ORIGINAL_ARTICLE
پیشگفتار
https://www.iwrr.ir/article_16037_625f660b719893618592a8fee4333f9e.pdf
2009-10-23
0
1
محمد
کارآموز
karamouz@ ut.ac.ir
1
AUTHOR
ORIGINAL_ARTICLE
بهینهسازی بهرهبرداری از سیستمهای چند مخزنی منابع آب با استفاده از الگوریتم ژنتیک
به علت مغایرت در رژیم آبدهی رودخانهها با نیازهای آبی، احداث سیستمهای ذخیرهای جهت تنظیم جریانات طبیعی رودخانهها و تأمین نیازهای آبی، یکی از بهترین شیوههای استفاده از منابع آب میباشد. همچنین به لحاظ وجود نیازهای آبی در مناطق متعدد مکانی، گاه سیستم ذخیرهای شامل یک مخزن و گاهی شامل چندین مخزن متوالی بر روی رودخانه و یا شبکهای از مخازن بر روی رودخانهها و سرشاخههای آن طرح میگردد. متغیر بودن رژیمهای بارندگی و جریان رودخانه در سالهای مختلف، اتخاذ یک راهکار مدیریتی مناسب جهت بهرهبرداری از مخزن سدها را ضروری مینمایاند. در این تحقیق یک مدل الگوریتم ژنتیک قطعی جهت بهرهبرداری بهینه از یک سیستم چند مخزنی منابع آب تک منظوره در شمال خراسان به جهت مصارف کشاورزی، تدوین گردیده است. هدف اصلی، حداکثر کردن سود خالص ناشی از کاشت تمامی گیاهان در یک الگوی کاشت انتخابی میباشد. سیستم از دو مخزن متوالی بر روی رودخانههای زنگلانلو و شورکال تشکیل شده است. مناطق زراعی در پاییندست این مخازن با الگوی کاشت مشخص از محصولات گندم (به ترتیب با 27 و 18 درصد تراکم برای مزرعه 1 و2) و جو (به ترتیب با 30 و 26 درصد تراکم برای مزرعه 1 و2) و سورگوم (به ترتیب با 43 و 56 درصد تراکم برای مزرعه 1 و2) قرار دارند. در این مدل، با توجه به مقادیر مشخصی از متغیرهای حالت (حجم آب مخازن در ابتدای فصل زراعی، میزان بارندگی و رژیم رودخانه در طول فصل زراعی)، مناسبترین الگوی بهرهبرداری از مخزن سدها، تخصیص بهینه آن بین گیاهان مختلف و در نهایت سود حاصل از زراعت بدست میآید. مزیت مدل برای 12 ترکیب از متغیرهای حالت (4 کلاس حجم ابتدایی مخازن و 3 رژیم خشک، تر و میانگین برای بارندگی و جریان رودخانه) اجرا شد. نتایج نشان دادند که این جوابها در رژیم خشک به دسته حجم ابتدایی مخازن وابستگی داشت و با مرطوب شدن رژیم بارندگی و جریان رودخانه، از حساسیت جوابها کاسته شد. همچنین عملکرد نسبی محصولات مزرعه 2 در رژیم خشک، کاهش بیشتری داشت که ممکن است بدلیل حجم کوچکتر مخزن سد شورکال باشد.
https://www.iwrr.ir/article_15754_d9381a4a7e42afdb96930b9618e6e3ec.pdf
2009-10-23
1
15
بهینهسازی
سیستمهای چند مخزنی
الگوریتم ژنتیک
تنش آبی
تخصیص بهینه آب
سید مجتبی
قدمی
1
دانشجوی سابق کارشناسی ارشد/ مهندسی عمران آب، دانشگاه فردوسی مشهد
LEAD_AUTHOR
بیژن
قهرمان
bijangh@ferdowsi.um.ac.ir
2
دانشیار /گروه مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
محمد باقر
شریفی
3
استادیار /گروه مهندسی عمران آب، دانشگاه فردوسی مشهد
AUTHOR
حبیب
رجبی مشهدی
4
دانشیار /گروه مهندسی برق، دانشگاه فردوسی مشهد
AUTHOR
اکبرپور، م. ج. و موسوی، س. ج. (1384)، "بهینهسازی بهرهبرداری از سیستمهای چندمخزنه با استفاده از ترکیب الگوریتمهای ژنتیک و برنامهریزی خطی"، مجموعه مقالات پنجمین کنفرانس هیدرولیک ایران، دانشکده مهندسی دانشگاه شهید باهنر کرمان، جلد اول، صفحه 326-319.
1
خوشفطرت، ع.، اصغری، ک. و صفوی، ح. (1383)، "مدلسازی بهرهبرداری بهینه از سیستم دو سدی متوالی"، چکیده مقالات اولین کنفرانس سالانه مدیریت منابع آب، انجمن علوم و مهندسی منابع آب ایران، دانشکده فنی دانشگاه تهران، برنامهریزی و مدیریت منابع آب، صفحه 6.
2
ستاری، م. ت.، اسلامیان، س. س. و ابریشمچی، ا. (1382)، "بهینهسازی مصرف آب در یک سیستم رودخانهای 9 مخزنه"، مجموعه مقالات ششمین کنفرانس بینالمللی مهندسی عمران، ، دانشگاه صنعتی اصفهان، هیدرولیک و منابع آب، صفحه 604-597.
3
فرنوش، ح. (1376)، "بهینهسازی بهرهبرداری از سیستمهای چندمخزنی"، پایاننامه کارشناسی ارشدعمران- آب، دانشکده مهندسی، دانشگاه فردوسی مشهد.
4
قدمی، س. م. (1384)، "بررسی انواع مدلهای برنامهریزی سیستمهای چند مخزنی منابع آب"، سمینار منتشر نشده کارشناسی ارشد عمران ـ آب، دانشکده مهندسی، دانشگاه فردوسی مشهد.
5
قدمی، س. م. (1385). "بهینهسازی بهرهبرداری از سیستمهای چند مخزنی منابع آب با استفاده از الگوریتم ژنتیک (مطالعه موردی سدهای ایلانجق و شورکال شمال خراسان)"، پایاننامه کارشناسی ارشد عمران ـ آب، دانشکده مهندسی، دانشگاه فردوسی مشهد.
6
قهرمان، ب. و سپاسخواه، ع. (1384). "مدیریت بهرهبرداری از مخازن سدها"، مجله تحقیقات منابع آب ایران، سال اول، شماره 2، صفحه 15-1.
7
کارآموز، م. و کراچیان، ر. (1382). " برنامهریزی و مدیریت کیفی سیستمهای منابع آب"، انتشارات دانشگاه صنعتی امیرکبیر،چاپ اول.
8
کارآموز، م. و کراچیان، ر. (1383)، " بهرهبرداری بهینه کمی وکیفی از مخازن سدها با استفاده از مدل الگوریتم ژنتیک غیرقطعی"، چکیده مقالات اولین کنفرانس سالانه مدیریت منابع آب، انجمن علوم و مهندسی منابع آب ایران، دانشکده فنی دانشگاه تهران، برنامهریزی و مدیریت منابع آب، صفحه 2.
9
محمدرضاپورطبری، محمود، (1382)، "الگوریتم بهینه بهرهبرداری از منابع سطحی و زیرزمینی جنوب تهران"، پایاننامه کارشناسی ارشد عمران ـ آب، دانشگاه صنعتی امیرکبیر، تهران.
10
مسافر، م. (1381)، "شگردهای عددی در پاسخیابی پرسشهای مهندسی با برنامهریزی متلب"، انتشارات متفکران، چاپ اول، تهران.
11
مهندسین مشاور آب پوی، (1384). "گزارش کشاورزی و اقتصاد کشاورزی طرح بهرهبرداری از منابع آب و خاک رودخانههای مرزی زنگلانلو و شورکال"، جلد نهم.
12
مهندسین مشاور آب پوی، (1384). "گزارش هواشناسی طرح بهرهبرداری از منابع آب و خاک رودخانههای مرزی زنگلانلو و شورکال"، جلد اول.
13
مهندسین مشاور آب پوی، (1384). "گزارش هیدرولوژی طرح بهرهبرداری از منابع آب و خاک رودخانههای مرزی زنگلانلو و شورکال"، جلد دوم.
14
Braga, B.P.F., Yeh, W.W-G, Becker, L. and Barros, M.T.L. (1991), “Stochastic optimization of multiple-reservoir-system operation”, Journal of Water Resources Planning and Management, ASCE, 117(4), pp. 471-481.
15
Chandramouli, V. and Raman H. (2001), “Moltireservoir modeling with dynamic programming and neural networks”, Journal of Water Resources Planning and Management, ASCE, 127(2), pp. 89-98.
16
Crawley, P.D. and Dandy, G.C. (1993), “Optimal operation of multiple-reservoir system”, Journal of Water Resources Planning and Management, ASCE, 119(1), pp. 1-17.
17
Dariane, A.B. and Hughes T.C. (1991), “Application of crop yield function in reservoir operation”, Water Resources Bulletin, 27(4), pp.649-656.
18
Doorenbos, J. and Kassm, A.H. (1979), “Yield response to water”, Irrigation and Drainage Paper ,33, Food and Agriculture Organization of the United Nations Rome, Italy.
19
Faye, R.M., Sawadogo, S., Lishou, C. and Mora-Camino, F. (2003), “Long-term fuzzy management of water resource systems”, Applied Mathematics and Compution, 137, pp. 459-475.
20
Ghahraman, B. and Sepaskha,h A.R. (1999), “Use of different irrigation water deficit scheme for economic operation of a reservoir”, Iranian Journal of Science and Technology, 23(B4), pp.83-90.
21
Ghahraman, B. and Sepaskhah, A.R. (2002), “Optimal allocation of water irrigation a single purpose reservoir to an irrigation project with pre-determined multiple cropping patterns”, Irrigation Science, 21, pp.27 -137.
22
Ghahraman, B. and Sepaskhah, A.R. (2004), “Linear and non-linear optimization models for allocation of a limited water supply”, Irrigation and Drainage, 53, pp.39 -54.
23
Karamouz, M., Houck, M.H. and Delleur, J.W. (1992), “Optimization and simulation of multiple reservoir system”, Journal of Water Resources Planning and Management, ASCE, 118(1), pp. 71-81.
24
Mohan, S. and Rapure, D.M. (1992), “Multiobjective analysis of multireservoir system”, Journal of Water Resources Planning and Management, ASCE, 118(4), pp. 356-370.
25
Mousavi, S.J., Zanoosi, A.G. and Afshar A. (2004), “Optimization and simulation of a multiple reservoir system operatuin”, Journal of Water Supply: Research and Technology-Aqua, 53, pp. 409-424.
26
Rao, N.H., Sarma, P.B.S. and Chander, S. (1988), “A simple dated water-production function for use in irrigated agriculture”, Agricultural Water Management, l13, pp.25-32.
27
Teegavarapu, R.S.V. and Simonovic, S.P. (2000), “Short-term operation model for coupled hydropower reservoirs”, Journal of Water Resources Planning and Management, ASCE, 126(2), pp. 98-106.
28
Vaux, H.J. and Pruitt, W.O. (1983), “Crop water production function”, In: D. Hillel (ed.), Advances in irrigation, No. 3, Academic Press, New York, pp.61-97.
29
Vedula, S. and Nagesh Kumar, D. (1996), “An integrated model for optimal reservoir operation for irrigation of multiple crops”, Water Resources Research, 32(4), pp.1101-1108.
30
Vedula, S., Mujumdar, P.P. and Sekhar, G. C. (2005), “Conjunctive use modeling for multicrop irrigation”, Agricultural Water Management, 73, pp. 193-221.
31
Wardlaw, R. and Sharif, M. (1999), “Evaluation of Genetic Algorithms for optimal reservoir system operation”, Journal of Water Resources Planning and Management, ASCE, 125(1), pp. 25-33.
32
ORIGINAL_ARTICLE
پیشبینی کمآبی ماهانه با استفاده از یک مدل استوکستیک و سیستم استنتاج فازی مبتنی بر شبکة تطبیقی
آگاهی از دبی جریان و پیشبینی آن به ویژه در مواقعی که رودخانه با کمآبی مواجه است امری ضروری در جهت مدیریت بهرهبرداری از رودخانه است. در این مقاله به منظور مدلسازی سریهای زمانی تشکیل شده از کمآبیهای ماهانه و پیشبینی مقدار و زمان وقوع کمآبیها، از یک مدل استوکستیک متداول (مدل میانگین متحرک تجمعی خودبازگشت-ARIMA) و یک مدل مبتنی بر هوش مصنوعی (سیستم استنتاج فازی مبتنی بر شبکة تطبیقی-ANFIS) استفاده شده و نتایج حاصل از دو روش با یکدیگر مقایسه شده است. مقدار عددی کمآبی در هر ماه برابر با حداقل مقدار میانگین متحرکهای یک، سه و هفتروزة دبی جریان در همان ماه در نظر گرفته شده و بدین ترتیب سه سری زمانی یک، سه و هفتروزه از کمآبیهای ماهانه به دست آمده است. بررسی عملکرد دو مدل یاد شده با استفاده از آمار ثبت شده از دبی جریان در خروجی حوضة آبریز معرف ناورود در استان گیلان نشان داد که مدل ARIMA عملکرد بهتری در پیشبینی کمآبیهای یک، سه و هفتروزه دارد. علاوه بر این، نتایج این تحقیق نشان داد که هر دو مدل ARIMA و ANFIS کمآبیهای سهروزه را با خطای کمتری نسبت به کمآبیهای یک و هفتروزه پیشبینی میکنند.
https://www.iwrr.ir/article_15755_c78b7bc0ecd4c5b7380961f4c6750fd7.pdf
2009-10-23
16
26
کمآبی ماهانه
مدلسازی سریهای زمانی
ARIMA
ANFIS
حوضة معرف ناورود
مجید
خلقی
kholghi@ut.ac.ir
1
دانشیار /گروه مهندسی آبیاری و آبادانی، دانشکدة مهندسی آب و خاک، دانشگاه تهران
LEAD_AUTHOR
افشین
اشرفزاده
2
استادیار /گروه مهندسی آب، دانشکدة کشاورزی، دانشگاه گیلان
AUTHOR
مرضیه
مالمیر
3
دانشجوی سابق کارشناسی ارشد /مهندسی منابع آب، دانشکدة مهندسی آب و خاک، دانشگاه تهران
AUTHOR
عراقینژاد، ش. و کارآموز، م. (1384)، "پیشبینی بلند مدت رواناب با استفاده از شبکههای عصبی مصنوعی و سیستم استنتاج فازی"، تحقیقات منابع آب ایران، شمارة 2.
1
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. (2000a). “Artificial neural networks in hydrology. I: Preliminary concepts”, J. Hydrologic Engineering, 5(2), pp. 115–123.
2
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. (2000b). “Artificial neural networks in hydrology. II: Hydrologic applications”, J. Hydrologic Engineering, 5(2), pp. 124–137.
3
Box, G. E. P. and Cox, D. (1964), “An analysis of transformation with discussion”, J. Royal Statistical Society. Series B. Statistical Methodology, 26, pp. 211-246.
4
Bras, R.L. and Rodriguez-Iturbe, I. (1993), Random functions and hydrology, Dover Publications, Mineola, New York, 559p.
5
Chang, L. C. and Chang, F. J. (2001), “Intelligent control for modeling of real-time reservoir operation”, Hydrological Processes, 15, pp. 1621- 1631.
6
Chau, K. W., Wu, C. L. and Li, Y. S. (2005), “Comparison of several flood forecasting models in Yangtze River”, J. Hydrologic Engineering, 10(6), pp. 485- 491.
7
Chiu, S. L. )1994(, “Fuzzy model identification based on cluster estimation”, J. Intelligent Fuzzy Systems, 2, pp. 267- 278.
8
Firat, M. (2007), “Artificial intelligence techniques for river flow forecasting in the Seyhan River catchment, Turkey”, Hydrology and Earth System Sciences Discussions, 4, pp. 1369-1406.
9
Gorr, W. L., Nagin, D. and Szczypula, J. (1994), “Comparative study of artificial neural network and statistical models for predicting student grade point averages”, Int. J. Forecasting, 10, pp. 17–34.
10
Hirsch, R. M. and Slack, J. R. (1984), “A nonparametric trend test for seasonal data with serial dependence”, Water Resources Research, 20, pp. 727-732.
11
Jain, A. and Indurthy, S. K. V. P. (2003), “Comparative analysis of event based rainfall-runoff modeling techniques-deterministic, statistical, and artificial neural networks”, J. Hydrologic Engineering, 8(2), pp. 93- 98.
12
Jang, J. S. R. (1993), “ANFIS: adaptive network based fuzzy inference system”, IEEE Transactions on Systems, Man and Cybernetics, 23, pp. 665-683.
13
Jang, J. S. R. and Sun, C. T. (1995), “Neuro-fuzzy modeling and control”, Proceedings IEEE, 83, pp. 378–406.
14
Lewis, P. A. W. and Ray, B. K. (2002) “Nonlinear modeling of periodic threshold autoregressions using TSMARS”, J. Time Series Analysis, 23(4), pp. 459–471.
15
Ljung, G. M. and Box, G. E. P. (1978), “On a measure of lack of fit in time series models”, Biometrica, 65, pp. 67-72.
16
Maier, H. R. and Dandy, G. C. (1996), “The use of artificial neural networks for the prediction of water quality parameters”, Water Resources Research, 32(4), pp. 1013–1022.
17
Mishra, A. K., Desai, V. R. and Singh, V. P. (2007), “Drought forecasting using a hybrid stochastic and neural network model”, J. Hydrologic Engineering, 12(6), pp. 626-638.
18
Nayak, P. C., Sudheer, K. P., Rangan, D. M. and Ramasastri, K. S. (2004), “A neuro-fuzzy computing technique for modeling hydrological time series”, J. Hydrology, 291, pp. 52-66.
19
Salas, J. D., Delleur, J. W., Yevjevich, V. and Lane, W. L. (1988), Applied modeling of hydrologic time series, Water Resources Publications, Littleton, Colorado, 498p.
20
Schwarz, G. (1978), “Estimating the dimension of a model”, Annuals of Statistics, 6, pp. 461-464.
21
Smakhtin, V. U. (2001), “Low flow hydrology: A review”, J. Hydrology, 240, pp. 147-186.
22
Vogel, R. M. (1986), “The probability plot correlation coefficient test for normal, lognormal, and Gumbel distributional hypotheses”, Water Resources Research, 22, pp. 587-590.
23
Yurekli, K. and Kurunc, A. (2005), “Performances of stochastic approaches in generating low streamflow data for drought analysis”, J. Spatial Hydrology, 5(1), pp. 20-31.
24
ORIGINAL_ARTICLE
تأثیر عدم قطعیت تغییر اقلیم بر رژیم سیلاب مطالعه موردی حوضه آیدوغموش، آذربایجان شرقی
تحقیق حاضر تأثیر پدیده تغییر اقلیم بر رژیم سیلاب حوضه آیدوغموش در دوره 2069-2040 میلادی را با در نظر گرفتن عدم قطعیت مربوط به مدلهای AOGCM مورد بررسی قرار میدهد. ابتدا مقادیر دما و بارندگی ماهانه هفت مدل AOGCM (مدلهای گزارش TAR) تحت سناریوی A2 در دوره آتی و دوره پایه 2000-1971 برای حوضه تهیه گردید. سپس این مقادیر با روش کوچک مقیاس کردن مکانی و زمانی کوچک مقیاس شدند. نتایج نشان از افزایش 1 تا 6 درجهای دما و تغییرات 80- تا 100 درصدی بارندگی دوره s2050 نسبت به دوره مشاهداتی دارد. سپس توزیعهای احتمالاتی (pdf) ماهانه دما و بارش منطقه برای دوره s2050 بهوسیله وزندهی مدلهای AOGCM با استفاده از روش Mean Observed Temperature Precipitation تولید گردید. در ادامه با واسنجی مدل IHACRES رابطه بارش- رواناب روزانه حوضه شبیهسازی گردید. سپس با استفاده از روش مونت کارلو تعداد 2000 نمونه از pdfهای ماهانه دما و بارندگی کوچک مقیاس شده حوضه تولید گردید. این مقادیر به مدل IHACRES معرفی شده و 2000 سری رواناب روزانه برای حوضه در دوره s2050 شبیهسازی گردید. سپس سیلاب حداکثر سالانه هر نمونه محاسبه شده و توزیع احتمالاتی مناسب به آن برازش داده شد. مقایسه شدت سیلابهای نمونهها در دوره بازگشتهای مختلف در دوره آتی با وضعیت کنونی آن، نشان داد که برای دوره بازگشتهای کمتر از 50 سال احتمال کاهش شدت سیلاب در دورههای آتی بیش از افزایش آن میباشد. این وضعیت برای دوره بازگشتهای بیش از 50 سال متفاوت بوده و با افزایش دوره بازگشت، کاهش و افزایش سیلاب تقریباً شانس مساوی برای رخ دادن پیدا میکنند. از طرف دیگر احتمال وقوع سیلاب در دورههای آتی نسبت به دوره پایه برای دبیهای کمتر از 20 متر مکعب بر ثانیه کاهش و برای دبیهای بیشتر از 60 متر مکعب بر ثانیه افزایش خواهد یافت.
https://www.iwrr.ir/article_15756_b8bc6674c763bcb642bf1a3d3185bc70.pdf
2009-10-23
27
39
تغییر اقلیم- عدم قطعیت- مونت کارلو- سیلاب- حوضه آیدوغموش
پریسا
سادات آشفته
parisa_ashofteh@yahoo.com
1
دانشجوی کارشناسی ارشد/گروه آبیاری و زهکشی پردیس ابوریحان، دانشگاه تهران
LEAD_AUTHOR
علیرضا
مساح بوانی
armassah@yahoo.com
2
استادیار پردیس ابوریحان، دانشگاه تهران
AUTHOR
قربانی واقعی، ح.، مساح بوانی، ع. ر. و بهرامی، ح. (1387)، " ارزیابی عملکرد مدلهای AOGCM در شبیهسازی دادههای اقلیمی بندرانزلی". سومین کنفرانس منابع آب ایران. تبریز.
1
مساح بوانی، ع.، مرید، س. و محمدزاده، م. (1385 الف)، "وضعیت آینده اقلیم حوضه زایندهرود تحت تأثیر تغییر اقلیم: مقایسهای بین سناریوهای مدلهای مختلف AOGCM". دومین کنفرانس منابع آب ایران.
2
مساح بوانی، ع.، مرید، س. و محمدزاده، م. (1385 ب)، "بررسی تأثیر عدم قطعیت در توزیع تجمعی احتمالاتی رواناب تحت تأثیر تغییر اقلیم"، دومین کنفرانس منابع آب ایران.
3
راماچاندرا، ر. (1939)، مترجم اسلامیان س و سلطانی کوپایی س. (1381). تحلیل فراوانی سیل، اصفهان: نشر ارکان.
4
Alison, L.K., Richard, G.J. and Nicholas, S.R. (2004), “RCM rainfall for UK flood frequency estimation“. II. Climate change results. Journal of Hydrology, 318: pp. 163-172
5
Ekstrom, M., Fowler, H.J., Kilsby, G.G. and Jones, P.D. (2003), “New estimates of future changes in extreme rainfall across the UK using regional climate model integrations.2. Future estimates and use in impact studies“. Journal of Hydrology, 300: pp. 234-251
6
Gellen, D. and Roulin, E. (1998), “Stream flow response of Belgian to IPCC climate change scenarios“. Journal of Hydrology, 210: pp. 242-258.
7
IPCC (2007), Summary for Policymarkers, in: Climate Change 2007. Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M.Tignor and H.L. Miller (eds.) (2007) Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change, Cambridge University Press, Cambridge, pp. 1-18.
8
IPCC-DDC (1988) http://ipcc-ddc.cru.uea.ac.uk/
9
IPCC-TGCIA, (1999), Guidelines on the use of scenario data for climate impact and adaptation assessment. eds. Carter, T.R., Hulme, M. and Lal, M., Version 1, 69pp. Intergovernmental Panel on Climate Change, Task Group on Scenarios for Climate Impact Assessment.
10
Jakeman, A. J. and Hornberger, G. M. (1993), “How Much Complexity Is Warranted in a Rainfall-Runoff Model? “
11
Water Resources Research., 29(8): pp. 2637-2649.
12
Jones, P.D. and Hulme, M. (1996), “Calculating regional climatic times series for temperature and precipitation: methods and illustrations“. International journal of climatology, 16: pp. 361-377
13
Katz, R.w. (2002), “Techniques for estimating uncertainty in climate change scenarios and impact studies“. Climate Research, 20(2).
14
Mirza, M. (2001), Global warming and changes in the probability of occurrence of floods in Bangladesh and implications. Global Environmental Change, 12: pp. 137-138
15
New, M. and Hulme, M. (2000), “Representing uncertainty in climate change scenario: a Monte-Carlo approach. “ Integrated Assessment, 1: pp. 203-213
16
Prudhomme, Ch., Jakob, D. and Svensson, C. (2001), “Uncertainty and climate change impact on the flood regime of small UK catchments“. Journal of Hydrology, 277: pp. 1-23
17
Steele- Dunne, S., Lynch, P., McGrath, R., Semmler, T., Wang, Sh., Hanafin, J. and Nolan, P. (2008), “The impacts of climate change on hydrology in Ireland“.Journal of Hydrology, 356: pp. 28-45.
18
Wilby, R.L. and Harris, I. (2006), “A frame work for assessing uncertainties in climate change impacts: low flow scenarios for the River Thames“, UK. Water Resources Research (in press).
19
ORIGINAL_ARTICLE
مقایسه نتایج به دست آمده از کاربرد سیستم استنباط فازی ممدانی و شبکههای عصبی مصنوعی در پیشبینی بارش فصلی، مطالعه موردی: منطقه خراسان
در این مقاله با استفاده از سیستم استنباط فازی و شبکههای عصبی مصنوعی پیشبینی بارش در بازه زمانی دسامبر تا می در منطقه خراسان بزرگ شامل سه استان خراسان رضوی، خراسان شمالی و خراسان جنوبی ارائه شده است. این روش شامل سه گام میباشد. در گام اول، ارتباط بین تغییرات الگوهای سینوپتیکی شامل فشار سطح دریا، اختلاف فشارسطح دریا، دمای سطح دریا، اختلاف دمای سطح دریا و سطح 1000 میلی باری، دمای سطح 850 هکتوپاسکال، ارتفاع معادل سطح 500 هکتوپاسکال و رطوبت نسبی سطح 300 هکتوپاسکال با بارش متوسط منطقهای مورد بررسی قرار گرفته است. در انتخاب این مناطق که مجموعهای از نقاط در خلیج فارس و دریای عمان، دریای سیاه، دریای خزر، دریای مدیترانه، دریای شمال، دریای آدریاتیک، دریای سرخ، خلیج عدن، اقیانوس اطلس، اقیانوس هند و سیبری را شامل میشوند، تأثیرپذیری بارندگی منطقه شمال شرق ایران از الگوهای سینوپتیکی مورد توجه قرار گرفته است. در گام دوم، مدل در دوره 1993-1970 آموزش داده شده است و در گام سوم، پیشبینی بارش در دوره 2002-1993 انجام شده است. نتایج نشان میدهد سیستم استنباط فازی و شبکههای عصبی مصنوعی میتواند بارش را با دقت قابل قبولی پیشبینی کنند. همچنین نتایج نشان میدهد که ریشه میانگین مربعات خطا برای سیستم استنباط فازی و شبکههای عصبی مصنوعی به ترتیب 52 و 41 میلیمتر میباشد. بنابراین شبکههای عصبی مصنوعی در پیشبینی بارش موفقتر از مدل فازی بوده است.
https://www.iwrr.ir/article_15757_5251f99b977785acfb865b78d8f43b8f.pdf
2009-10-23
40
52
پیشبینی بارندگی
الگوهای سینوپتیکی
سیستم استنباط فازی ممدانی
شبکههای عصبی مصنوعی
غلامعباس
فلاح قالهری
ab_fa789@yahoo.com
1
دانشجوی دکتری /اقلیم شناسی دانشگاه اصفهان و عضو گروه اقلیم شناسی کاربردی پژوهشکده اقلیم شناسی
LEAD_AUTHOR
سید محمد
موسوی بایگی
mousavi500@yahoo.com
2
عضو هیات علمی /دانشکده کشاورزی دانشگاه فردوسی مشهد
AUTHOR
مجید
حبیبی نوخندان
habiby_2001@yahoo.com
3
عضو هیات علمی /پژوهشکده اقلیم شناسی و رییس پژوهشکده اقلیم شناسی و مرکز ملی اقلیم
AUTHOR
احمدی، ا. (1382)، "طبقهبندی تغییرات بارش بوشهر و استفاده از شبکههای عصبی مصنوعی مبتنی بر مدل خودسازمانده کوهونن"، پایان نامه کارشناسی ارشد، دانشگاه تربیت معلم تهران.
1
حسامی رستمی، ر.، افشار، ع. و موسوی، ج. (1384)، "مدل پیشبینی سیلاب با استفاده از سیستم استنباط فازی ـ عصبی تطبیقی و مقایسه آن با روش رگرسیون همراه با حل مثال موردی رودخانه کرخه"، مجموعه مقالات اولین کنفرانس سالانه مدیریت منابع آب ایران، تهران.
2
خلیلی، ن. (1385)، "پیشبینی بارش با استفاده از شبکههای عصبی"، پایان نامه کارشناسی ارشد مهندسی آب، دانشگاه فردوسی مشهد، دانشکده کشاورزی.
3
علیجانی، ب. (1381)، اقلیم شناسی سینوپتیک، انتشارات سمت، چاپ اول، 257 ص.
4
فاتحی مرج، ح. (1379)، "بررسی آشوب در سیستمهای دینامیکی"، پایان نامه کارشناسی ارشد برق، دانشگاه فردوسی مشهد.
5
فلاح قالهری، غ.، موسوی بایگی، م. و حبیبی نوخندان، م. (1386)، "پیشبینی بارش فصلی بر اساس الگوهای سینوپتیکی فشار و اختلاف فشار سطح دریا با استفاده از مدلهای آماری"، مجله علمی پژوهشی علوم و صنایع کشاورزی، دانشگاه فردوسی مشهد، جلد 21، شماره دوم. صص: 104-95.
6
کارآموز، م. (1384)، "پیشبینی درازمدت بارش با استفاده از سیگنالهای هواشناسی"، پروژه شماره 342 سازمان هواشناسی کشور.
7
محمدزاده، د. (1380)، "کاربرد شبکههای عصبی فازی برگشتی در پیشبینی پارامترهای کلیدی هواشناسی"، پایان نامه کارشناسی ارشد عمران ـ آب، دانشگاه خواجه نصیر الدین طوسی.
8
موسوی بایگی، م.، فلاح قالهری، غ. و حبیبی نوخندان، م. (1387)، "بررسی ارتباط نشانههای پهن مقیاس اقلیمی با بارش خراسان"، مجله علمی-پژوهشی علوم کشاورزی و منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، جلد پانزدهم، شماره دوم. صص: 224-217.
9
مهدیزاده، م. (1383)، شبکههای عصبی مصنوعی و کاربرد آن در مهندسی عمران، انتشارات عبادی
10
میثاقی، ف. (1382)، توسعه الگوریتم ترکیبی زمین آمار و شبکههای عصبی مصنوعی به منظور استخراج توزیع مکانی بارندگی، پایان نامه کارشناسی ارشد کشاورزی، دانشگاه تربیت مدرس.
11
ناصری، م. (1382)، پیشبینی بارندگی در دامنه زمان و مکان با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک، پایان نامه کارشناسی ارشد عمران-آب، دانشگاه صنعتی اصفهان.
12
Abraham, A. (2001), "Will We Have a Wet Summer? Soft Computing Models For Long-Term Rainfall Forecasting”, Modelling and Simulation, Publication of the Society for Computer Simulation International, Prague, Czech Republic, pp. 1044-1048.
13
Cavazos, T. (2000), "Using Self-Organizing Maps to Investigate Extreme Climate Event": An Application to wintertime Precipitation in the Balkans, Journal of Climate, 13, pp. 1718-1732
14
Choi, L. (1999), An application hydroinformatic tools for rainfall forecasting, Thesis (PhD). University of New South Wales (Australia), Source DAI-B 60/02, 752p.
15
Halid, H. and Ridd, P. (2002), "Modeling Inter-Annual Variation of a Local Rainfall Data Using a Fuzzy Logic Technique", Proceeding of International Forum on Climate Prediction, JamesCook University, Australia, First Proof Pages, pp. 166-170.
16
Jacquin, A. and Shamseldin, A. (2006), "Development of Rainfall-Runoff Models Using Takagi-Sugeno Fuzzy Inference System". Journal of Hydrology, 329(1-2) , pp.154-173.
17
Maria, C., Haroldo, F. and Ferreira, N. (2005), "Artificial neural network technique for rainfall Forecasting applied to the Sao Paulo region", Journal of Hydrology, 301(1-4), pp.146-162.
18
Pongracz, R. and Bartholy, J. (2006), "Regional Effects of ENSO in Central/Eastern Europe", journal of advances in Geosciences, 6, pp.133-137.
19
ORIGINAL_ARTICLE
پیشبینی بارندگی و رواناب با الگوهای استوکستیک در سیستم آبهای سطحی (مطالعه موردی : حوضه آبریز سد کارده)
از آنجایی که دادههای هیدروکلیماتولوژی دارای تغییرات فصلی متاثر از فرایندهای تصادفی میباشند مدلهای استوکستیک مناسبترین روش جهت پیشبینی متغیرهای تصادفی با روند فصلی است. در این مقاله برای پیشبینی بارندگی و رواناب یک یا چند گام جلوتر از مدلهای فضای حالت مرتبه دوم استفاده شده است. بعلاوه متغیرهای ورودی و خروجی به صورت جداگانه مدلسازی شده و مدلهای فصلی خانواده باکس و جنکینز در توصیف هر دو متغیر بکار رفته و برای حوضه آبریز کارده به مساحت 242 گیلومتر مربع واقع در شمال شرقی مشهد به اجرا در آمده است. مقادیر پیشبینی ماهانه بارندگی و رواناب شش ماه باقیمانده سال 2005 و شش ماه اول سال 2006 بر اساس مدلها انجام و ارائه شده است. بدیهی است از این روش در حوضههای مشابه نیز میتوان استفاده نمود.
https://www.iwrr.ir/article_15758_ef4c337e18e44b3fc1f7b1c6579c8d9e.pdf
2009-10-23
53
61
مدل فضای حالت
مدلهای فصلی باکس و جنکینز
مدلهای استوکستیک
پیشبینی بارندگی و رواناب
سید رضا
هاشمی
srhashemi @birjand.ac.ir
1
استادیار /گروه مهندسی آب، دانشگاه بیرجند، بیرجند.
LEAD_AUTHOR
سید مهدی
امیر جهانشاهی
mjahan @usb.ac.ir.
2
مربی /گروه آمار و کامپیوتر، دانشگاه سیستان و بلوچستان، زاهدان
AUTHOR
بزرگنیا، ا. (1366)، تجزیه و تحلیل سریهای زمانی (ترجمه)، انتشارات آستان قدس رضوی.
1
نیرومند، ح. و بزرگ نیا، ا. (1372)، مقدمهای بر تحلیلسریهای زمانی (ترجمه)، انتشارات دانشگاه فردوسی مشهد.
2
Brockwell Peter, j. and Richard, A. D. (1998), "Introduction to time series and forecasting", Springer Pub, pp.251-303.
3
Box, G.E.P. and Jenkins, G.M. (1976), "time series Analysis: Forecasting and Control", Revised Edition, Holden- Day, San Francisco.
4
Kumar, A. (1978), "Comments on Forecasting Model", Water Resources Research.
5
Kashyap, R.L. and Rao, A.R. (1975), "Dynamic Stochastic Models Through Empirical Data", Academic press, New York.
6
Katsuhiko, O, (1976), "Modern control analysis", Tata Mac Graw Hill.
7
Kartvellishvili, N.A. (1985), "Theory of Stochastic Numerical Methods for Digital Computation", Gidrometeorologicheskae izdatel stvo Leningrade.
8
Kushner, H.J. (1979), "Analysis of non linear Stochastic Systems with Wide Band Inputs", IEEE Transaction on Automatic control, pp.1072-1077.
9
Muzik (1974), "State Space Model", Journal of Hydrology, Vol 22, NR-314, pp.347-364.
10
Sinha,N.K. Kumar.A, (1973), "Modeling and identification of Stochastic System", Indian Institute of Technology, New Delhi.
11
Sinha, U. N. (1976), "Flood forecasting in India", a mathematical modeling for simulation and solution of water resources problem, proc. Symposium Bihar college of engineering, patna. pp.15-17.
12
Shibata, R. (1976), "Selection of the oder of an autoregressive Model" AIC. Biometrika Vol, 63, pp.117-126.
13
Singh, V.P. and Woolhiser, D.A. (2002), "mathematical modeling of watershed hydrology", journal of hydrologic engineering 7, . pp. 270-292.
14
Todini, E. (1978), "using a desk- top computer for an on line flood warning system IBM", journal of Research and Development, 22. . pp.464-471.
15
Wei, W. (1990), "Time series analysis, univariate and multivariate methods", Addison-Wesely, Masachusetts.
16
Zollosi, S. and Nagy, S. (1976), "An adaptive identification and prediction algorithm for real time forecasting of hydrological time series", Hydrological Science Bulletin, 21, . pp.163-176.
17
ORIGINAL_ARTICLE
شبیه سازی جریان آب در محیط متخلخل با سطح آزاد با بهرهگیری از مدل شبکه ترکیبی 1- آنالیز شبکه ترکیبی
شبیهسازی جریان در محیط متخلخل، کاربردهای متعدد و متنوعی در طراحی سدهای پاره سنگی، فیلترهای شنی، بهرهبرداری موثر از منابع آب زیرزمینی و مخازن نفت دارد. ظرف صد سال گذشته، تلاشهای متعددی به منظور شبیه سازی جریان در محیط متخلخل با بهرهگیری از قوانین دارسی و غیر دارسی صورت پذیرفته است. به لحاظ ماهیت جریان که بخشی از دامنه فیزیکی تحت فشار و نواحی مجاور سطح آزاد در معرض فشار جو میباشد، در این تحقیق مدل ترکیبی تحت فشار-سطح آزاد متشکل از شبکهای از مجاری به هم پیوسته به منظور شبیهسازی جریان توصیه گردیده است. در مدل مزبور به دلیل اینکه لولهها در اطراف شبکه باز و در ارتباط با اتمسفر میباشند، امکان ایجاد فشار منفی در کل شبکه وجود ندارد و به محض اینکه در نقطهای از جریان، فشار منفی گردد، هوا وارد سیستم میشود. با توجه به این ویژگی، آنالیز چنین شبکهای با استفاده از روشهای معمول مقدور نبوده و لذا هدف این مقاله، تدوین و ارائه روشی جهت آنالیز این نوع شبکههای ترکیبی میباشد. در ادامه به منظور ارزیابی و بررسی صحت و سقم فرضهای بکار رفته در روش پیشنهادی و مدل کامپیوتری مربوطه، مبادرت به ساخت مدل آزمایشگاهی شبکه نظیر در آزمایشگاه هیدرولیک دانشکده مهندسی دانشگاه شیراز گردیده است. مقادیر گذر حجمی و پروفیل سطح آب در شرایط ماندگار برای مقادبر مختلف عمق بالادست پایش گردیده و از بانک اطلاعاتی بدست آمده برای واسنجی و ارزیابی اعتبار مدل تبیینی استفاده موثر بعمل آمده است. نتایج حاصل از شبیهسازی دلالت بر انطباق نسبتاً مناسب مقادیر مشاهدهای و محاسبه شده و نهایتاً صحت روش پیشنهادی دارد.
https://www.iwrr.ir/article_15760_3c3b25385a6d2f678c8cc0bb73f54b55.pdf
2009-10-23
62
70
جریان غیردارسی
جریان درون سنگریزه
مدل شبکهای
محیط متخلخل
سید حسین
افضلی
afzali@shirazu.ac.ir
1
عضو هیئت علمی/ بخش معماری، دانشکده هنر و معماری دانشگاه شیراز
LEAD_AUTHOR
محمد جواد
عابدینی
abedini@shirazu.ac.ir
2
عضو هیئت علمی/ بخش راه وساختمان، دانشکده مهندسی دانشگاه شیراز
AUTHOR
پرویز
منجمی
monadjemi@shirazu.ac.ir
3
عضو هیئت علمی/ بخش راه وساختمان، دانشکده مهندسی دانشگاه شیراز
AUTHOR
افضلی، س. ح.، عابدینی، م. ج. و منجمی، پ. (1387)، "تعیین ویژگیهای فیزیکی شبکه معادل در تحلیل جریان درون محیطهای متخلخل با استفاده از مدلهای شبکهای، مجله علمی و پژوهشی آب و فاضلاب، شماره 68، صفحه 48-56.
1
Acharya, R. C., Zee, S. E. A. T. M. and Leijnse, A. (2004), "Porosity-permeability properties generated with a new 2-parameter 3D hydraulic pore-network model for consolidated and unconsolidated porous media", Adv. Water Recour. 27: pp. 707-723.
2
Al-Raoush, R., Thompson, K. and Wilson C. S. (2003), "Comparison of network generation techniques for unconsolidated porous media", Soil Sci. Soc. Am. J. 67: pp. 1678-1700.
3
Beven, K. J. (1993), "Prophecy, reality and uncertainty in distributed hydrological modeling", Adv. Water
4
Resour. 16: pp. 41-51.
5
Beven, K .J. (2000), "Uniqueness of place and process representations in hydrological modeling", Hydrol. Earth Syst. Sci. 4(2): pp. 203-213.
6
Bhave, P.R. (1991), Analysis of Flow in Water Distribution Networks. Technomic Publishing. Lancaster, PA.
7
Constantinidis, G. N. and Payatakes, A. C. (1996), "Network simulation of steady-state two-phase flow in consolidated porous media", AICHE J. 42: pp. 369-379.
8
Dunlop, E.J. (1991), WADI Users Manual. Local Government Computer Services Board, Dublin, Ireland.
9
Fischer, U. and Celia, M. A. (1999), "Prediction of relative and absolute permeabilities for gas and water from soil water retention curves using a pore-scale network model", Water Resour. Res. 35(4): pp. 1089- 1100.
10
Held, R. J. and Celia, M. A. (2001a), " Modeling support of functional relationships between capillary pressure, saturation, interfacial area and common lines", Adv. Water Resour. 24: pp. 325-343.
11
Held, R. J. and Celia, M. A. (2001b), "Pore-scale modeling extension of constitutive relationships in the range of residual saturations", Water Resour. Res. 37(1): pp. 165-170.
12
Herrera, N. M. and Felton, G. K. (1991), "Hydraulics of flow through a rockfill dam using sediment-free water", Trans. ASAE. 34(3): pp. 871– 875.
13
Hosseini, S. M. (1997), Development of an unsteady nonlinear model for flow through coarse porous media, School of Eng., PhD. Thesis, The University of Guelph, Guelph, Canada. 562 p.
14
Jeannine, P. (2001), "Modeling flow in phreatic and epiphreatic karst conduits in the Holloch cave" (Muotatal, Switzerland), Water Resour. Res. 37(2): pp. 191-200.
15
Li, B., Garga, V. K. and Davies, M. H. (1998), "Relationship for non-Darcy flow in rockfill", J. Hydraul. Eng. ASCE. 124(2): pp. 206-212.
16
Mohanty, K. K. and Salter, S. J. (1982), "Multiphase flow in porous media": II. Pore-level modeling, SPE 11-18. Proceedings of the Annual Fall Technical Conference of the SPE-AIME, September 26-29, New Orleans.
17
Monadjemi, P. (2001), "Multipurpose fluid analog computer". United State Patent Office, No. 6223140.
18
Stephenson, D. (1979), Rockfill in hydraulic engineering, Elsevier Scientific, New York. 230p.
19
Thauvin, F. and Mohanty, K. K. (1998), "Network modeling of non-Darcy flow through porous media", Transport porous med. 31: pp. 19-37.
20
Wang, X., Thauvin, F. and Mohanty, K. K. (1999), "Non-Darcy flow through porous media", Chem. Eng. Sci. 54: pp. 1859-1869.
21
Ward, J. C. (1964), "Turbulent flow in porous media", J. Hydraul. Eng, ASCE. 92(4): pp. 1–12.
22
ORIGINAL_ARTICLE
تحلیل اثرات خشکسالیهای اخیر و کمبود آب دریاچة هامون بر کارکردهای اقتصادی سیستان
اصولاً در مناطق خشک به خصوص در نواحیای که میزان ریزشهای جوی آن ناچیز و معمولاً زیر 100 میلیمتر میباشد، وجود منابع آب زیر زمینی و یا آبهای سطحی که خارج از این نواحی به آن وارد میشود، نقشی اساسی بر کارکردهای اقتصادی- اجتماعی این سرزمینها داشته و دارد. دریاچة هامون در سیستان و کارکردهای حاصل از وجود آن در این ناحیه با توجه به عدم وجود منابع آب زیر زمینی ، تقریباً به نوعی کل منطقه را متأثر نموده و در مواقع پرآبی و کمآبی اثرات زیادی بر بافت و ساخت اقتصادی- اجتماعی و اکولوژیک سیستان بر جای گذاشته و میگذارد. به طوریکه طی 10 سال اخیر بر اثر خشکسالی در منطقه و خشکیدن دریاچه هامون و از بین رفتن نیزارهای آن، این دریاچه که روزگاری بیش از 42 تختک (جزیرههای کوچک در دریاچه) را مستقیماً در دل خود جای داده و بیش از 90 هزار رأس گاو را بطور کامل تعلیف می نموده و 80 روستای حاشیۀ دریاچه نیز با بیش از 24 هزار رأس گاو، حدود 50 درصد از علوفۀ دامیشان را به این دریاچه وابسته بودهاند، همچنین بیش از 1350 خانوار صیاد ، شکارچی و حصیر باف با شکار بیش از 470 هزار قطعه پرنده، 15 هزار تن ماهی و بافت بیش از 30 میلیون متر مربع حصیر حاصل از نی این دریاچه مستقیماً به آن وابسته بودهاند؛ اینک پس از خشکیدن دریاچۀ هامون عملاً کلیه کارکردهای فوقالذکر از چرخۀ اقتصادی منطقه خارج گردیده، در عین حال ما به ازاء ریالی کارکردهای فوق نیز میبایست جهت جایگزینی آن به خارج از منطقه پرداخت گردد . حال با توجه به تهنشین شدن میلیاردها متر مکعب رسوب در بستر آن، لازم است که نسبت به لایروبی حداقل بخشهایی از بستر دریاچه اقدام گردد تا بدینوسیله هم امکان احیاء مجدد کارکردهای اقتصادی دریاچه فراهم شده و هم امکان آبگیری مناسب دریاچه بخصوص در سالهای پر آبی از یک سو و تعدیل خطر سیل و سیل خیزی در سیستان، از سوی دیگر مهیا گردد.
https://www.iwrr.ir/article_15761_504d9a8c35ae7562436df55bc4456d36.pdf
2009-10-23
71
76
مناطق خشک
دریاچه هامون
خشکسالی
کارکردهای اقتصادی
سیستان
عیسی
ابراهیم زاده
ibrahimzadeh @ yahoo.com
1
دانشیار /جغرافیا دانشگاه سیستان و بلوچستان
LEAD_AUTHOR
ابراهیمزاده، ع. (1379)، "تحلیلی منطقهای از روابط شهری و روستایی در سیستان"، رساله دکتری جغرافیا و برنامه ریزی شهری - منطقهای، دانشگاه اصفهان.
1
ابراهیمزاده، ع. (1375)، "دریاچۀ هامون و نقش حیاتی آن در مسائل اقتصادی، اجتماعی و اکولوژیک سیستان"، مجموعه مقالات اولین کنفرانس اقتصاد کشاورزی ایران، جلد دوم، دانشگاه سیستان و بلوچستان، زاهدان.
2
سیستانی، م. ح. (1344)، "احیاء الملوک"، به اهتمام منوچهر ستوده، بنگاه ترجمه و نشر کتاب، تهران.
3
لشکریپور، غ. و غفوری، م. (1377)، "فرسایش و پیشروی رودخانه شیله و نابودی دریاچه هامون"، مجله محقیقات جغرافیایی، شماره 50-49، مشهد، صص 255-243.
4
ماکوئی، ج. (1367)، "تعیین سطح نیزارهای دریاچۀ هامون و تغییرات سطح آن با استفاده از اطلاعات ماهوارهای"، سازمان برنامه و بودجه، نشریۀ شماره 56 .
5
منصوری، ج. (1366)، "تالاب هامون، بررسیهای اکولوژیک"، تختکنشینان دریاچۀ هامون، سازمان برنامه و بودجه سیستان و بلوچستان، نشریه شماره 33.
6
نوری، غ. (1377)، "بررسی و تعیین پراکنش زیستی پرندگان، مهاجر و آبزی تالاب هامون"، طرح پژوهشی، حوزه معاونت پژوهشی دانشگاه سیستان و بلوچستان.
7
ORIGINAL_ARTICLE
مدل هوشمند مبتنی بر ژئومورفولوژی و مقایسه با مدل GIUH برای برآورد رواناب مستقیم
درمدل هیدروگراف واحد لحظه ای ژئومورفولوژی از شبکه زهکشی حوضه آبریز و قوانین هورتون استفاده میگردد. این مدل یک رهیافت ساده مدلسازی رواناب-بارندگی برای حوضههای فاقد آمار میباشد. کارشناسان هیدرولوژی همواره سعی کرده اند رابطهای بین پاسخ هیدرولوژیکی حوضه و مشخصات توپوگرافی حوضه ها بر قرار نمایند. در این تحقیق از سه مدل بارندگی- رواناب شامل مدل جعبه سیاه مبتنی بر مشخصات ژئومورفولوژی (GANN) و مدل مفهومی دو پارامتری ناش و مدل هیدروگراف واحد لحظهای ژئومورفولوژیکی (GIUH) که برای حوضههای فاقد آمار پشنهاد گردیده است برای یک حوضه متوسط استفاده شد. از این مدلها برای مطالعه ده واقعه بارش-رواناب در حوضه معرف کسیلیان واقع در ناحیه شمالی ایران استفاده شد. نتایج حاصل از مدل ژئومورفولوژی با دادههای مشاهدهای و دو مدل دیگر مقایسه گردیده است. نتایج این تحقیق نشان می دهد که مدل شبکه عصبی مصنوعی بر پایه ژئومورفولوژی (GANN) از مدل کاملاً تجربی شبکه عصبی مصنوعی میباشند، برتر است. علاوه بر این میتوان چنین نتیجهگیری کرد که لحاظ مشخصات ژئومورفولوژی در مدل ANN بر توانایی این مدل برای شبیهسازی رابطه بارندگی- رواناب میافزاید.
https://www.iwrr.ir/article_15762_2acaa844c01dfc0c4ad4ed982f392406.pdf
2009-10-23
1
9
GIUH
شبکه عصبی مصنوعی
حوضه معرف کسیلیان
مدلسازی
بارندگی- رواناب
محمد رضا
نجفی
mrnajafi@ut.ac.ir
1
استادیار/ گروه مهندسی آبیاری وزهکشی، پردیس ابوریحان دانشگاه تهران، پاکدشت
LEAD_AUTHOR
م. رضا بهبهانی
بهبهانی
2
دانشیار/گروه مهندسی آبیاری وزهکشی، پردیس ابوریحان دانشگاه تهران، پاکدشت
AUTHOR
ج
عبدالهی
3
مربی/ گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب وخاک، پردیس کشاورزی ومنابع طبیعی ، دانشگاه تهران، کرج
AUTHOR
موسی
حسینی
4
دانشجوی دکتری /مهندسی منابع آب، گروه مهندسی آبیاری و آبادانی، دانشکده مهندسی آب وخاک، پردیس کشاورزی ومنابع طبیعی ، دانشگاه تهران، کرج
AUTHOR
Anmala, J., Zhang, B. and Govindaraju, R. (2000), "Comparison of ANNs and empirical approach for predicting watershed runoff. ASCE" Journal of Water Resources Planning and Management, Vol. 126(3): pp. 156-166.
1
Chow, V.T., Maidment, D.R., and Mays, L.W. (1988), Applied Hydrology, McGraw-Hill Book Company, p. 572.
2
Fernando, D.A.K. and Jayawardena, A.W. (1998), "Runoff forecasting using RBF networks with OLS algorithm". ASCE, Journal of Hydrologic Engineering, Vol. 3(3): pp. 203-209.
3
Ghahraman, B. (1995), "Geomorphoclimatic Instantaneous Unit Hydrograph", Ferdowsi University of Mashhad, Journal of Engineering, Vol. 7: 38-56.
4
Ghahraman, B. (1996), "GIUH-GCIUH Comparison for two Watersheds in Iran". International Journal of Engineering, Vol. 9(4).
5
Gupta, V., Waymire, E. and Wang, C. (1980), A "Representation of an instantaneous unit hydrograph from geomorphology". Water Resources Research, Vol. 16(5), pp. 855-862.
6
Hjelmfelt, A. and Wang, M. (1993), "Runoff simulation using ANN. In: Topping. Proceeding of the Fourth International Conference in the Application of Artificial Intelligence in Civil and Structural Engineering. ASCE, Edinburgh, UK, pp. 517-522.
7
Mitchell, W. D. (1948), Unit hydrographs in Illinois, Department of Public Works and Buildings, Division of Waterways, I 11.
8
Mojaddadi, H., Habibnejad, M., Solaimani, K., Ahmadi, M. Z., and Hadian-Amri, M. A. (2008), "An Investigation of Efficiency of Outlet Runoff Assessment Models: Navrud Watershed", Iran. Journal of Applied Sciences. Vol. 9, No. 1, Pages: 105-112.
9
Nash, J. E. (1957), "The form of instantaneous unit hydrograph, Int. Assn. Sci. Hydro. Publ. No. 51, pp. 546-557, LAHS, Gentbrugge, Belgium.
10
Nash, J.E. and Sutcliffe, J.V. (1970), "River Flow Forecasting Through Conceptual Models", Journal of Hydrology, 10(3): pp. 282–290.
11
Rodrigues-Iturbe, I. and Valdes, J. (1979), "The geomorphological structure of hydrologic response", Water Resources Research 15(6): pp. 1409-1420.
12
Schumm, S. A. (1956), Evolution of drainage systems and slope in badlands at Pert Ambody, New Jersey. Bull. Geological Soc. Am., 67: pp. 597-646.
13
Sherman L. K. (1932), Stream flow from rainfall by the unit graph method. Eng. News Rec. 108: pp. 501–505.
14
Singh V. P. (1988), Hydrologic Systems. Volume I: Rainfall-Runoff Modeling, Prentice Hall, Englewood Cliffs New Jersey, p. 480.
15
Smart, S. (1972), Channel networks, Advances in Hydrosciences, Vol. (8): pp. 305-346.
16
Zhang, B. and Govindaraju, R.S. (2003), "Geomorphology-based artificial neural networks (GANNs) for estimation of direct runoff over watershed". Journal of Hydrology, Vol. 273: pp. 18-34.
17
ORIGINAL_ARTICLE
تحلیل سیستمی بازده پروژه آبیاری تک کشتی برنج
مقدار دقیق بازده پروژههای آبیاری در دست نیست. بنابراین برنامهریزی و طراحی شبکههای آبیاری بر اساس مقادیر غیر دقیق انجام میشود که منجر به نتایج مأیوس کننده میگردد. هدف این پژوهش تحلیل دادههای ارزیابی پروژه شبکه آبیاری پاشاکلا در مازندران میباشد که دارای سطح ایستابی کم عمق است. در این پژوهش از روشهای سیستمی و غیرسیستمی استفاده شده است. در روش سیستمی نفوذ عمقی و رواناب سطحی بعنوان اتلاف آب منظور نشده است. اما در روش غیر سیستمی این موارد جزء تلفات آب به حساب آمده است. بازده پروژه آبیاری به روش سیستمی و غیر سیستمی که در آن تلفات نفود عمقی و رواناب جزء تلفات محسوب شده است بترتیب 87/0و 51/0 می باشد. اما بازده پروژه آبیاری به روش غیر سیستمی که در آن نفوذ عمقی و رواناب جزء تلفات محسوب نشده اند 85/0 محاسبه شد که با مقدار آن به روش سیستمی مطابقت دارد. بطور کلی بازده پروژه آبیاری برای شرایط تک کشتی برنج با سطح ایستابی کم عمق بالاتر از پروژههای چند کشتی با سطح ایستابی عمیق است. هم چنین در پروژههای آبیاری تک کشتی با سطح ایستابی کم عمق، نفوذ عمقی جزء تلفات آب محسوب نمیشود زیرا سریعاً به آب زیرزمینی پیوسته و بوسیله پمپاژ دوباره مصرف میشود. در این شرایط بازده یکسانی برای پروژه آبیاری به روش سیستمی و روش غیر سیستمی بدست آمد. بطور کلی پیشنهاد میشود که در ارزیابی پروژههای آبیاری از روش سیستمی که معتبرترند استفاده شود. هم چنین بنظر میرسد که در روش غیر سیستمی نفوذ عمقی را نمیتوان جزء اتلاف آب به حساب آورد.
https://www.iwrr.ir/article_15764_8202c3e890c5570f5470207f336db714.pdf
2009-10-23
10
14
بازده آبیاری
بازده انتقال
بازده آبیاری برنج
علیرضا
سپاسخواه
sepas@shirazu.ac.ir
1
استاد /بخش آبیاری، دانشگاه شیراز، شیراز، جمهوری اسلامی ایران
LEAD_AUTHOR
روزبه
پروین
2
کارشناس /مهندسی مشاور مهاب قدس
AUTHOR
Bos, M.G., and Nugteren J. (1982), On Irrigation Efficiencies. 3rd ed. ILRI, Wageningen.
1
Bos, M.G., (1979), "Standards for irrigation efficiency in ICID". Journal of Irrigation and Drainage, Division, ASCE, 105 (IR), pp. 37-43.
2
Fatemi, M.R., Shokrollahi, A., and Shiravi, M.H., (1994), "Effect of collective farm lands on Dez irrigation project efficiency", Proceedings of the Seventh Seminar, Iranian National Committee for Irrigation and Drainage, Tehran, pp. 26, (in Farsi).
3
Kung, P., Atthayodhin, C., and Druthabandhu, S., (1965), "Determining water requirement of rice by field measurement in Thailand", International Rice Communication Newsletter, 14(4), pp. 5-18.
4
Pirmoradian, N., Kamgar-Haghighi, A.A., and Sepaskhah, A.R., (2004/2005), "Lateral seepage, deep percolation, runoff, and the efficiency of water use and application in irrigated rice in Kooshkak region in Fars province, I.R. Iran.",, Iran AgriculturalResearch, 23/24, pp.1-8.
5
Plusquellec, H., (1996), "Guilan, a successful irrigation project in Iran", Irrigation and Drainage Systems, 10, pp. 95-107.
6
Rout, D., Taha, M., and Acharaya, N., (1989), "Some practical measures for minimization of seepage loss in contour basin under transplanted rice", Environment and Ecology, 7(4), pp. 303-305.
7
Sadeghi-Attar, M., Behnia, A.K., and Kaveh, F., (2000), "Dez irrigation project efficiency in cropping year of 1993-1994", Proceedings of the Tenth Seminar, Iranian National Committee for Irrigation and Drainage, Tehran, pp. 35-50, (in Farsi).
8
Sanaee-Jahromi, S., Depeweg, H., and Feyen, J., (2000), "Water delivery performance in Doroodzan scheme, Iran", Irrigation and Drainage Systems, 14, pp. 207-222.
9
Talsma, T., and Lelij, A.N., (1976), "Water balance estimates of evaporation from ponded rice fields in a semi-arid region", Agricultural Water Management, 1, pp. 89-97.
10
Wickham, T.M., and Singh, V.P., (1978), "Water movement through wet soil", In: Soil and Rice. International Rice Research Institute, Los Banos, Philippines, pp.337-358.
11