14
Kerachian R and Karamouz M (2007) A stochastic conflict resolution model for water quality management in reservoir-river systems. Advances in Water Resources 30(4): 866-882.
15
Kerachian R, Fallahnia M, Bazargan-Lari MR, Mansoori A and Sedghi H (2010) A fuzzy game theoretic approach for groundwater resources management: Application of Rubinstein bargaining theory. Journal of Resources Conservation and Recycling 54(10):673-682.
16
Loaiciga HA (2004) Analytical game theoretic approach to groundwater extraction. Journal of Hydrology 297:22–33.
17
Madani K (2010) Game theory and water resources. Journal of Hydrology, 381(3-4):225-238.
18
Madani K and Dinar A (2010) Non-cooperative institutions for sustainable management of common pool resources. Working Paper 01-1210, Water Science and Policy Center, University of California, Riverside.
19
Madani K, Read L and Shalikarian L (2014) Voting under uncertainty: A stochastic framework for analyzing group decision making problems. Water Resources Management 28(7): 1839-1856.
20
Madani K, Shalikarian L and Naeeni STO (2011) Resolving hydro environmental conflicts under uncertainty using Fallback bargaining procedure. In Proceeding of the 2011 international conference on environment science and engineering (ICESE 2011), Bali Island, Indonesia, 192–196.
21
Madani K, Shalikarian L, Hamed A, Pierce T, Msowoya K and Rowney C (2015) Bargaining under uncertainty: A Monte-Carlo Fallback Bargaining method for predicting the likely outcomes of environmental conflicts. Conflict Resolution in Water Resources and Environmental Management, 201-211,DOI: 10.1007/978-3-319-14215-9_11
22
Mahjouri N and Ardestani M (2011) Application of cooperative and non-cooperative games in large-scale water quantity and quality management: A case study. Environmental Monitoring and Assessment 172(1-4): 157-169.
23
Mahjouri N and Bizhani-Manzar M (2013) Waste load allocation in rivers using Fallback bargaining. Water Resource Management 27(7):2125–2136.
24
Nikoo MR, Varjavand I, Kerachian R, Pirooz M and Karimi A (2014) Multi-objective optimum design of double-layer perforated-wall breakwaters: Application of NSGA-II and bargaining models. Applied Ocean Research 47:47–52.
25
Niksokhan MH, Kerachian R and Amin P (2009b) A stochastic conflict resolution model for trading pollutant discharge permits in river systems. Environmental Monitoring and Assessment 154(1-4): 219-232.
26
Parsapour-Moghaddam P, Abed-Elmdoust A and Kerachian R (2015) A heuristic evolutionary game theoretic methodology for conjunctive use of surface and groundwater resources. Water Resources Management, 29(11):3905-3918.
27
Quinlan JR and Kohavi R (1999) Decision tree discovery, in Handbook of data mining and knowledge discovery. University Press: 267-276.
28
Raqual S, Szidarouszky F, Coppola E and Rojana A (2007) Application of game theory for groundwater conflict in Mexico. Journal of Environmental Management84(4):560-571.
29
Read L, Mokhtari S, Madani K, Maimoun M and Hanks C (2013) A multi-participant, multi-criteria analysis of energy supply sources for fairbanks, Alaska. World Environmental and Water Resources Congress 2013:1247-1257.
30
Reed PM and Minsker BS (2004) Striking the balance: Long-term groundwater monitoring design for conflict objectives. Journal of Water Resources Planning and Management 130(2):140-149.
31
Schweinzer P (2010) Sequential bargaining with common values. Journal of Mathematical Economics 46(1): 109-121.
32
Sheikhmohammady M and Madani K (2008) Bargaining over the Caspian Sea—the largest lake on the earth. In: Babcock RW, Walton R (eds) Proceeding of the 2008 World Environmental and Water Resources Congress, Honolulu, Hawaii. ASCE: 1-9.
33
Sheikhmohammady M, Kilgour DM and Hipel KW (2010) Modeling the Caspian Sea negotiations. Group Decis Negot 19(2):149–168.
34
White L (2008) Prudence in bargaining: The effect of uncertainty on bargaining outcomes. Games and Economic Behavior 62(1): 211-231.
35
Xiaokai L, Haifeng S and Xueyu L (2006) Modeling of water resources allocation regimes with a case study of the yellow river basin. 6th Meeting on Game Theory and Practice, Zaragoza, Spain.
36
Yandamuri SRM, Srinivasan K and Bhallamudi SM (2006) Multi objective optimal waste load allocation models for rivers using nondominated sorting genetic algorithm-II. Journal of Water Resources Planning and Management 132(3):133–43.
37
Yang Z, Zeng Y, Cai Y and Tan Q (2008) An integrated game-theory based model for trans-boundary water resources management in north china: A case study in the Guanting reservoir basin (GRB), Beijing. International Journal of Software Engineering and Knowledge Engineering 18(4):461-483.
38
ORIGINAL_ARTICLE
ارزیابی اقتصادی سناریوی تغییر الگوی کشت در حوزۀ آبخیز سیمینهرود به منظور اصلاح مدیریت آب کشاورزی: تلاشی برای احیای دریاچۀ اورمیه با استفاده از سازوکار PES
با توجه به خشکشدن دریاچه اورمیه، هماینک راهکارهای متعددی در دست بررسی و تدوین هستند. بدون تردید، کاهش تقاضای آب در بخش کشاورزی از طریق برنامههایی همچون «تغییر الگویکشت» را باید از جمله راهکارهای جدی تلقی کرد که تحقق آن، نیازمند انجام ارزیابی اقتصادی ابعاد و پیامدهای مربوط به اجرای چنین برنامهای است. در پژوهش حاضر، تلاش شده تا در قالب ابزار سیاستی «پرداخت بهای خدمات اکوسیستمی» (PES)، نتایج ارزیابی فنی و اقتصادی راهکار تغییر الگوی کشت در یکی از زیرحوضههای دریاچۀ اورمیه، مورد تجزیه و تحلیل قرار گیرند. برای این منظور، پس از استخراج نقشه کاربری اراضی و شناسایی عرصههای مورد نظر، اقدام به جمعآوری اطلاعات موردنیاز برای ارزیابی برنامه PES با استفاده از تکنیک تلفیقی مصاحبه-پرسشنامه گردیده است. طی عملیات میدانی، تعداد 398 فقره پرسشنامه تکمیل و از میان سازوکارهای قابل پیشنهاد در قالب برنامه PES، پرداخت به کشاورزان به منظور تغییر الگوی کشت با استفاده از سه نوع گونه روغنی کلزا، سویا و گلرنگ جهت تصحیح مدیریت منابع آبی در حوضه آبریز سیمینهرود مطرح شده و نتایج حاصله، از نظر اقتصادی، مورد ارزیابی واقع شدهاند. نتایج این تحقیق نشان داد که فقط پیشنهاد تغییر الگوی کشت برای استفاده از گونۀ گلرنگ از توجیه اقتصادی و فنی لازم برخوردار است.
https://www.iwrr.ir/article_14007_94d18051585a1fccb106f129af0c560a.pdf
2016-02-20
57
68
دریاچه اورمیه
PES
نیاز آبی
ارزشگذاری اقتصادی
تغییر الگوی کشت
علیرضا
دانشی
1
دانشآموخته کارشناسی ارشد رشته مهندسی آبخیزداری، دانشکده منابع طبیعی دانشگاه تربیت مدرس، نور، ایران.
AUTHOR
مهدی
وفاخواه
vafakhah@modares.ac.ir
2
دانشیار / گروه علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی دانشگاه تربیت مدرس، نور، ایران
LEAD_AUTHOR
مصطفی
پناهی
mpstudents.2020@gmail.com
3
استادیار / گروه اقتصاد محیطزیست، دانشگاه علوم و تحقیقات، تهران، ایران
AUTHOR
Arekhi S, Adibnejad M (2011) Efficiency assessment of the of support vector machines for land use classification using landsat etm+ data (case study: ilam dam catchment). Iranian Journal of Range and Desert Reseach 18(3): 420-440 (In Persian).
1
Brander L, Brouwera R, Wagtendonk A (2013) Economic valuation of regulating services provided by wetlands in agricultural landscapes: a meta-analysis. Ecological Engineering 56:89–96.
2
Engel S, Pagiola S, Wunder S (2008) Designing payments for environmental services in theory and practice: an overview of the issues. Ecological Economics 65(4):663-674.
3
Groot RBA, Hermans LM (2009) Broadening the picture: negotiating payment schemes for water-related environmental services in the netherlands. Ecological Economics 68(11):2760–2767.
4
Habibpour K, Safari R (2012) Comprehensive guide for SPSS applications in the field. Fifth ed, Louye Press, 861p (In Persian)
5
Hecken GV, Bastiaensen J (2010) Payments for ecosystem services: justified or not ?a political view. Environmental Science & Policy 13(8):785–792.
6
Hosseini MA, Solatifar S (2009) Technical development of sodium sulfate extraction from urmia lake water. Thought Science-Applied Chemistry 4(13):23-31 (In Persian).
7
Jabarlouye Shabestari B (1999) Urmia lake (Iran nature tears). Naghsh Mehr Press, 117p (In Persian).
8
Kronenberg J, Hubacek K (2013) Could payments for ecosystem services create an ecosystem service curse?. Ecology and Society 18(1):10-21.
9
Mahsafar H, Maknoon R, Saghafian B (2011) The impact of climate change on urmia lake water level. Iran-Water Resources Research 7(1): 47-58 (In Persian).
10
Mohaggeg MH (2002) Reducing on the water level of Urmia lake, future view and recommendations, Urmia lake and its potentials to development. Urmia University Publishing, 69 p.
11
Mombo F, Lusambo L, Speelman S, Buysse J, Munishi P, Huylenbroeck G (2014) Scope for introducing payments for ecosystem services as a strategy to reduce deforestation in the kilombero wetlands catchment area. Forest Policy and Economics 38(1):81–89.
12
Munoz Escobar M, Hollaender R, Weffer C (2013) Institutional durability of payments for watershed ecosystem services: lessons from two case studies from Colombia and Germany. Ecosystem Services 6:46-53.
13
Panahi M (2005) Economic valuation Caspian forests. Environmental Economics thesis, Tehran University, 294p (In Persian).
14
Pourasghar Sangachin F (2010) Comparative analysis of economic instruments for environmental protection and suggestions to operationalize the national development programs. Environment and Development 1(1):73-90 (In Persian).
15
Rasouli AA (2008) Principles of applied remote sensing with emphasis on satellite image processing. Tabriz University Press, 777p (In Persian).
16
Rezaei Zaman M, Morid S, Delavar M (2014). Impact of climate change on water resources on simineh rud basin and its inflows to lake urmia. Journal of Water and Soil 27(6): 1247-1259 (In Persian).
17
Shetaee Sh, Abdi O (2007) Land cover mapping in mountainous lands of Zagros using Etm+ data case study: sorkhab watershed. lorestan province, Agricultural Science and Natural Resource 14(1): 129-138 (In Persian).
18
Stefano P, Ana R, Agustin A (2010) poor household participation in payments for environmental services: lessons from the silvopastoral project in quindío, Colombia. Environmental and Resource Economics 47(3):371-394.
19
Watson RT, Zakri AH (2003) Millennium ecosystem assessment, ecosystems and human well-being: a framework for assessment. Island Press, 245 p.
20
Wunder S (2007) The efficiency of payments for environmental services in tropical conservation. Conservation Biology 21(1):48–58.
21
ORIGINAL_ARTICLE
مقایسه عملکرد مدل های استوکاستیک در تولید داده های ماهیانه جریان و بارندگی
مدلهای تولید داده مصنوعی به عنوان ابزار مناسبی جهت پیشبینی و تولید سری های زمانی جانشین یا یک سری بسیار طولانی مدت در مطالعات منابع آب شناخته شده و این مدلها به طور وسیعی در سراسر دنیا توسط محققین مختلف مورد استفاده قرار میگیرد. این مدلها برای تولید دادههای مصنوعی سالیانه، ماهیانه و روزانه بارندگی یا جریان رودخانه ای در طی دهه های اخیر توسعه داده شدهاند. در این میان مدل های تولید داده مصنوعی ماهیانه به دلیل استفاده در مطالعات مهم و اساسی سیستم های منابع آب از جمله سیستم مخازن ذخیره، پایش خشکسالی و غیره دارای اهمیت خاصی بوده و استفاده از آنها تحلیل دقیقتر از رفتار عملکرد واقعی چنین سیستم هایی را فراهم میکند. از طرف دیگر، پایه نظری مدلهای استوکاستیک مختلف تولید دادههای ماهیانه متفاوت بوده و این امر میتواند اثر قابل توجهی در عملکرد آنها داشته باشد. لذا انتخاب یک مدل مناسبتر در مطالعه و تحلیل دقیق و درست یک سیستم منابع آب یکی از دغدغههای مهم متخصصین منابع آب میباشد. در این مطالعه با استفاده از روش شبیه سازی مونت کارلو، عملکرد چهار تیپ ازمدل غیرپارامتریک Bootstrap و مــدلهــــای پـــارامتـــریــک Valencia-Schaake، Thomas-Fiering و Fragment در تولید داده های ماهیانه مصنوعی مورد مقایسه و ارزیابی قرار گرفته است. بدین منظور دادههای جریان ماهیانه 47 ساله سه رودخانه نازلوچای، شهرچای و باراندوزچای واقع در استان آذربایجان غربی درشمال غرب ایران مورد استفاده قرار گرفته و 1000 سری زمانی مصنوعی جریانهای ماهیانه 47 ساله برای هر سه رودخانه مذکور به ازاء هر کدام از مدلهای هفتگانه مورد مطالعه، تولید و مورد استفاده قرار گرفته است. نتایج مطالعه نشان داد که مدل توزیعی Valencia-Schaake دارای عملکرد بسیار مطلوب نسبت به سایر مدلها به ازاء تمامی آمارههای مطرح ارزیابی است.
https://www.iwrr.ir/article_14008_962114e602ad4d40bc699bae7fc92bca.pdf
2016-02-20
69
84
مدل استوکاستیک
مدل غیر پارامتریک
مدل پارامتریک
Bootstrap
Valencia and Schaake
Fragment
Thomas-Fiering
سیستم هیدرولوژیک
سیستم ذخیره
سری های زمانی مصنوعی
مجید
منتصری
montaseri@hotmail.com
1
دانشیار /گروه مهندسی آب، دانشگاه ارومیه
LEAD_AUTHOR
جواد
حیدری
2
کارشناس ارشد سازه های آبی/ دانشگاه ارومیه
AUTHOR
Adeloye AJ, and Montaseri M (2002) Preliminary stream flow data analyses prior to water resources planning study, Hydrological Sciences Journal, 47(5):679-692.
1
Barnes FB (1954) Storage required for a city water supply, Journal of the Institute of Engineers Australia, 26(9): 198-203.
2
Bars RL (1990) Hydrology: an introduction to hydrologic science. Addison-Wesley Publishing Co., New York, USA.
3
Brittan MR (1961) Probability analysis to the development of a synthetic hydrology for the Colorado River, in part IV of past and probable future variations in stream flow in the upper Colorado River, University of Colorado.
4
Chow VT, Maidment, DR, and Mays LW (1993) Applied hydrology, Mc Grave-Hill book Co., New York.
5
Debele B (2007) Accuracy evaluation of weather data generation and disaggregation methods at finer timescales, Advance water Resource, 30(5):1286-1300.
6
Douglas H (2010) How to measure anything: finding the value of intangibles in business. John Wiley and Sons, Inc, Canada.
7
Fiering MB (1967) Stream flow synthesis, Harvard Univ. Press, Cambridge, Mass.
8
Hazen A (1914) Storage to be provided in impounding reservoirs for municipal water supply, Trans., ASCE, 77: 1539-1540.
9
Kendall MG, Stuart A (1976) The advanced theory of statistics. Charles Griffin & Company, London, High Wycombe, 400,401.
10
Lin GF, Lee FC (1992) An aggregation-disaggregation approach for hydrologic time series modeling, Journal of Hydrology, 138:543-557.
11
Maheepala S, Perera BJC (1996) Monthly hydrologic data generation by disaggregation, Journal of Hydrology, 178:277-291.
12
McGhee JW (1985) Introductory statistics, West Publishing Co., New York, USA.
13
McMahon TA, Mein RG (1986) Water and reservoir yield. Water Resources Publication, Littleton, Colorado.
14
Montaseri M, Adeloye AJ (1999) Critical period of reservoir systems for planning purpose, Journal of Hydrology, 224(4-3):136-115.
15
Montaseri M, Adeloye AJ (2002) Effects of integrated planning on capacity-yield-performance functions, Journal of Water Resources Planning and Management, 128(6):456–461.
16
Montaseri M, Adeloye AJ (2004) A graphical rule for volumetric evaporation loss correction in reservoir capacity-yield-performance planning in Urmia region, Iran, Water Resources Management, 18:55-74.
17
Nurul AI (2004) Synthetic simulation of stream flow and rainfall data using disaggregation and aggregation models, Jurnal Kejuruteraan Awam 16(2):56-65.
18
Porter JW, and Pink BJ, 1991. A method of synthetic fragments for disaggregation in stochastic data generation, Pp. 187-191. Proceedings In Hydrology and Water Resources Symposium. Australia.
19
Salas JD (1993) Analysis and modeling of hydrologic time series, In Handbook of Hydrology, Edited by Maidment, McGrow – Hill book CO., New York.
20
Salas JD, Deller JW, Yevjevich V, and Lane WL (1980) Applied modeling of hydrologic time series, Water Resources Publications, Littleton, Colorado.
21
Savic DA, Burn DH, and Zrinji Z (1989) A comparison of streamflow generation models for reservoir capacity-yield analysis, Water Resources Bulletin, 25(5): 977-983.
22
Srikanthan R, and McMahon TA (1982) Stochastic generation of monthly streamflows, Journal of the Hydraulics Division, ASCE, 108(HY3), 419-441.
23
Srikanthan R, McMahon TA (1985) Stochastic generation of rainfall and evaporation data AWRC Technical Paper No.84, 301pp.
24
Srikanthan R, McMahon TA (2001) Stochastic generation of annual, monthly and daily climate data. Hydrology and Earth System Sciences, 5(4):653–670.
25
Srinivas VV, Srinivasan K (2005) Hybrid moving block bootstrap stochastic simulation of multi-site multi-season for stream flows. Journal of Hydrology, 302:307-330.
26
Thomas HA, Fiering MP (1962) Mathematical synthesis of stream flow sequences for the analysis of river basins by simulation. Chapter 12 in: Design of water resources systems A. Mass, S. Marglin and G. Fair (Eds.), Harvard University Press, Cambridge, Massachusetts USA.
27
Vogel RM, Kroll CN (1989) Low flow frequency analysis using probability plot correlation coefficients. Journal of Water Resources Planning and Management, 115(3):338-357.
28
Vogel RM, Shallcros AL (1996) The moving blocks bootstrap versus parametric time series models, Water Resources Research, 32(6):1875-1882.
29
Yevjevich V (1972) Probability and statistics in hydrology. Water Resources Publications Fort Collins, Colorado, philosophy.
30
ORIGINAL_ARTICLE
ارائه مدل ترکیبی ژنتیک ـ کریجینگ برای پیشبینی زمانی و مکانی سطح آب زیرزمینی
استفاده از روشهای هوشمند تکاملی و مدلهای ترکیبی برای پیشبینی زمانی ـ مکانی نوسانات سطح آب زیرزمینی در دهههای اخیر بیشتر مورد توجه محققین قرار گرفته است. الگوریتم ژنتیک و نروفازی از روشهای جدید پیشبینی نوسانات سطح آب زیرزمینی هستند که برای پیشبینی مسائل پیچیده و غیرخطی میتوانند بهصورت منفرد و ترکیبی بهکار روند. در این پژوهش، از روشهای فوق برای مطالعه آبخوان دشت هادیشهر که به دلیل برداشت بیرویه از آبهای زیرزمینی، سطح آب زیرزمینی آن افت شدیدی پیدا کرده است؛ استفاده شد. دشت هادیشهر در شمال غرب استان آذربایجان شرقی واقع شده و بخشی از محدوده مطالعاتی جلفا ـ دوزال است. بهمنظور یافتن راهکارهایی مفید برای پیشبینی زمانی ـ مکانی سطح آب زیرزمینی، از روشهای هوش مصنوعی مانند نروفازی و برنامهریزی ژنتیک و ترکیب بهترین مدل آنها با روشهای زمین آماری استفاده شد. بارش و تبخیر در گام زمانی t0 و سطح آب زیرزمینی در گام زمانی t0-1 ورودیهای مدلهای نروفازی و برنامهریزی ژنتیک بودند. نتایج نشان داد دقت مدل برنامهریزی ژنتیک بیشتر از مدل نروفازی است بهطوریکه RMSE میانگین برای پیزومترهای منتخب در مرحله آزمایش در مدل برنامهریزی ژنتیک 19 سانتیمتر و در مدل نروفازی 23 سانتیمتر بهدست آمد. لذا مدل برنامهریزی ژنتیک برای ترکیب با مدل زمین آماری (کریجینگ) استفاده شد و در نهایت مدل ترکیبی کریجینگ ـ ژنتیک برای پیشبینی زمانی ـ مکانی بهدست آمد؛ و نتایج شبیهسازیشده به کل دشت و مناطق فاقد شبکه پایش سطح آب زیرزمینی بسط داده شد.
https://www.iwrr.ir/article_14009_1eaba82f2055b7ee746423ed1be21e3c.pdf
2016-02-20
85
99
سطح آب زیرزمینی
دشت هادیشهر
برنامهریزی ژنتیک
نروفازی
زمینآمار
محمد
حسن حبیبی
1
دانشجوی کارشناسی ارشد/ گرایش آبشناسی، دانشگاه تبریز
AUTHOR
عطاالله
ندیری
nadiri@tabrizu.ac.ir
2
استایار/ گروه علوم زمین دانشکده علوم طبیعی دانشگاه تبریز
LEAD_AUTHOR
اصغر
اصغری مقدم
moghaddam@tabrizu.ac.ir
3
استاد /گروه علوم زمین دانشکده علوم طبیعی دانشگاه تبریز
AUTHOR
اصغری مقدم الف، نورانی و، ندیری ع (1388) پیشبینی زمانی و مکانی سطح آبهای زیرزمینی در محدوده متروی شهر تبریز با استفاده از مدل کریجینگ عصبی. تحقیقات منابع آب ایران، جلد 13، شماره 1: 14-24.
1
اکبری م، جرگه مر، مدنی سادات ح (1388) بررسی افت سطح آبهای زیرزمینی با استفاده از سیستم اطلاعات جغرافیایی (GIS) مطالعه موردی: آبخوان دشت مشهد. پژوهشهای حفاظت آبوخاک (علوم کشاورزی و منابع طبیعی)، جلد 16، شماره 4: 63-78.
2
فربودفام ن، قربانی مع، اعلمی مت (1388) پیشبینی جریان رودخانه با استفاده از برنامهریزی ژنتیک. دانش آبوخاک، جلد 19، شماره 1.
3
ندیری عا، اصغری مقدم الف، عبقری ه، فیجانی ا (1392) توسعه مدلهای هوش مصنوعی مرکب در برآورد قابلیت انتقال آبخوان مطالعه موردی: دشت تسوج. تحقیقات منابع آب ایران، جلد 26، شماره 1: 1-14.
4
نورانی و، طالب بیدختی ن، عابدینی مج، رخشندرو غر(1384) تخمین بار رسوبی معلق با استفاده از زمینآمار مطالعهی موردی تلخهرود تبریز. تحقیقات منابع آب ایران، جلد 1، شماره 2: 42-50.
5
ندیری، 1387. پیشبینی سطح آب زیرزمینی در محدوده متروی شهر تبریز با استفاده از شبکههای عصبی مصنوعی. پایاننامه کارشناسی ارشد، دانشکده علوم طبیعی، 187 ص.
6
Affandi A, Watanabe K (2007) Daily groundwater level fluctuation forecasting using soft computing technique. J Nature and Science 5(2):1-10.
7
ASCE Task Committee on Geostatistical Techniques in Geohydrology of the Ground Water Hydrology Committee of the ASCE Hydraulics Division. (1990) Review of geostatistics in geohydrology, part I: Basic Concepts. J Hydrol. Eng 116:612-632.
8
Aytek A, Alp M (2008) An application of artificial intelligence for rainfall runoff modeling. J Earth Syst Sci 117 (2):145–155.
9
Barcae E, Passarella G (2008) Spatial evaluation of the risk of groundwater quality degradation: Acomparison between Disjunctive Kriging and geostatistical simulation. Journal of Environmental Monitoring and Assessment 133: 261-273.
10
Copertino VA, Molino B, Telesca V (1998) Spatial and temporal evolution of water quality in reservoirs. Phys Chem Earth 23(4): 475-478.
11
Cramer NL (1985) A representation for the adaptive generation of simple sequential programs. In: Proc. of International Conference on Genetic Algorithms and their Applications (ICGAA-1985), 24-26 July, Carnegie-Mellon Universality Pittsburgh, PA, USA, 183- 187.
12
Desbarats AJ, Logan CE, Hiton MJ, Sharpe DR (2002) On the kriging of water table elevations using collateral information from a digital elevation model. J Hydrol 255: 25-38.
13
Ferreira C (2001a) Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems 13(2): 87–129.
14
Ferreira C (2006b) Automatically defined functions in gene expression programming. In: Nedjah, N, Mourelleh, L.de M, Abraham, A (Eds.), Genetic Systems Programming: Theory and Experiences, Studies in Computational Intelligence, Springer-Verlag, 13: 21–56.
15
Fetouani S, Sbaa M, Vanclooster M, Bendra B (2008) Assessing groundwater quality in the irrigated plain of Triffa (Northeast Morocco). Journal of Agricultural Water Management 95: 133-142.
16
Fijani E, Nadiri AA, Moghaddam AA (2013) Optimization of DRASTIC method by supervised committee machine artificial intelligence to assess groundwater vulnerability for Maragheh–Bonab plain aquifer, Iran. J Hydrology 503: 89-100.
17
Ghorbani MA, Makarynskyy O, Shiri J, Makarynska D (2009) genetic programming for Sea water level predictions in an island environment. Journal of Ocean and Climate systems 1(1): 27-36.
18
Ghorbani MA, Khatibi R, Aytek A, Makarynskyy O, Shiri J (2010) Sea water level forecasting using genetic programming and comparing the performance with artificial neural networks. Computers & Geosciences 36(5): 620-627.
19
Isaaks EH, Srivastava RM (1989) Applied Geostatistics. Oxford Universisity press 561p.
20
Kelin H, Huang Y, Li H, Li B, Chen D, Robert EW (2005) Spatial variability of shallow groundwater level, electrical conductivity and nitrate concentration, and risk assessment of nitrate contamination in North China Plain. Environment International 31:893-903.
21
Koza JR (1992) Genetic programming: On the programming of computers by means of natural selection. Cambrigdge.MA: MIT Press.
22
Kurtulus B, Razack M (2010) Modeling daily discharge responses of a large karstic aquifer using soft computing methods: Artificial neural network and neuro-fuzzy. Journal of Hydrology 381: 101-111.
23
Lallahem S, Mania J, Hani A, Najjar Y (2005) on the use of neural networks to evaluate ground water levels in fractured media. Journal of Hydrology 307: 92-111.
24
Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M, Muttil N (2002) Genetic programming, A new paradigm in rainfall runoff modeling. J Am Water Res Assoc 38(3): 705-718.
25
Lopes HS, Weinert, WR (2004) EGIPSYS: an enhanced gene expression programming approach for symbolic regression problems. International Journal of Applied Mathematics and Computer Science 14(3): 375-384.
26
Maier HR, Jain A, Dandy GC, Sudheer KP (2010) Methods used for the development of neural networks for the prediction of water resource variables in river systems. Current status and future directions. Environmental Modelling & Software 25: 891-909.
27
Mehdipour FE, Haddad BO, Marin AM (2013) Prediction and simulation of monthly groundwater levels by genetic programming. J. Hydro-environment Research 7(4): 253-260.
28
Moosavi V, Vafakhah M, Shirmohammadi B, Behnia N (2013) A wavelet-ANFIS hybrid model for groundwater level forecasting for different prediction periods. J Water Resour Manage 27: 1301–1321.
29
Motaghian HR, Mohammadi J (2011) Spatial estimation of saturated hydraulic conductivity from terrain attributes using regression, Kriging, and Artificial Neural Networks. Pedosphere 21(2): 170-177.
30
Nadiri AA, Chitsazan N, Tsai FTC, Moghaddam AA (2013b) Bayesian artificial intelligence model averaging for hydraulic conductivity estimation. J Hydrol Eng 19(3): 520-532.
31
Nadiri AA, Fijani E, Tsai FTC, Moghaddam AA (2013a) Supervised committee machine with artificial intelligence for prediction of fluoride concentration. J Hydroinformatics 15(4): 1474-1490.
32
Naoum S, Tsanis LK (2004) Ranking spatial interpolation techniques using a GIS-based DSS. J Global Nest 6(1): 1-20.
33
Nourani V, Mogaddam AA, Nadiri AO (2008) An ANN-based model for spatiotemporal groundwater level forecasting. J Hydrol Process 22: 5054– 5066.
34
Phillips DL, Dolph J, Marks D (1992) A comparison of geostatistical procedure for spatial analysis of precipitation in mountainous terrain. J Agr forest meteoral 58: 119-141.
35
Poli R, Langdon W, McPhee N, Koza J (2008) A field guide to genetic programming.
36
Prasad KL, Rastogi AK (2001) Estimating net aquifer recharge and zonal hydraulic conductivity values for Mahi Right Bank Canal project area, India by genetic algorithm. Journal of Hydrology 243: 149-161.
37
Saemi M, Ahmadi M (2008) Integration of genetic algorithm and a coactive neurofuzzy inference system for permeability prediction from well logs data. J Transp Porous Med 71: 273–288.
38
Shiri J, Kişi Ö (2011) Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations. Computers & Geosciences 37: 1692-1701.
39
Taghizadeh Mehrjerdi R, Zareian M, Mahmodi Sh, Heidari A (2008) Spatial distribution of groundwater quality with geostatistics (Case study: Yazd-Ardakan plain), World Applied Science Journal. 4(1): 9-17.
40
Talei A, Chua LHC, Quek C (2010) A novel application of a neuro-fuzzy computational technique in event-based rainfall–runoff modeling. Expert Systems with Applications 37: 7456-7468.
41
Tayfur G, Nadiri AA, Moghaddam AA (2014) Supervised intelligent committee machine method for hydraulic conductivity estimation. J Water Resources Manage 28( 4): 1173-1184.
42
Tutmez B, Hatipoglu Z, Kaymak U (2006) Modelling electrical conductivity of groundwater using an adaptive neuro-fuzzy inference system. Computers &Geosciences 32: 421-433.
43
Yan H, Zou Z, Wang H (2010) Adaptive neuro-fuzzy inference system for classification of water quality status. Journal of Environmental Sciences 22: 1891-1896.
44
Zounemat-Kermani M, Teshnehlab M (2008) Using adaptive neuro-fuzzy inference system for hydrological time series prediction. J Soft Computing 8(2): 928-936.
45
ORIGINAL_ARTICLE
مدیریت خطرپذیری آبگرفتگی و آلودگی ناشی از سیلاب شهری با استفاده از راهکارهای بهینه متداول و نوین
توسعه شهرنشینی و درنتیجه کاهش سطوح نفوذناپذیری سبب افزایش خطرپذیری سیلاب و آلودگی بیشتر آبهای پذیرنده میشود. این مقاله مدیریت خطرپذیری سیلاب شهری را با هدف کاهش آبگرفتگی و تخلیه آلایندهها در آبهای پذیرنده با بهکارگیری دو روشهای متداول و نوین ارائه مینماید. روشهای متداول شامل افزایش ابعاد کانالهای شبکه، کاهش ضریب زبری آنها و روشهای نوین شامل اجرای سیستم ماند بیولوژیکی، روسازی نفوذپذیر، ترانشههای نفوذ و حوضچههای نگهداشت در شبکه جمعآوری آبهای سطحی میباشد. مدل بهینهسازی چندهدفه با استفاده از الگوریتم ژنتیک چندهدفه توسعهیافته که با مدل شبیهسازی شبکه جمعآوری آبهای سطحی توسط نرمافزار SWMM ترکیب میشود. اهداف مدل بهینهسازی حداقل نمودن سه معیار هزینه اقتصادی، خطرپذیری آبگرفتگی سیلاب و آلودگی محتمل آبهای پذیرنده است. در کنترل بار آلودگی، آلایندههای TSS، TN و TP مدنظر قرار گرفت. کاربرد روش پیشنهادی بر روی مطالعه موردی شبکه جمعآوری آبهای سطحی شهر گلستان تشریح شد. نتایج نشان میدهد بکاری گیری ترکیب بهینه هر دو رویکرد متداول و نوین، منجر به کاهش قابلملاحظه و مؤثر خطرپذیری آبگرفتگی و تخلیه آلایندهها در آبهای پذیرنده میشود. نتایج رویه بهینه نشان میدهد کنترل بهینه خطرپذیری آبگرفتگی رابطه معکوس با میزان کنترل بهینه تخلیه آلایندهها در آبهای پذیرنده دارد.
https://www.iwrr.ir/article_14012_dc92efb565f7ffd17c64a7e61f12a3f6.pdf
2016-02-20
100
112
مدیریت سیلاب
شبکه جمعآوری آبهای سطحی شهری
خطرپذیری
بهینهسازی
مژگان
کرمی
1
دانشآموخته کارشناسی ارشد مهندسی عمران/ دانشکده عمران و محیطزیست، دانشگاه صنعتی امیرکبیر
AUTHOR
عبدالله
اردشیر
ardeshir@aut.ac.ir
2
دانشیار /دانشکده عمران و محیطزیست دانشگاه صنعتی امیرکبیر، خیابان حافظ، تهران
LEAD_AUTHOR
کوروش
بهزادیان
k.behzadian-moghadam@exeter.ac.uk
3
دانشیار /دانشگاه لندن غرب، خیابان سنت مری، لندن، انگلستان
AUTHOR
حفیظی م، پاشاخانلو ف (1385) ضریب آبگذری از دادههای مقاومت ویژه الکتریکی در دشت تهران. مجله فیزیک زمین و فضا، شماره 32: 13-21.
1
خداشناس س، تاجبخش م (1386) بهرهگیری از روشهای نوین کنترل سیلاب شهری برای استفاده بهینه در منابع آب. مجموعه مقالات کنفرانس ملی توسعه منابع آب، زاهدان، ایران،10-11اسفند.
2
سلیمانی م (1392) ارزیابی و اولویتبندی خطرپذیریهای ساخت و بهرهبرداری یک شبکه جمعآوری و هدایت آبهای سطحی شهری. پایاننامه کارشناسی ارشد، دانشگاه امیرکبیر، تهران.
3
سلیمانی م، بهزادیان ک، اردشیر ع (1394) ارزیابی راهکارهای اصلاح شبکه زهکشی آبهای سطحی شهری بر اساس معیارهای مبتنی بر ریسک. مجله آب و فاضلاب، در حال چاپ تابستان 1394.
4
سلطانی م (1388) مدلسازی کیفی نهرهای درونشهری. پایاننامه کارشناسی ارشد، دانشکده عمران دانشگاه صنعتی شریف، تهران
5
Abi Aad M, Suidan M, Shuster W (2010) Modeling techniques of best management practices: rain barrels and rain gardens using EPA SWMM-5. Journal of Hydrologic Engineering 15:434-443.
6
Bitting J (2006) A methodology and evaluation tool for comparing post-construction storm water best management practises. M.Sc. Thesis, Cambridge University .
7
Coffman L (1999) Low-impact development design strategies, an integrated design approach. Washington D.C: U.S. Environmental Protection Agency.
8
Deb K, Pratap A, Agarwal S, Meyarivan T (2002) A fast and elitist multiobjective genetic algorithm: NSGA-II Evolutionary Computation, IEEE Transactions on 6(2): 182-197.
9
Eichenwald Z, McGarity A (2010) Watershed-based optimal stormwater management: part 2—hydrologic modeling of LID/BMP sites on little crum creek in suburban philadelphia. World Environmental and Water Resources Congress 2010: 2522-2530.
10
Jia H, Lu Y, Yu S, Chen Y (2012) Planning of LID–BMPs for urban runoff control: the case of beijing olympic village. Separation and Purification Technology 84:112-119.
11
Jiang W, Deng L, Chen L (2009) Risk assessment and validation of flood disaster based on fuzzy mathematics. Progress in Natural Science 19:1419–1425.
12
Karamouz M, Nazif S (2013) Reliability-based flood management in urban watersheds considering climate change impacts. Journal of Water Resources Planning and Management 139:520-533.
13
Lee k, Kim H, Pak G (2010) Cost-effectiveness analysis of stormwater best management practices (BMPs) in urban watersheds. Desalination and Water Treatment 19:92-96.
14
NYDEC (2010) New York state stormwater management design manual. New York: Center for Watershed Protection.
15
Oraei S, Saghafian B, Shamsai A (2012) Multi-objective optimization for combined quality–quantity urban runoff control. Hydrology and Earth System Sciences 16:4531-4542.
16
Prodanovic P, P. Simonovic S (2004) Generation of synthetic design storms for the upper thames river basin. Water Resources Research Report no. 049, Facility for intelligent decision support, Department of Civil and Environmental Engineering, London, Ontario, Canada, 20 pages.
17
Rossman L.A (2010) Storm water management model. User's manual. version 5.0, United States Environmental Protection Agency.
18
Shaver E, Horner R, Skupien J (2007) Fundamentals of urban runoff management: technical and institutional issues. North American Lake Management Society.
19
Strecker E, Sheffield A, Cristina C, Leisenring M (2010) Stormwater BMP guidance tool. New Orleans.
20
USEPA (2004) The use of best management practices (BMPs) in urban watersheds. EPA-600-R-04-184. Office of Research and Development, Washington, D.C. 20460.
21
Young K, Dymond R, Kibler D (2011) Development of an Improved approach for selecting storm-water best management practices. Journal of Water Resources Planning and Management 137:268-275.
22
ORIGINAL_ARTICLE
مقایسه و ارزیابی منابع مختلف عدم قطعیت در مطالعه اثر تغییراقلیم بر رواناب حوضههای نیمه خشک (مطالعه موردی: حوضه رودخانه اعظم-هرات یزد)
تحقیق حاضر تأثیر پدیده تغییراقلیم بر رواناب حوضه رودخانه اعظم هرات ، در دوره 2030-2015 میلادی با لحاظ نمودن خطای مربوط به پارامترهای تنظیم مدل بارش-رواناب و عدم قطعیت دو مدل بارش-رواناب IHACRES و HEC-HMS ، سناریوهای اقلیمی A1B، A2 و B1 حاصل از مدلهای AOGCM و دو مدل ریزمقیاس نمایی آماری LARS-WG و SDSM بررسی میکند. ابتدا ضمن واسنجی و صحتسنجی مدلهای بارش-رواناب، به آنالیز حساسیت پارامترهای این مدلها پرداخته شد. در ادامه با ریزگردانی دادههای اقلیمی 15 مدل AOGCM و سه سناریو اقلیمی توسط LARS-WG و معرفی هر یک از آنها به مدلهای بارش-رواناب محدوده تغییرات رواناب منطقه در دوره مذکور مشخص گردید. نتایج نشان داد دمای منطقه در دوره آتی افزایشی تا 5/1 درجه سلسیوس خواهد داشت و میزان بارش و توزیع زمانی آن تغییر میکند. طبق هر سه سناریوی انتشار و مدلهای هیدرولوژیکی، رواناب در ماههای ژانویه و دسامبر افزایش و در ماه مارس، اکتبر و نوامبر کاهش مییابد. نتایج نشان داد که عدم قطعیت مربوط به مدلهای هیدرولوژیکی در اکثر ماهها بسیار بالاتر از مدلهای AOGCM و سناریوهای انتشار گازهای گلخانهای است که دلیل آن وجود پارامترهای حساس در ساختار مدلهای بارش-رواناب است. برای بررسی عدم قطعیت روشهای ریزمقیاس نمایی، دادههای اقلیمی مدل HadCM3-A2 با دو مدل LARS-WG و SDSM ریزمقیاس شد. نتایج نشان داد، عدم قطعیت مدلهای هیدرولوژیکی بسیار بزرگتر از روشهای ریزمقیاس نمایی و عدم قطعیت مدلهای AOGCM بزرگتر از سناریوهای انتشار گازهای گلخانهای است.
https://www.iwrr.ir/article_14014_8df306ec9c5e23cebf38ec9b03930f7b.pdf
2016-02-20
113
130
تغییراقلیم- رواناب- مدل های هیدرولوژیکی-عدم قطعیت-ریزمقیاس نمایی آماری
مژگان
یعقوبی
m.yaghobi@ut.ac.ir
1
دانش آموخته کارشناسی ارشد مهندسی منابع آب/ گروه علوم و مهندسی آب دانشگاه تهران، پردیس ابوریحان
LEAD_AUTHOR
علیرضا
مساح بوانی
armassah@yahoo.com
2
دانشیار /گروه علوم و مهندسی آب، پردیس ابوریحان، دانشگاه تهران، پاکدشت
AUTHOR
رضیئی ط، دانش کار آراسته پ، ثقفیان ب (1384) بررسی روند بارندگی سالانه در مناطق خشک و نیمه خشک مرکزی و شرقی ایران.
1
آشفته پ، مساح بوانی ع ر (1391) بررسی تاثیر عدم قطعیت مدلهای چرخه عمومی جو و اقیانوس (AOGCM) و سناریوهای انتشار گازهای گلخانه ای بر رواناب حوضه تحت تأثیر تغییر اقلیم، مطالعه موردی: حوضه قرنقو، آذربایجان شرقی. مجله تحقیقات منابع آب ایران ، سال 8، شماره 2: پاییز 1391.
2
Abbaspour KC, Faramarzi M, Ghasemi S S,Yang H (2009( Assessing the impact of climate change on water resources in Iran. Water Resource Research. W10434. doi:10.1029/2008WR007615.
3
Abebe N, Ogden FL, Pradhan NR (2010) Sensitivity and uncertainty analysis of the conceptual HBV rainfall–runoff model: Implications for parameter estimation. Journal of Hydrology 389: 301–310.
4
Arnell NW, Reynard NS (1996) The effects of climate change due to global warming on river flows in Great Britain. J. Hydrology. 183 (3–4): 397–424.
5
Arnell NW (2003) Effects of IPCC SRES emissions scenarios on river runoff: a global perspective. Hydrol. Earth Syst. Sci. 7 (5): 619–641.
6
Arnell NW (1992) Factors controlling the effects of climate change on river flow regimes in a humid temperature environment. J. Hydrol. 132: 321–342.
7
Bahat Y, Grodek T , Lekach J, Morin E (2009) Rainfall–runoff modeling in a small hyper-arid catchment. Journal of Hydrology 373: 204–217.
8
Bastola S, Murphy C, Sweeney J (2011) The role of hydrological modeling uncertainties in climate change impact assessments of Irish river catchments. Adv. Water Resource 34: 562–576.
9
Booij MJ (2005) Impact of climate change on river flooding assessed with different spatial model resolutions. J. Hydrol. 303: 176–198.
10
Cunderlik MJ, Siminovic SP (2004) Calibration, verification and sensitivity analysis of the HEC-HMS hydrologic model. Technical Repor, The University of Western Ontario.
11
Chen H, Chong-Yu Xu, Guo S (2012) Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Jurnal of Hydrology, 435:36-45.
12
Christensen ENS, Lettenmaier DIP (2007) A multi-model ensemble approach to assessment of climate change impacts on the hydrology and water resources of the Colorado River basin. Hydrol. Earth Syst. Sci. 11: 1417–1434.
13
Croke BFM, Jakeman, AJ (2008) Use of the IHACRES rainfall-runoff model in arid and semi-arid regions.
14
Croke BFW, Andrews AJ, Jakeman S, Cuddy A, Luddy (2005) Redesign of the IHACRES rainfall-runoff model. In 29th Hydrology and Water Resources Symposium. 21–23 Febuary 2005, Canberra, Australia. pp: 1–7.
15
Fowler HJ, Blenkinsop S, Tebaldi C (2007) Linking climate change modeling to impacts studies: recent advances in downscaling techniques for hydrological modeling. Int. J. Climatol. 27:1547–1578.
16
Fleming M, Neary V (2004) Continuous hydrologic modeling study with the hydrologic modeling system. ASCE Journal of Hydrologic Engineering, 9(3): 175-183.
17
Greenbaum N, Ben-Zvi A, Haviv I, Enzel Y (2006) The hydrology and palaeohydrology of the Dead Sea tributaries. In Y. Enzel, A. Agnon, & M. Stein (Eds.), New frontiers in Dead Sea palaeoenvironmental research (pp. 63–93). Geological Society of America Special Paper No. 401.
18
Haan CT (2002) Statistical methods in hydrology. Second edition, Iowa state press,496 p.-90.
19
Hagemann S, Göttel H, Jacob D, Lorenz P, Roeckner E (2009) Improved regional scale processes reflected in projected hydrological changes over large European catchments. Climate Dyn. 32: 767–781. doi:10.1007/s00382-008-0403-9.
20
Hydrologic Engineering Center (HEC) (2000), Hydrologic modeling system HEC–HMS: Technical reference manual, U.S. Army Corps of Engineers, Hydrologic Engineering Center, Davis, Calif.
21
Jakeman AJ, Hornberger GM (1993) How much complexity is warranted in a rainfall-runoff model? Water Resources Research, 29(8): 2637-2649.
22
Jiang T, Chen YD, Xu C, Chen X, Chen X, Singh V P (2007) Comparison of hydrological impacts of climate change simulated by six hydrological models in the Dongjiang Basin, South China. J. Hydrol. 336: 316–333.
23
Jin X, Xu C U, Zhang O, Chen Y (2009) Regionalization study of a conceptual hydrological model in Dongjiang basin, south China. Quaternary International 129-137.
24
Kay AL, Davies HN, Bell VA, Jones RG (2009) Comparison of uncertainty sources for climate change impacts: flood frequency in England. Climatic Change 92: 41–63.
25
Li HY, Zhang YQ, Wang BD (2012) Separating impacts of vegetation change and climate variability on stream flow using hydrological models together with vegetation data. Sci China Tech Sci, 55: 1964–1972.
26
Liu Y, Sun F (2010) Sensitivity analysis and automatic calibration of a rainfall-runoff model using multi-objectives. Ecological Informatics 5:304-310.
27
Ludwing R, May I, Turcotte R, Vescovi L, Braun M, Cyr J F, Fortin L G, Chaumont D, Biner S, Chartier T, Caya, Mauser W (2009) The role of hydrological model complexity and uncertainty in climate change impact assessment. Adv. Geosci., 21: 63–71.
28
Milly PCD, Wetherald RT, Dunne KA, Delworth TL (2002) Increasing risk of great floods in a changing climate, Nature 415: 514– 517, doi: 10. 1038/415514a.
29
Michaud J, Sorooshian S (1994) Effects of rainfall sampling errors on simulation of desert flash floods, Water Resource Res 30: 2765– 2775, doi:10. 1029/94WR01273.
30
Modarres R, da Sliva PR (2007) Rainfall trends in arid and semi-arid regions of Iran. Journal of Arid Environments 70: 344–355.
31
Nat R (2011) Rainfall-Runoff Modeling in Arid Areas, Ph.D. Thesis, Technische Universitat Bergakademie Freiberg.
32
Oudin L, Perrin C, Mathevet T, Andréassian V, Michel C )2006) Impact of biased and randomly corrupted inputs on the efficiency and the parameters of watershed models. Jornal of Hydrology. 320: 62–83.
33
Osborn HB (1964) Effect of storm duration on runoff from rangeland watersheds in the semiarid southwestern United States, Bull. Int. Assoc. Sci. Hydrology 9(4): 40– 47.
34
Pilgrim DH, Chapman TG, Doran DG (1988) Problems of rainfall– runoff modeling in arid and semiarid regions, Hydrology. Sci. J 33(4): 379– 400.
35
Prudhomme C, Davies H (2008) Assessing uncertainties in climate change impact analyses on the river flow regimes in the UK Part 2: future climate. Climatic Change 93, 197–222.
36
Racsko P, Szeidl L, Semenov M (1991) A serial approach to local stochastic weather models. Ecological Modeling 57: 27–41.
37
Renard B, Davetski D, Kuczera G, Thyer M, Franks S.W (2009) Understanding predictive uncertainty in hydrologic modeling: Le challenge of identifying input and structural errors. Water Resource. Res., doi:10.1029/2009WR008328.
38
Sajjad Khan M, Coulibaly P, Dibike Y (2006) Uncertainty analysis of statistical downscaling methods. Journal of Hydrology 319: 357–382.
39
Silberstein RP, Aryal SK, Durrant J, Pearcey M, Braccia M, Charles S.P, Boniecka L, Hodgson GA, Bari MA. McFarlane DJ (2012) Climate change and runoff in south-western Australia. Journal of Hydrology 475:441–455.
40
Semenov MA, Barrow EM (1997) Use of a stochastic weather generator in the development of climate change scenarios. Climate Change 35: 397–414.
41
Shen ZY, Chen L, Chen T (2011) Analysis of parameter uncertainty in hydrological modeling using GLUE method: a case study of SWAT model applied to Three Gorges Reservoir Region, China. Hydrology and Earth System Sciences Discussions, 8(4): 8203-8229.
42
Trenberth KE, Jones PD, Ambenje P, Bojariu R, Easterling D, Klein Tank A, Parker D, Rahimzadeh F, Renwick JA, usticucci M. Soden B, Zhai P (2007) Observations: Surface and Atmospheric Climate Change. In Climate Change 2007, Cambrige University Press.
43
Wilby RL, Dawson CW, Barrow EM (2002) SDSM-A decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software 17: 145–157.
44
Wilby RL, Dawson CW (2007) SDSM4.2 – A Decision Support Tool for the Assessment of Regional Climate Impacts. User Manual 1–94.
45
Wilby RL, Harris I (2006) A framework for assessing uncertainties in climate change impacts: low-flow scenarios for the River Thames, UK. Water Resource Research. 42 (2), W02419.
46
Xu CY (1999) From GCMs to river flow: a review of downscaling methods and hydrologic modelling approaches. Prog. Phys. Geography. 23 (2): 229–249.
47
Yatheendradas S, Wagener T, Gupta H, Unkrich C, Goodrich D, Schaffner M, Stewart A (2008) Understanding uncertainty in distributed flash flood forecasting for semiarid regions. Water Resources Research 44 (5): 1–2.
48
Yapo PO, Gupta HV, Sorooshian S (1996) Automatic calibration of conceptual rainfall-runoff models: sensitivity to calibration data. J. Hydrology. 181: 23–48.
49
Ye W, Bates BC, Viney NR., Sivapalan M, Jakeman AJ (1997) Performance of conceptual rainfall-runoff models in low yielding ephemeral catchments. Water Resource. Res. 33: 153–166.
50
Zheng JG, Li Y, Han Z (2012) Hydrological cycle simulation of an irrigation district based on a SWAT model. Math Compute Model, 51: 1312–1318
51
ORIGINAL_ARTICLE
برآورد تبخیر تعرق مرجع روزانه با حداقل دادههای هواشناسی در اقلیمهای نیمه خشک منتخب ایران
تخمین صحیح و دقیق تبخیر-تعرق تأثیر بسزایی در مدیریت و برنامهریزی صحیح منابع آب به ویژه در مناطق نیمه خشک و خشک دارد. روشهای متعددی برای برآورد تبخیر-تعرق توسط محققان ارائه شده است. از جمله این روشها میتوان به انواع معادلات تجربی و روشهای داده محور اشاره کرد. در این مطالعه از سه روش داده محور شبکههای تطبیقی مبتنی بر سیستم استنتاج فازی (ANFIS)، مدل درختی (M5) و ماشینهای بردار پشتیبان (SVM) و پنج معادله تجربی برای تخمین تبخیر-تعرق روزانه در هشت اقلیم نیمهخشک ایران استفاده شده است. برای این منظور از دادههای هواشناسی حداکثر و حداقل دما، رطوبت نسبی، سرعت باد و ساعات آفتابی و 11 ترکیب مختلف این متغیرها بین سالهای 1980 تا 2009 به عنوان ورودی بــه روشهای داده محور بــرای مدلسازی تبخیر-تعرق بهره گرفته شد که 80% دادهها برای آموزش و 20% آنها برای آزمون مدلها استفاده شد. سپس نتایج حاصله با مقادیر به دست آمده از معادله استاندارد پنمن- مانتیث فائو 56 مقایسه شدند. عملکرد روشهای مورد نظر با استفاده از شاخصهای آماری میانگین مربعات خطا (RMSE)، ضریب تبیین (R2) و شاخص توافق (d) مورد بررسی قرار گرفت. روشهای ماشین بردار پشتیبان و شبکه تطبیقی مبتنی بر سیستم استنتاج فازی در نه ترکیب متغیرهای هواشناسی بهترین عملکرد را با RMSE بین 24/0 تا 55/1 میلیمتر بر روز ارائه دادند. RMSE معادلات تجربی در دامنه بین 71/0 تا 96/5 میلیمتر بر روز متغیر بودند و از میان آنها معادلات بلانی- کریدل و مک گاینس-بردنه در غالب ایستگاهها بالاترین دقت را داشتند. همچنین روشM5 نسبت به دو روش ANFIS و SVM در مواجهه با ورودیهای مختلف در اقلیمهای مطالعاتی عملکرد پایینتری را از خود نشان داد.
https://www.iwrr.ir/article_14017_83512b9cd3a578620067742ba2af01c0.pdf
2016-02-20
131
144
تبخیر-تعرق مرجع روزانه
معادلات تجربی
اقلیم نیمهخشک
ANFIS
SVM
M5
بهرام
بختیاری
drbakhtiari@uk.ac.ir
1
استادیار /بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران
LEAD_AUTHOR
علیرضا
محبی دهاقانی
2
دانشآموخته کارشناسی ارشد مهندسی منابع آب/ دانشکده کشاورزی، دانشگاه شهید باهنر کرمان (عضو انجمن پژوهشگران جوان دانشگاه شهید باهنر کرمان)
AUTHOR
کورش
قادری
kouroshqaderi@uk.ac.ir
3
استادیار /بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران
AUTHOR
احمدزاده قره گیوز ک، میرلطیفی س م، محمدی ک ( 1389) مقایسه سیستمهای هوشمند (ANN و ANFIS) در تخمین میزان تبخیر-تعرق گیاه مرجع در مناطق بسیار خشک. نشریه آب و خاک، جلد 24، شماره چهار: 689-679.
1
بختیاری ب، لیاقت ع، خلیلی ع، خانجانی م (1388) ارزیابی دو مدل ترکیبی برآورد تبخیر-تعرق مرجع چمن در بازه زمانی ساعتی (مطالعه موردی اقلیم کرمان). علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال 13، شماره 50: 26-13.
2
بیاتورکشی م، زارعابیانه ح، معروفی ص، سبزیپرور ع ا، سلطانی ف (1388) شبیهسازی تبخیرتعرق گیاه مرجع به روش هوش مصنوعی و روشهای تجربی در مقایسه با اندازهگیریهای لایسیمتری در اقلیم نیمهخشک سرد همدان. مجله پژوهشهای حفاظت آب و خاک، جلد 16، شماره چهار: 100-79.
3
رحیمی خوب ع، محمودی ع (1390) برآورد تبخیر-تعرق واقعی از سطح حوضه آبخیز با استفاده از مدلهای شبکه عصبی و حداقل دادههای هواشناسی- مطالعه موردی حوضه معرفه امامه. تحقیقات منابع آب ایران، جلد 7، شماره 4: 61-51.
4
شاهدی ک، زارعی م (1390) ارزیابی روشهای برآورد تبخیر- تعرق پتانسیل در استان مازندران. فصلنامه علمی پژوهشی مهندسی آبیاری و آب سال اول، شماره 3: 21 -11.
5
شهابی فر م، عصاری م، کوچک زاده م، عزیزی زهان ع ا (1386) ارزیابی شش روش محاسباتی تبخیر- تعرق سطح مرجع با دادههای لایسیمتری در شرایط گلخانهای. اولین کارگاه فنی ارتقاء کارایی مصرف آب با کشت محصولات گلخانهای کمیته آبیاری و زهکشی ایران-تهران.
6
علیزاده ا ( 1387) اصول هیدرولوژی کاربردی. انتشارات دانشگاه امام رضا (علیهالسلام)، چاپ 24، 870 صفحه.
7
مرادی ح، تمنا م، انصاری ح، نادریان فر م (1391) سیستمهای استنتاج فازی جهت برآورد تبخیر تعرق مرجع ساعتی (مطالعه موردی: منطقه فریمان). مجله پژوهشهای حفاظت آب و خاک. جلد نوزدهم، شماره 1: 168-153.
8
Allen RG, Pereira LS, Raes D and Smith M (1998) Crop evapotranspiration guidelines for computing crop water requirements. FAO Irrigation and Drainage, Paper No. 56., FAO, Rome.
9
Bhattacharya B and Solomatine DP (2005) Machine learning in sedimentation modeling. Neural Networks, 19: 208–214.
10
Bhattacharya B and Solomatine DP (2005) Neural networks and M5 model trees in modelling water level–discharge relationship. Neuro computing, 63: 381–396.
11
Blaney HF and Criddle WD (1950) Determining water requirements in irrigated areas from climatological and irrigation data. Soil conservation service technical paper 96, Soil conservation service. US Department of Agriculture, Washington.
12
Ditthakit P and Chinnara Sri C (2012) Estimation of pan coefficient using M5 model tree. American Journal of Environmental Sciences, 8 (2): 95-103.
13
Douglas EM, Jacobs JM, Sumner DV and Ray RL (2009) A comparison of models for estimating potential evapotranspiration for Florida land cover types. Journal of Hydrology, 373: 366-376.
14
Eslamian SS, Abedi-Koupai J, Amiri MJ and Gohari SA (2009) Estimation of daily reference evapotranspiration using support vector machines and, artificial neural networks in greenhouse. Research Journal of Environmental Sciences, 3 (4): 439-447.
15
Hargreaves GH and Samani ZA (1985) Reference crop evapotranspiration from temperature. Applied Engineering in Agriculture, 1(2):96–99
16
Kisi O and Cimen M (2009) Evapotranspiration modelling using support vector machines. Hydrological Sciences Journal, 54(5): 918-928.
17
Oudina L, Hervieua F, Michela C, Perrina C, Andre´assiana V, Anctilb F and Loumagnea C (2005) Which potential evapotranspiration input for a lumped rainfall–runoff model? Part 2—Towards a simple and efficient potential evapotranspiration model for rainfall–runoff modeling. Journal of Hydrology, 303(1–4): 290-306.
18
Quinlan JR (1992) Learning with continuous clases. In: Adams, A. sterling, L. (eds) Proc. AI’92, 5th Australian Joint Conference on Artificial Intelligence. World Scientific, Singapore, pp 343–348.
19
Shing J and Jang R (1993) ANFIS: Adaptive-Network-Based Fuzzy Inference System. Man and Cybernetics, 23(3): 665-685.
20
ORIGINAL_ARTICLE
بررسی اثر تغییر اقلیم بر مطلوبیت زیستگاهی آبزیان رودخانه کردان - مطالعه موردی: سگ ماهی جویباری (Oxynemacheilus bergianus)
اقلیم میتواند اثرات قابلتوجهی بر زندگی موجودات زنده و محیطزیست داشته باشد. لذا پیشبینی وضعیت و ارزیابی اثرات آن به منظور کاهش آسیبپذیری و مقابله با آن از اهمیت بسزایی برخوردار است. پیکرههای آبی اولین منابع تحت تأثیر این پدیده خواهند بود و در این بین رودخانهها به عنوان شریانهای حیاتی اکوسیستمها مورد توجهاند. این تحقیق تلاش دارد تا اثر پدیده تغییر اقلیم را بر روی یکی از سیستمهای آبی جنوب البرز (رودخانه کردان) ارزیابی و چگونگی تغییر شاخص مطلوبیت زیستگاه آبزیان را در طولی از رودخانه به اندازه 2 کیلومتر بررسی نماید. بدین منظور ابتدا، شرایط تغییر اقلیم در منطقه با استفاده از خروجیهای مدل گردش عمومی HadCM3 و با در نظر گرفتن دو سناریو A2 وB1 برای دوره پایه (1985-2010) و دورههای 30 ساله آتی( 2011-2040، 2041-2070 و 2071-2099) بررسی گردید. همچنین به منظور بررسی اثرات تغییر اقلیم بر دما و جریان رودخانه از مدل SWATاستفاده گردید. نتایج حاکی از آن بود که تحت شرایط تغییر اقلیم و در 3 دوره 30 ساله جریان رودخانه روندی رو به کاهش خواهد داشت، تا جایی که دبی از 3/3 مترمکعب بر ثانیه در دوره پایه به 66/2 در سناریو A2 و 8/2 در سناریو B1 خواهد رسید. همچنین تغییر اقلیم باعث ایجاد تغییر در شاخص مطلوبیت زیستگاه (HSI) گونه سگ ماهی جویباری (Oxynemacheilus bergianus) و همچنین توزیع مکانی مطلوبیت زیستگاهی این گونه در رودخانه دارد. بررسی منحنی فراوانی تجربی مقادیر HSI نیز حاکی از کاهش 20 تا 25 درصدی شاخص مطلوبیت زیستگاهی معادل 4/0 تا 6/0، در دوره 2071-2099 میباشد.
https://www.iwrr.ir/article_14018_3b1e2decb9b6067d8771e39bc6eb8c1f.pdf
2016-02-20
145
158
تغییر اقلیم
شاخص مطلوبیت زیستگاه (HSI)
گونه سگ ماهی جویباری
رودخانه کردان
ریحانه
مرید
delavar_we@yahoo.com
1
دانشجوی کارشناسی ارشد/ گروه ارزیابی و آمایش سرزمین، دانشکده انرژی و محیط زیست، دانشگاه آزاد اسلامی- واحد علوم تحقیقات تهران
AUTHOR
سهیل
ایگدری
2
استادیار گروه شیلات/ دانشکدة منابع طبیعی دانشگاه تهران
AUTHOR
مجید
دلاور
m_delavar@modares.ac.ir
3
استادیار / گروه سازه های آب، دانشکده کشاورزی، دانشگاه تربیت مدرس
LEAD_AUTHOR
ثبوتی ی (1390) زمین گرم: ارمغان سده بیست و یکم. موسسه جغرافیا و کارتوگرافی گیتاشناسی، تهران، 240ص.
1
زارعزاده مهریزی م (1389) تخصیص منابع آب حوضه آبریز قزلاوزن- سفیدرود تحت تاثیر تغییر اقلیم با بهکارگیری رویکرد ورشکستگی در حل اختلافات، پایاننامه کارشناسی ارشد، گروه سازههای آبی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران.
2
شاه کرمی ن (1388) ارائه راهکارهای تطبیق با تغییر اقلیم با دخالت تحلیل ریسک و مدیریت جامع منابع آب در حوضه زایندهرود، ایران. رساله دکتری، گروه مهندسی سازههای آبی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران.
3
طباطبایی ن، ایگدری س، کابلی م، جوانشیر آ، هاشم زاده سقرلو ا، زمانی م (1392) بررسی فاکتورهای محیطی موثر در پراکنش سگ ماهی جویباری (Oxynoemacheilus bergianus) در رودخانه کردان. نشریه شیلات، مجله منابع طبیعی ایران، دوره 66، شماره2.
4
طباطبایی ن، هاشم زاده سقرلو ا، ایگدری س، زمانی م (1393) عوامل تعیینکننده در زیستگاه انتخابی (aracobitis iranica (Nalbant & Bianco در رودخانه کردان، حوضه دریاچه نمک. مجله بومشناسی آبزیان3 (4):9-1.
5
رضایی زمان م، مرید س، دلاور مجید (1392) ارزیابی اثرات تغییر اقلیم بر متغیرهای هیدروکلیماتولوژی حوضه سیمینه رود. نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 27، شماره 6، 1259-1247.
6
مرید ر (1393) بررسی اثرات تغییر اقلیم بر مطلوبیت زیستگاه آبزیان رودخانهای، مطالعه: موردی رودخانه کردان. پایان نامه کارشناسی ارشد، دانشکده انرژی و محیط زیست، دانشگاه آزاد اسلامی، واحد علوم تحقیقات.
7
مساح بوانی ع (1385) ارزیابی ریسک تغییر اقلیم و تاثیر آن بر منابع آب، مطالعه موردی حوضه زاینده رود اصفهان، رساله دکتری، دانشکده کشاورزی، دانشگاه تربیت مدرس.
8
Ahmadi-nadushan B, ST-Hilaire A, Berube M, Robichaud E, Thiemonge N, Bobee B (2006) A review of statistical methods for the evaluation of aquatic habitat suitability for instream flow assessment. River Research and Applications, 22:503-523.
9
Arnold JG, Allen PM, Bernhardt G (1993) A comprehensive surface groundwater flow model. Journal of Hydro. 142:47-69.
10
De Stasio BT, Hill DK, Kleinhans JM, Nibbelink NP, Magnuson JJ (1996) Potential effects of global climate change on small north-temperate lakes: Physic, fish, and plankton. Limnol. Oceanogr, 41(5):136-1149.
11
IPCC (2001) Climate change 2001: IPCC Special Report on Emissions Scenarios. A Special Report of IPCC Working Group III, Intergovernmental Panel on Climate Change, ISBN: 92-9169, 113-115.
12
IPCC (2007) The scientific basis. Contribution of working group I to the third assessment report of the intergovernmental panel on climate change, Cambridge University Press. New York, USA.
13
Lubini A, Adamowski J (2013) Assessing the potential impacts of four climate change scenarios on the discharge of the Simiyu River, Tanzania Using the SWAT Model. Int. J. of Water Sciences 2(1):1-12.
14
Hanaee J, Agh N, Hanaee M, Delazar A, Sarkerc SD (2005) Studies on the enrichment of Artemia Urmiana cysts for improving fish food value, Animal Feed Science and Technology,120(1-2): 107–112.
15
Lane ME, Kirshen PH, Vogel RM (1999) Indicators of impact of global climate change on U.S water resources. ASCE, journal of Water Resources Planning and Management. 125(4): 194-204.
16
Morrison J, Quick MC, Foreman MGG (2002) Climate change in Fraser River Watershed: flow and temperature projections. Journal of Hydrology 263: 230-244.
17
Moutona AM, Schneiderb M, Depestelea J, Goethalsa PLM, De Pauwa N (2007) Fish habitat modelling as a tool for river management. ecological engineering 29 : 305.315.
18
Neitsch SL, Arnold JG, Kiniry JR, Williams JR (2011) Soil and Water Assessment Tool Theoretical Documentation Version 2009. Texas Water Resources Institute Technical Report No. 406. Texas A&M University System. College Station, Texas 77843-2118.
19
Pradhanang SM, Mukundan R., Schneiderman EM, Zion MS, Anandhi A, Pierson DC, Frei A, Easton ZM, Fuka D, Steenhuis TS (2013) Streamflow Response To Climate Change: Analysis Of Hydrologic Indicators In a New York City Water Supply Watershade. Journal Of The American Water Resources Association, Vloume. 49, No. 6.
20
Rijnsdorp A D, Peck MA, Engelhard GH, Mollmann C, Pinnegar JK (2009) Resolving the effect of climte change on fish populations, ICES Journal of Marine Science, 66: 1570-1583.
21
Vadas RL, Orth DJ (2001) Formulation of habitat suitability models for stream fish guilds: do the standard methods work? . Transactions of the American Fisheries Society, Soc;130:217–3
22
Wikipedia 2014: ttp://fa.wikipedia.org/wiki, 2014.
23
wikipg 2014: http://www.wikipg.com/wiki, 2014.
24
Wilby RL, Harris I (2006) A frame work for assessing uncertainties in climate change impacts: low flow scenarios for the River Thames, UK. Water Resources Research, 42(2), pp, 1-10.
25
Wu W, He Z, Wang SSY, Douglas Shields F (2006) Analysis of aquqtic habitat suitability using a depth-averaged 2-D model. World Environmental and Water Resource Congress. pp. 1-10.
26
ORIGINAL_ARTICLE
بررسی تأثیر مکانی – زمانی کاربری اراضی بر کیفیت آب تالاب چغاخور با استفاده از شاخص IRWQI و روشهای آماری
هدف از این تحقیق استفاده از پارامترهای فیزیکی و شیمیایی (DO, pH, NO3-, PO4-3, TDS, TSI) و شاخص کیفیت آب IRWQI جهت ارزیابی آلودگی و تأثیر مکانی – زمانی کاربری اراضی بر کیفیت آب تالاب چغاخور میباشد. جهت نمونهبرداری و سنجش این پارامترها ابتدا 12 ایستگاه نمونهبرداری به صورت غیرتصادفی و سیستماتیک انتخاب شدند. در ابتدا بر اساس میانگین سطح و عمق پارامترهای کیفی و با استفاده از توابع درونیابی در محیط GIS، مدل شاخص IRWQI تهیه گردید. سپس از ضریب همبستگی پیرسونی شاخص کیفیت آب با مجاورت ایستگاههای نمونهبرداری از زهآبهای کاربری اراضی با استفاده از روش بافرسازی جهت تعیین تأثیر کاربری اراضی استفاده گردید. نتایج نشان داد که شاخص IRWQI با ضریب همبستگی 78/0 و پارامترهای PO4-3، NO3- و TDS به ترتیب با ضرایب همبستگی جزئی 82/0-، 64/0- و 62/0 ناشی از آلودگی زهآبهای کاربریهای کشاورزی و مسکونی در نیمه جنوبی و غربی تالاب است. همچنین نتایج تأثیر مکانی - زمانی کاربری اراضی با استفاده از روشهای آماری و GIS نشان داد که در فصل بهار و ابتدای پاییز با ضرایب همبستگی 70/0 و 59/0 بیشترین تأثیر و تابستان با ضریب همبستگی کمتر از 1/0، کمترین تأثیر بر کیفیت آب تالاب چغاخور ایجاد میشود. بیشترین میزان تروفی و بدترین وضعیت کیفی در دمای oC5/10-5/13 سطح آب در نیمه ابتدایی ماههای بهار و پاییز با وضعیت متوسط تا نسبتا خوب 50 تا 61 به دلیل افزایش فعالیتهای کشاورزی، سیلابها و بارندگیهای فصلی و بهترین آن در دماهای بیشتر از oC5/19 و کمتر از oC6 سطح آب در فصول تابستان و نیمه ابتدایی زمستان با وضعیت خوب 70 تا 82 به دلیل کاهش فعالیتهای کشاورزی، سیلابها و زهآبهای ناشی از بارندگیهای فصلی است.
https://www.iwrr.ir/article_14019_4245aa9ad99c0c6ac944c5f29b3699d6.pdf
2016-02-20
159
171
کاربری اراضی
تالاب چغاخور
ضریب همبستگی
ناحیه بافر
شاخص کیفیت آب (IRWQI)
جواد
صمدی
environment1364@yahoo.com
1
دانش آموخته مهندسـی منابع طبیعی، گروه شـیلات، دانشکده منابع طبیعی، دانشگاه صنعتی اصفهان و عضو باشگاه پژوهشگران جوان و نخبگان دانشگاه آزاد اسلامی نراق.
LEAD_AUTHOR
اداره کل هواشناسی استان چهارمحال و بختیاری (1389) آمار بارندگی سالانه. (www.chaharmahalmet.ir)
1
اسدالهی ز، دانهکار آ، اسدالهی ذ (1391) زونبندی حفاظتی تالاب چغاخور از طریق ارزیابی چندمعیاره مکانی (SMCE). فصلنامه علمی پژوهشی اکوبیولوژی تالاب، سال سیزدهم، شماره 4، 13ص.
2
تندروانزنگنه م، درویشی آ، فاخران س (1391) پایش تغییرات کاربری اراضی در تالاب چغاخور (2009-2003). کنفرانس بینالمللی اکولوژی سیمای سرزمین، 10ص.
3
حیدری ا، فوهر ن، کانهیوکی ن (1390) بررسی عملکرد تالابهای تحت تأثیر کاربری اراضی بالادست (مطالعه موردی: هیگاشی هیروشیما ‐ ژاپن). نشریه محیطزیست طبیعی، مجله منابع طبیعی ایران، دوره 64، شماره یکم، 15-24ص.
4
ریاحیپور م، توفیق م (1387) بررسی پدیده تغذیهگرایی و لایهبندی حرارتی در مخزن سد چغاخور. چهارمین همایش زمینشناسی و محیطزیست، 7ص.
5
سلطانی س، یغمایی ل، خداقلی م، صبوحی ر (1390) پهنهبندی زیست اقلیمی استان چهار محال و بختیاری با استفاده از روشهای آماری چندمتغیره. مجله علوم و فنون کشاورزی و منابع طبیعی، علوم آب و خاک، سال چهارم، شماره 54، 53-68ص.
6
موسویندوشن ر، فاطمی مر، اسماعیلیساری ع، وثوقی غح (1387) تعیین وضعیت تروفی و پتانسیل تولید ماهی در دریاچه چغاخور. مجله شیلات، سال دوم، شماره 2، 5ص.
7
هاشمی سح، فرزامپوراسگر ت، رمضانی س، خوشرو غ (1390) راهنمای محاسبه شاخص کیفیت منابع آب ایران. سازمان حفاظت محیط زیست ایران، 42ص.
8
Brittany C, Courville BS (2012) Assessment of spatial and temporal lake water quality trends and effects of land use/land cover in main. M.Sc Thesis of Texas State University-San Marcos, USA, 86 pp.
9
Ebrahimi S, Moshari M (2006) Evaluation of the choghakhor wetland status with the emphasis on environmental management problems. Publs. Inst. Geophys. Pol. ACAD. SC; E-6(390): 8 pp.
10
Ghafouri M, Ghaderi N, Tabatabaei M, Versace V, Ierodiaconou D, Barry DA, Stagnitti F (2010) Land use change and nutrients simulation for the Siah Darvishan Basin of the Anzali Wetland Region, Iran. Bull Environ Contam Toxicol, 84(2): 240-244.
11
Gunsch MS (2008) The effect of wetland size and surrounding land use on wetland quality along an urbanization gradient in the Rocky River Watershed. M.Sc Thesis of Environmental Science, CLEVELAND State University, USA, 123 pp.
12
Houlahan JE, Scott Findlay C (2004) Estimating the ‘critical’ distance at which adjacent land-use degrades wetland water and sediment quality. Landscape Ecology, 19(6): 677-690.
13
Ierodiaconou D, Laurenson L, LeBlanc M, Stagnitti F, Duff G, Salzman S, Versace V (2005) The consequences of land use change on nutrient exports: a regional scale assessment in South-West Victoria, Australia. Journal of Environmental Management, 74(4): 305-316.
14
Kimwaga RG, Bukirwa F, Banadda N, Wali UG, Nhapi I, Mashauri DA (2012) Modelling the impact of land use changes on sediment loading into lake Victoria Using SWAT Model: A Case of Simiyu Catchment Tanzania. The Open Environmental Engineering Journal, 5: 66-76.
15
Martin SL, Hayes DB, Rutledge DT, Hyndman DW (2009) The land-use legacy effect: adding temporal context to lake chemistry. Limnol. Oceanogr, 56(6): 2362-2370.
16
Mousavi Nadushan R, Fatemi SMR (2008) Trophic Status and primary production in lake Choghakhor, Chaharmahal-Bakhtiyari Province, Islamic Republic of Iran. Pakistan Journal of Biological Sciences, 11(4): 577-582.
17
Murungweni FM (2013) Effect of land use change on quality of urban wetlands: A case of Monavale Wetland in Harare. Geoinfor Geostat, SciTechnol Journal, 2(1): 1-5.
18
Tiner RW (1999) Vegetation sampling and analysis for wetlands, wetland indicators: A guide to wetland identification, delineation, classification, and mapping, Boca Raton: CRC Press LLC, 248p.
19
Vuai SAH, Ibembe JD, Mungai NW (2013) Influence of land use activities on spatial and temporal variation of nutrient deposition in Mwanza Region: Implication to the atmospheric loading to the Lake Victoria. Atmospheric and Climate Sciences, 3(2): 224-234.
20
Yan X, Qiu Z, Wang J, Liu F, Daonan L (2012) Spatial and temporal change of land use and its impact on water quality of Poyang Lake Region. Advanced Materials Research, 599: 753-756.
21
Zhang T, Zeng WH, Wang SR, Ni ZK (2014) Temporal and spatial changes of water quality and management strategies of Dianchi Lake in southwest China. Hydrology and Earth System Sciences, 18(4): 1493–1502.
22
ORIGINAL_ARTICLE
پیشبینی پدیده جداشدگی جریان از مسیر اصلیاش بر روی مخروط افکنهها با استفاده از مدل هیدرولیکی FLO-2D
خطرهای ناشی از سیل بر روی مخروط افکنه با پتانسیل تغییر مکان آبراهه در سرتاسر عرض مخروط افکنه ادغام شده و باعث خسارات فراوانی میگردد. این تغییر مکان جداشدگی (avulsion) نامیده میشود. با توجه به اینکه جریان بر روی مخروط افکنهها دو بعدی میباشد از یک مدل دو بعدی بنام FLO-2D برای شناسایی نواحی با پتانسیل جداشدگی جریان در این پژوهش استفاده گردیده است. این پژوهش بر روی دو مخروط افکنه یکی (فریزی) در شمال شرقی و دیگری(سرباز) در جنوب شرقی ایران صورت گرفته است. با استفاده از این مدل جریان بر اساس دبی 100 و 500 ساله شبیه سازی شد، سپس با استفاده از تصاویر هوایی اخیر از مخروط افکنه با پلات کردن نتایج این مدل روی این عکسهای هوایی ، نواحی که پتانسیل جداشدگی جریان دارند شناسایی گردید. برخی از این جداشدگیها بیشتر در نواحی رخ داده اند که تاکنون احتمال خطر سیل در آنها وجود نداشته است، در حالی که نتایج نشان از وقوع جداشدگیهای بزرگی بر روی آنها را میدهد. بنابراین استفاده از این روش میتواند به شناسایی نواحی با ریسک جداشدگی کمک کند و خسارات احتمالی ناشی از آن را کاهش دهد.
https://www.iwrr.ir/article_14020_e182d8f318552bb26b0d2a38199be366.pdf
2016-02-20
172
181
جداشدگی جریان
مخروط افکنه
مدل FLO-2D
زینب
ملائی
moolaee@gmail.com
1
کارشناس ارشد آبیاری و زهکشی گروه مهندسی آب /دانشگاه فردوسی مشهد ، مشهد، ایران
LEAD_AUTHOR
حمید
مدنی
2
کارشناس ارشد مدیریت منابع آب گروه مهندسی آب / دانشگاه فردوسی مشهد، مشهد، ایران
AUTHOR
علیرضا
فرید حسینی
3
استادیار / گروه مهندسی آب دانشکده کشاورزی دانشگاه فردوسی مشهد، مشهد، ایران
AUTHOR
کامران
داوری
k.davary@ferdowsi.um.ac.ir
4
دانشیار / گروه مهندسی آب دانشکده کشاورزی دانشگاه فردوسی مشهد، مشهد، ایران
AUTHOR
Bryant MP, Falk and Paola C (1995) Experimental study of avulsion frequency and rate of deposition. Geology 23(4): 365-368.
1
Dawdy DR (1979) Flood frequency estimates on alluvial fan. Journal of the Hydraulics Engineering 105(11): 1407-1412.
2
FEMA (1990) An alluvial fan flooding computer program. Users Manual and Program Disk: Washington, D.C., Federal Emergency Management Agency.
3
Field J (2001) Channel avulsion on alluvial fans in southern Arizona. Geomorphology
4
FLO-2D (2012) FLO-2D User’s Manual. FLO-2D Engineering.
5
Fuller JE (2012a) Alluvial fan flood hazard identification and mitigation methods, PFHAM Refinement Study, Final Report.
6
Fulle JE (2012b) Evaluation of avulsion potential on active alluvial fans in Central and Western Arizona. Arizona Geological Survey Contributed Report CR-12-D, Tucson, Arizona.
7
Fuller JE (2012c) Theoretical and Practical deficiencies in the FEMA fan methodology. Arizona Geological Survey Contributed Report CR-12-B, Tucson, Arizona.
8
Hjalmarson HW, S.P. Kemna (1991) Flood hazards of distributary-flow areas in southwestern Arizona: U.S. Geological Survay Water Resources Investigations Report 91-4171, 68 p.
9
Hook RL (1965) Alluvial fans, Ph.D. Dissertation, California Institute of Technology, Pasadena, California.
10
O Brien JS (2007) FLO-2D flood routing model. Version 2007.06, Copyright 1989, 1993, 2004 FLO-2D Software Inc.
11
Pearthree PA, J.E. Klawon and T.W. Lehman (2004) Geomorphology and hydrology of an alluvial fan on Tiger Wash, Maricopa and La Paz Counties, West-central Arizona Geological Survey Open-File Report 04-02,40p.
12
Tornqvist TE and J.S. Bridge (2002) Spatial variation of overbank aggradation rate and its influence on avulsion frequency, Sedimentology, vol. 49: 891-905. URS, 2012, Rainbow Valley Area Drainage Master Plan, Report to the Flood Control District of Maricopa County.
13
ORIGINAL_ARTICLE
ارزیابی عملکرد مدلهای کوکریجینگ و نروفازی جهت تخمین غلظت نیترات در آبخوان کرج
امروزه تکنیکهای مدرن بر اساس مدلهای زمینآمار برای به دست آوردن غلظت نیترات آب زیرزمینی در نقاط نامعلوم و تعیین نقاط جدید نمونهبرداری به کار گرفته شده است. در این تحقیق، از مدلهای کوکریجینگ و نروفازی، جهت ارزیابی تغییرات مکانی غلظت نیترات در آبخوان کرج استفاده گردیده است. تخمین غلظت نیترات با استفاده از مدلهای مذکور بر اساس نمونههای حاصل از 179 حلقه چاه آب شرب در آبخوان کرج انجام پذیرفته است. بدین منظور، مقادیر غلظت نیترات در سال 1384 به عنوان متغیر اولیه و مقادیر غلظت نیترات در سالهای 1379 تا 1383 به عنوان متغیرهای کمکی مدل کوکریجینگ و متغیرهای ورودی به مدل نروفازی در نظر گرفته شدهاند. نتایج این تحقیق نشان میدهد، پنج مدل نروفازی تهیه شده جهت پیشبینی غلظت نیترات سال 1384، در مقایسه با مدلهای کوکریجینگ از کارایی و دقت بیشتری برخوردار است. همچنین از بین مدلهای نروفازی بررسی شده، مدلی که غلظت نیترات سال 1383 را به عنوان متغیر ورودی در نظر گرفته است از شاخصهای ارزیابی بالاتری نسبت به دیگر مدلهای نروفازی برخوردار بوده است.
https://www.iwrr.ir/article_14021_61c5ec28ea0d1fe36c19fc9d22d88e34.pdf
2016-02-20
182
186
غلظت نیترات
کوکریجینگ
نروفازی
آبخوان کرج
الهه
پورفرح آبادی
e.poorfarahabadi@yahoo.com
1
کارشناسارشد منابع آب/ پردیس کشاورزی و منابع طبیعی، دانشگاه تهران
LEAD_AUTHOR
مجید
خلقی
kholghi@ut.ac.ir
2
دانشیار/ گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب و خاک، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران
AUTHOR
ایزدی ع، دلقندی م، فراستی م (1389) کاربرد روشهای کریجینگ و کوکریجینگ در تخمین مکانی پارامترهای کیفی آبهای زیرزمینی. سومین همایش ملی مدیریت شبکههای آبیاری و زهکشی، اهواز، ایران، 1-2 اسفند.
1
هاشمی س ا، موسوی س ف، طاهری س م، قرهچاهی ع (1389) ارزیابی کیفیت آب زیرزمینی 9 شهر استان اصفهان برای مصارف شرب با استفاده از سیستم استنتاج فازی. مجله تحقیقات منابع آب ایران، سال 6، شماره 3.
2
Afrous A, Hosseini S.M, Goudarzi Sh (2007) Assesment of the Ordinary Kriging and Neuro-Fuzzy appraoches in interpolation of the groundwater level. Journal of Groundwater:978-984.
3
Amini M, Afyuni M, Fathianpour N, Khademi H, Fluhler H (2005) Continuous soil pollution mapping using fuzzy logic and spatial interpolation. Geoderma 124 (3–4):223–233.
4
Marsily G.D, Ahmed Sh (1987) Application of Kriging techniques in groundwater hydrology. Journal of the Geology Society of India 29(1):57-79.
5
Mertens M, Huwe B (2002) Fun-Balance: a fuzzy balance approach for the calculation of nitrate leaching with incorporation of data imprecision. Geoderma 109:269–287.
6
Mousavi S.F, Amiri M.J (2012) Modelling nitrate concentration of groundwater using adaptive neural-based fuzzy inference system. Journal of Soil and Water Res 7(2):73-83.
7
Shrestha R.R, Bardossy A, Rode M (2007) A hybrid deterministic–fuzzy rule based model for catchment scale nitrate dynamics. Journal of Hydrology 342:143– 156.
8