ORIGINAL_ARTICLE
پیشگفتار
https://www.iwrr.ir/article_16012_9065c4662d528aa09bdd2c4b8e20cdfb.pdf
2013-04-21
0
1
رضا
کراچیان
zarghaami@gmail.com
1
AUTHOR
ORIGINAL_ARTICLE
توسعه مدلهای هوش مصنوعی مرکب در برآورد قابلیت انتقال آبخوان، مطالعه موردی: دشت تسوج
پارامترهای هیدروژئولوژیکی از جمله قابلیت انتقال یکی از مهمترین پارامترهای ورودی در مدلسازی آبهای زیرزمینی است که عموماً تعیین آن برای نقاط مختلف آبخوان با هزینههای فراوانی انجام میگیرد. آبخوان دشت تسوج یکی از آبخوانهای حاشیه دریاچه ارومیه میباشد که در دهه اخیر با افت سطح آب زیرزمینی مواجه شده و نیازمند مدیریت کمی و کیفی است. بنابراین، در این تحقیق به عنوان مرحله اول، از مدلهای منطق فازی، شبکه عصبی مصنوعی و نوروفازی برای برآورد قابلیت انتقال استفاده شد. سپس با توجه به پیچیدگی سیستمهای هیدروژئولوژیکی، در این مطالعه روش ترکیبی از مدلهای هوش مصنوعی پیشنهاد شده است که مدل هوش مصنوعی مرکب (Committee machine (CM)) خوانده میشود. با توجه به این که هر یک از مدلهای فازی، شبکه عصبی مصنوعی و نوروفازی تواناییهایی در برآورد پارامترهای هیدروژئولوژیکی نشان دادهاند، لذا در این روش ترکیبی از این مدلها برای پیشبینی قابلیت انتقال استفاده شده است. به طوری که خروجی هر مدل با وزن بهینه شده بوسیله روش الگوریتم بهینهسازی جامعه ذرات، به خروجی مدل ترکیبی ارائه شده انجامید. در این مطالعه از متغیرهای ژئوفیزیکی و هیدروژئولوژیکی مرتبط با قابلیت انتقال مانند مقاومت عرضی (Rt)، هدایت الکتریکی (EC) و ضخامت آبخوان(B) و همچنین موقعیت جغرافیایی به عنوان ورودی برای برآورد قابلیت انتقال استفاده شد. بر اساس نتایج بدست آمده مدل ترکیبی پیشنهاد شده نسبت به هریک از مدلهای فازی، شبکه عصبی مصنوعی و نوروفازی نتایج بهتری نشان دادند.
https://www.iwrr.ir/article_16699_09cda27ebb63dad3ffefe22ce8575251.pdf
2013-04-21
1
14
آبخوان دشت تسوج
منطق فازی
قابلیت انتقال
شبکه عصبی مصنوعی
مدل هوش مصنوعی مرکب
نوروفازی
عطاالله
ندیری
nadiri@tabrizu.ac.ir
1
دانشجوی دکتری/ هیدروژئولوژی، دانشگاه تبریز، تبریز، ایران
AUTHOR
اصغر
اصغری مقدم
moghaddam@tabrizu.ac.ir
2
استاد /دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران.
LEAD_AUTHOR
هیراد
عبقری
3
استادیار /دانشکده منابع طبیعی دانشگاه ارومیه، ارومیه، ایران.
AUTHOR
الهام
فیجانی
elhamfijani@yahoo.com
4
دانشجوی دکتری/ هیدروژئولوژی، دانشگاه تبریز، تبریز، ایران
AUTHOR
اصغری مقدم، الف.، ندیری، ع. و نورانی، و (1387). "مدل سازی بارش دشت تبریز با استفاده از شبکههای عصبی مصنوعی". مجله دانش کشاورزی. جلد18 شماره 1.
1
اصغری مقدم، الف.، ندیری، ع. و فیجانی، الف. (1389). "استفاده از مدلهای شبکههای عصبی مصنوعی و زمینآمار برای پیشبینی مکانی غلظت فلوئورید". مجلة دانش آب-خاک. سال1/19 شماره 2 ص 145-129.
2
مهندسین مشاور صحراکاو، (1387). "مطالعات ژئوفیزیک دشتهای تبریز، تسوج و هادیشهر". سازمان آب منطقهای آذربایجان شرقی.
3
ندیری، ع.، اصغری مقدم، الف. و فیجانی، الف. (1387). "پیشبینی مکانی هدایت هیدرولیکی در محدودة متروی شهر تبریز". دوازدهمین همایش انجمن زمین شناسی ایران ، اهواز 30 بهمن تا 2 اسفند.
4
ندیری، ع. و اصغری مقدم، الف. (1389). "استفاده از روشهای آماری چند متغیره در مطالعه فرآیندهای هیدروشیمیایی آبخوانها، مطالعه موردی: دشت تسوج". چهاردهمین همایش انجمن زمین ایران و بیست و هشتمین گردهمایی علوم زمین، دانشگاه ارومیه 25 تا 27 شهریور.
5
Abbaspour, K.C., Schulin, R. and Van Genuchten, M. (2001). Estimating unsaturated soil hydraulic parameters using ant colony optimization. Advances in Water Resources, 24(8), pp. 827-841.
6
Alyamani, M. and Sen, Z. (1993). Determination of hydraulic conductivity from complete grain size distribution curves. Ground Water, 31(4), pp. 551-555.
7
ASCE Task Committee on Application of Artificial Neural Networks in Hydrology (2000). Artificial neural network in hydrology, part I and II. J. Hydrol. Eng. 5(2), pp. 115-137.
8
Bates, J.M. and Granger, C.W.J. (1969). The combination of forecast. Operations Research Quarterly 20(4), pp. 451–468.
9
Boadu, F.K. (1997). Rock properties and seismic attenuation: neural network analysis. Pure and Applied Geophysics 149(3), pp. 507–524.
10
Boadu, F.K. (1998). Inversion of fracture density from field seismic velocities using artificial neural networks. Geophysics 63(2), pp. 534–545.
11
Bouwer, H. (1989). The Bouwer and Rice slug test- An update. Ground Water, 27(3), pp. 304-309.
12
Bouwer, H. and Rice, R. C. (1976). A slug test for determining hydraulic conductivity of unconfined aquifer with completely or partial penetrating wells. Water Resource Research, 12(3), pp. 423-438.
13
Chen, C.H. and Lin, Z.S. (2006). A committee machine with empirical formulas for permeability prediction. Computers and Geosciences.32(4), pp. 485–496.
14
Chiu, S. (1994). Fuzzy model identification based on cluster estimation. Journal of Intelligent and Fuzzy Systems 2(4), pp. 267–278.
15
Chow, V. T. (1952). On the determination of transmissibility and storage coefficient from pumping test data. Transactions, American Geophysical Union, 33(3), pp. 397-404.
16
Cooper, H. H., Bredehoeft, J. D. and Papadopulos, I. S. (1967). Response of a finite diameter well to an instantaneous charge of water. Water Resource Research, 3(1), pp. 263-269.
17
Cooper, H. H. and Jacob, C. E. (1946). A generalized graphical method for evaluation formation constants and summarizing well field history. Transactions, American Geophysical Union, 27(4), pp. 526-534.
18
Fair, G. M. and Hatch, L. P. (1933). Fundamental factors governing the stream line flow of water through sand. Journal of American Water Works Association. 25(11), pp. 1551-1565.
19
Geman, S., Bienenstock, E. and Doursat, R. (1992). Neural networks and the bias/variance dilemma. Neural Computation, 4(1), pp. 1–58.
20
Harb, N., Haddad, K. and Farkh, S. (2010). Calculation of transverse resistance to correct aquifer resistivity of groundwater saturated zones : implications for estimating its hydrogeological properties. Lebanese Science Journal, 11(1), pp. 105-115.
21
Haykin, S. (1991). Neural Networks: A Comprehensive Foundation. Englewood Cliffs, NJ, 842p.
22
Hazen, A. (1892). Some physical properties of sands and gravels. Massachusetts State Board of Health 24th Annual Report. pp. 539-556.
23
Hopfield, J. J. (1982). Neural network and physical systems with emergent collective computational abilities. Proc. Nat. Academy of Scientists, 79, pp.2554-2558.
24
Huang, Y., Gedeon, T.D. and Wong, P.M. (2001). An integrated neural–fuzzy– genetic-algorithm using hyper-surface membership functions to predict permeability in petroleum reservoirs. Engineering Applications of Artificial Intelligence 14(1), pp.15–21.
25
Huang, Z. and Williamson, M.A. (1996). Artificial neural network modeling as an aid to source rock characterization. Marine and Petroleum Geology, 13(2), pp. 227–290.
26
Hvorslev, M. G. (1951). Time lag and soil permeability in groundwater observations. Bulletin No. 36, US Army Corps of Engineering, Waterways Experiments Stations, Vicksburg, Mississippi. 49p.
27
Jarrah, O.A. and Halawani, A. (2001). Recognition of gestures in Arabic sign language using neuro-fuzzy systems. Artificial Intelligence 133(1-2), pp. 117–138.
28
Kadkhodaie-Ilkhchi, A., Rezaee, M. R. and Rahimpour-Bonab, H. (2009). A committee neural network for prediction of normalized oil content from well log data: An example from South Pars GasField, Persian Gulf. .Journal of Petroleum Science and Engineerin,g 65(1-2), pp. 23-32.
29
Karimpouli, S., Fathianpour, N. and Roohi, J. (2010). A new approach to improve neural networks' algorithm in permeability prediction of petroleum reservoirs using supervised committee machine neural network (SCMNN). Journal of Petroleum Science and Engineering, 73(3-4), pp. 227–232.
30
Kennedy, J. (1998). The behavior of particles. In: Porto VW, Saravanan N, Waagen D and Eiben AE (eds) Evolutionary Programming VII, Springer, pp. 581- 590.
31
Kennedy, J., and Eberhart R. (1995). Particle Swarm Optimization. In: Proceedings of the International Conference on Neural Networks, Perth, Australia, IEEE, Piscataway.
32
Li, Sh. and Liu, Y. (2005). Parameter Identification Procedure in Groundwater Hydrology with Artificial Neural Network. Advances in Intelligent Computing, Springer Berlin, 971p.
33
Li, Sh., Liu, Y. and Yu, H. (2006). Parameter Estimation Approach in Groundwater Hydrology Using Hybrid Ant Colony System. Lecture Notes in Computer Science, Springer Berlin.
34
Lim, J.-S. (2005). Reservoir properties determination using fuzzy logic and neural networks from well data in offshore Korea. Journal of Petroleum Science and Engineering, 49(3-4), pp.182–192.
35
Maier H. R. , Jain, A., Dandy, G. C. and Sudheer, K.P. (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(8), pp. 891-909.
36
Maier, H.R. and Dandy, G.C. (2000). Neural network for the prediction and forecasting water resources variables: a review of modeling issues and applications. Environmental Modeling & Software, 15(3), pp. 101-124.
37
Maillet, R. (1947). The fundamental equations of electrical prospecting. Geophysics, 12(4), pp. 529-556.
38
Mategaonkar, M. and Eldho, T.I. (2012). Groundwater remediation optimization using a point collocation method and particle swarm optimization. Environmental Modelling& Software, 32, pp. 37-48.
39
Myers, D. E. (1991). Pseudocross-variograms, posotive- definiteness and cokriging. Mathematical Geology, 23(6), pp. 805-816.
40
Naftaly, U., Intrator, N. and Horn, D. (1997). Optimal ensemble averaging of neural networks. Computation in Neural Systems, 8(3), pp. 283–296.
41
Neuman, S. P. (1972). Theory of flow in unconfined aquifers considering delayed response of water table, Water Resources Research, 8(4), pp. 1031-1045.
42
Nikravesh, M. and Aminzadeh, F. (2003). Soft Computing and Intelligent Data Analysis in Oil Exploration. Part1: Introduction: Fundamentals of Soft Computing. Elsevier, Berkeley, USA, 744 p.
43
Samani, N., Gohari-Moghadam, M. and Safavi, A. A. (2007). A simple neural network model for the determination of aquifer parameters. Journal of Hydrology, 340(1-2), pp. 1-11.
44
Shepherd, R. G. (1989). Correlations of permeability and grain size. Ground Water, 27(5), pp. 633-638.
45
Shi Y. and Eberhart R. (1999). Empirical study of particle swarm optimization, Proceeding IEEE International Congers Evolutionary Compution, Washington, DC., USA, pp. 1945-1950.
46
Shi, Y. and Eberhart R. (1998). A modified Particle Swarm Optimizer, Proceeding of the 1998 IEEE Conference on Evolutionary Compution. AK, Anchorage.
47
Shiri, J. and Kişi, Ö. (2011). Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations. Computers & Geosciences, 37(10), pp. 1692-1701
48
Sperry, M. S. and Peirce, J. J. (1995). A model for estimating the hydraulic conductivity of granular material based on grain shape, grain size and porosity. Ground Water, 33(2), pp. 892-898.
49
Theis, C. V. (1935). The relationship between the lowering of piezometric surface and the rate and duration of discharge of a well using groundwater storage. Transactions, American Geophysical Union, 16(2), pp. 519-524.
50
Todd, D. K. and Mays, L. W. (2005). Groundwater Hydrology. Wiley, 3 edition. 656 p.
51
Valcarce, R. M. O. and Rodríguez, W. M. (2004). Resolution power of well log geophysics in karst aquifers. Journal of Environmental Hydrology. 12, pp. 1-7.
52
ORIGINAL_ARTICLE
ارزیابی روشهای تخمین میزان تبخیر برای مخزن سد ساوه (الغدیر)
در این تحقیق میزان تبخیر سالانه و ماهانه از دریاچه سد ساوه (الغدیر) توسط تعدادی از روشها از قبیل روش بیلان آبی و استفاده از تشتک تبخیر، روابط تجربی، روابط نوع Penman، روش بیلان انرژی (BREB) و مدل CRLE به مدت 13 سال (1386-1374) برآورد گردیده است. مقادیر تبخیر سالانه روشهای مختلف مورد استفاده از مقدار حداقل 145 سانتیمتر برای روش Debruin-Keijman تا مقدار حداکثر 175 سانتیمتر برای روش CRLE آبهای کم عمق متغیر میباشد. همچنین، الگو و تفاوت میانگین بلندمدت (13 ساله) ماهانه تبخیر حاصل از هر یک از روشهای مورد استفاده در این تحقیق با نتایج روش بیلان انرژی به عنوان روش استاندارد متفاوت میباشد. روشهایی از قبیل روش Mass transfer ،Debruin، Penman، Makkink، Papadakis و Priestley-Taylor دارای میانگین مقدار ماهانه تبخیر تقریباً برابر با روش BREB می باشند، ولی در این میان انحراف معیار روشهای Penman، Mass transfer و Priestley-Taylor بسیار کوچک میباشد و روشهای ذکر شده دیگر دارای انحراف معیار نسبتاً زیادی هستند. همچنین، علاوه بر مدل CRLE که صلاحیت آن برای محاسبه تبخیر از مخزن سد ساوه رد شد، روشهای Thornthwaite، Hamon و Ryan-Harleman نیز دارای انحراف زیادی نسبت به روش استاندارد مورد استفاده میباشند.
https://www.iwrr.ir/article_16713_f92e6889fc73b4a21efcee6fd3cb8299.pdf
2013-04-21
15
35
تخمین تبخیر
روش بیلان انرژی
سطوح آزاد آبی
مدل CRLE
امین
حسنی
aminh85@yahoo.com
1
کارشناس ارشد /مهندسی آب، شرکت آب منطقهای گلستان، گرگان، گلستان، ایران
LEAD_AUTHOR
در این تحقیق میزان تبخیر سالانه و ماهانه از دریاچه سد ساوه (الغدیر) توسط تعدادی از روشها و مدلهای معتبر و دقیق به مدت 13 سال (1386-1374) مورد بررسی قرار گرفته است. نتایج حاصل، میزان تبخیر متوسط سالانه توسط روش بیلان آبی را حدود 155 سانتیمتر به دست میدهد. با در نظر گرفتن میانگین سالانه تبخیر 4/160 سانتیمتری برای دوره آماری توسط روش بیلان انرژی میتوان گفت حدود 49% تبخیر سالانه از مخزن سد ساوه فقط در سه ماهه فصل تابستان و تنها حدود 10% آن در فصل زمستان صورت میگیرد. مقدار میانگین تبخیر سالانه با استفاده از روش بیلان انرژی و توسط اندازه گیریهای تشتک تبخیر برای 13 سال آماری به ترتیب 6/156 و 2/282 میباشد که بدین ترتیب ضریب تشتک میانگین 56/0 برای منطقه حاصل میگردد. در مورد مقادیر تبخیر سالانه روشهای مختلف مورد استفاده در این تحقیق میتوان گفت که برای دوره آماری 13 ساله (1386-1374) تغییرات از مقدار حداقل 145 سانتیمتر (برای روش Debruin-Keijman) تا مقدار حداکثر 175 سانتیمتر برای روش CRLE آبهای کم عمق صورت گرفته است. به طور کلی میتوان گفت روشهایی از قبیل روش Mass transfer، Debruin، Penman، Makkink، Papadakis و Priestley-Taylor دارای میانگین مقدار ماهانه تبخیر تقریباً برابر با روش BREB میباشند. همچنین، علاوه بر مدل CRLE که صلاحیت آن برای محاسبه تبخیر از مخزن سد ساوه رد شد، روشهای Thornthwaite، Hamon و Ryan-Harleman نیز دارای انحراف زیادی در مقادیر میانگین و انحراف معیار اختلاف ماهانه نسبت به روش استاندارد مورد استفاده میباشند.
1
پی نوشتها
2
1- Complementary Relationship Lake Evaporation model
3
2- Bowen Ratio Energy Budget Method
4
6- مراجع
5
مهندسین مشاور جاماب، طرح جامع آب کشور ، (1377).
6
Allen, R., Pereira, L., Raes, D. and Smith, M. (1998). Crop evapotranspiration: guidelines for computing crop water requirements, FAO Irrigation and Drainage Paper. 56, FAO, Rome, Italy, 300 pp.
7
Anderson, E.R. (1954). Energy-budget studies, water-loss investigations: Lake Hefner studies, US Geological Survey Professional Paper 269, pp. 71–119.
8
Bowie, G., Mills, W., Porcella, D., Campbell, C., Pagenkopf, J., Rupp, G., Johnson, K., Chan, P. and Gherini, S. (1985). Rates, constants and kinetics formulations in surface water quality modeling, EPA/600/3- 85/040, Athens, USA.
9
Brutsaert, W., )1982(. Evaporation In to the Atmosphere: Theory, History and Applications. D. Reidel Publishing Company, Dordrecht.
10
Dos Reis, R. and Dias, N. (1998). Multi-season lake evaporation: energy-budget estimates and CRLE model assessment with limited meteorological observations, Journal of Hydrology, 208, pp. 135– 147.
11
Harbeck, G.E. (1958). Water-loss investigations: Lake Mead Studies, U.S.G.S, pp. 100-298.
12
Henderson-Sellers, B. (1986). Calculating the surface energy balance for lake and reservoir modeling: a review, Reviews of Geophysics, 24 (3), pp. 625–649.
13
Jensen, M.E., Burman, R.D. and Allen, R.G., eds. )1990(. Evapotranspiration and irrigation water requirements, A.S.C.E. Manuals and Reports on Engineering Practice, 70, 332 p.
14
Kamali, G. and Moradi, A. )2004(. Solar Radiation, Principles & Applications in the Agriculture and Renewable Energies, Meteorological Institute Publications (Persian).
15
Kotsopoulos, S. and Babajimopoulos, C. (1997). Analytical estimation of modified Penman equation parameters, Journal of Irrigation and Drainage Engineering, 123 (4), pp. 253–256.
16
Lenters, J.D., Kratz, T.K. and Bowser, C.J. (2005), “Effect of climate variability on lake evaporation: Results from a long-term energy budget study of sparkling lake, Northern Wisconsin (USA)”. Journal of Hydrology, 308, pp. 168–195.
17
Orlob, G. (1981). Models for stratified impoundments. In: A. Biswas, Editor, Models for Water Quality Management, McGraw Hill, USA. pp. 273–313.
18
Rosenberry, D.O., Winter, T.C., Buso, D.C. and Likens, G.E. )2007(. Comparison of 15 evaporation methods applied to a small mountain lake in the northeastern USA, Journal of Hydrology, 340, Pages 149-166.
19
Tanny, J., Cohen, S., Assouline, S., Lange, F., Grava, A., Berger, D., Teltch, B. and Parlange, M.B. )2008(. Evaporation from a small water reservoir: Direct measurements and estimates, Journal of Hydrology, 351, Pages 218-229.
20
Vallet-Coulomb, C., legesse, D., Gasse, F., Travi, Y. and Chernet, T. (2001). Lake Evaporation Estimates in Tropical Africa (Lake Ziway, Ethiopia), Journal of Hydrology, 245, pp. 1-18.
21
Winter, T.C. and Rosenberry, D.O. (1995). Evaluation of 11 equations for determining evaporation for a lake in the North Central United States, Water Resources Research, 31 (4), pp. 983-993.
22
Winter, T., Buso, D., Rosenberry, D., Likens, G., Sturrock, A. and Mau, D. (2003). Evaporation determined by the energy-budget method for Mirror Lake, New Hampshire, Limnology and Oceanography, 48 (3), pp. 995–1009.
23
ORIGINAL_ARTICLE
برآورد ضریب رواناب در منطقه کارستی (مطالعه موردی: حوضه دلیبجک سپیدار، استان کهگیلویه و بویراحمد)
بررسی پدیدههای رواناب و نفوذ در مناطق کارستی از اهمیت ویژهای برخوردار است. این فرآیندها در مناطق کارستی با سایر پوششها تفاوت دارند. به دلیل تنوع و تغییرات عوامل مؤثر بر نفوذ و رواناب در مناطق کارستی نمیتوان رابطه مشخصی را برای این فرآیندها تعیین کرد. در این تحقیق بررسی و برآورد میزان ضریب رواناب و نفوذ در منطقه کارستی دلی بجک سپیدار واقع در استان کهگیلویه و بویراحمد در دو مقیاس حوضه و پلات صورت گرفته است. بدین منظور اندازهگیری مؤلفههای بارش (در سه ایستگاه بارانسنجی) و رواناب در سطح حوضه به طور مداوم طی سالهای آبی 88-1387 و 89-1388 انجام و بر اساس آن ضریب رواناب برآورد گردید. همچنین در مقیاس پلات با استفاده از بارانساز مصنوعی در 25 آزمایش این مؤلفهها بر روی پوشش خاکی و سنگی منطقه مورد بررسی قرار گرفتند. بررسی بارش و رواناب در این حوضه نشان داد که منطقه مورد مطالعه از ظرفیت نفوذ بالایی برخوردار است به نحوی که در بارشهای 133، 130 و 95 میلیمتری در سطح حوضه، به ترتیب ضرایب روانابی معادل 5/1، 54/0 و 45/0 درصد به دست آمده است. آزمایشهای انجام شده به وسیله بارانساز مصنوعی نیز دامنه وسیعی از ضریب رواناب را نشان میدهد، به طوری که از صفر تا 40 درصد تغییر میکند.
https://www.iwrr.ir/article_16714_8f743a7af66142d528b60d878472027b.pdf
2013-04-21
36
47
مناطق کارستی
نفوذ
بارش
ضریب رواناب
رسول
پرهمت
r.porhemmat@yahoo.com
1
کارشناس ارشد/ آبهای زیر زمینی، دانشگاه شهید بهشتی، تهران، ایران
LEAD_AUTHOR
حمیدرضا
ناصری
h-nassery@sbu.ac.ir
2
دانشیار /دانشکده علوم زمین دانشگاه شهید بهشتی، تهران، ایران
AUTHOR
جهانگیر
پرهمت
jahanpor@yahoo.com
3
عضو هیئت علمی/ سازمان آموزش، تحقیقات و ترویج کشاورزی، تهران، ایران
AUTHOR
علی
ملایی
molaei_ali36@yahoo.com
4
عضو هیئت علمی /مرکز تحقیقات کشاورزی و منابع طبیعی استان کهگیلویه و بویراحمد، یاسوج، ایران
AUTHOR
پزشکپور، پ. (1370). "بررسی خصوصیات فیزیکوشیمیایی کوههای گر و برم فیروز"، پایان نامه کارشناسی ارشد، دانشکده علوم، دانشگاه شیراز.
1
پرهمت، ج. (1372). "بررسی عوامل بیلان هیدرولوژیکی در حوضههای کارستی مرتفع"، پایان نامه کارشناسی ارشد، دانشکده علوم، دانشگاه شیراز.
2
Abrahams, A. and Parsons, A.J. (1991). “Relation between infiltration and stone cover on a semiarid hillslope, southern Arizona”, Journal of Hydrology, 122 (1-4), pp. 49-59.
3
Al-Saffin, A. K., Bader, T. A. and Shehata, W. (1989). “Groundwater recharge in an arid karst Area in saudi Arabia”, International Geologic Congress. 9-19 July, Washington, USA, pp. 29-41.
4
Bonacci, O. (2001). “Monthly and annual effective infiltration coefficients in Dinaric karst: example of the Gradole karst spring catchment”, Hydrological Science-Journal-des Sciences Hydrologiques, (46), pp. 287-299.
5
De Vera, M. (1984). “Rainfall-runoff relationship of some catchment with karstic geomorphology under arid to semi-arid condition”, Journal of Hydrology, 68 (1-4), pp. 85-93.
6
De Vries, J.J. and Schwan, J. (2000). “Groundwater flow and geological structure of the Algarve”, Portugal. Faculty of Earth Science, Vrije Universiteit, Amesterdam, 104p.
7
Hotzel, H. (1995). “Groundwater recharge in an arid karst area (Saudi Arabia)”, IAHS Publ, (232), pp. 195-207.
8
Jemcov, I. and Petric, M. (2009). “Measured precipitation vs. effective infiltration and their influence on the assessment of karst systems based on results of the time series analysis”, Journal of Hydrology, 379 (3), pp. 304-314.
9
Grasso, D. A. and Jeannin, P. A. (1998). "Climate variation on karst spring chemical response", In: Spec Issue: Modelling in karst system, Bull Hydrogeol, (16), PP. 59-76.
10
Jiang, G., Guo, F., Wu, J., Li, H. and Sun, H. (2007). “The threshold value of epikarst runoff in karst mountain area”, Environ Geol, (55), pp. 87-93.
11
Kessler, H. (1955). “Infiltration percentage and water production from karstified rocksˮ, Hydrol. Kozl, (35), pp. 213-222.
12
Maréchal, J.C., Ladouche, B. and Dörfliger, N. (2008). “Karst flash flooding in a Mediterranean karst, the example of Fontaine de Nîmes”, Engineering Geology, 99 (3), pp. 138-146.
13
Milanovic, P.T. (1981). “Karst Hydrogeology”, Water Resources Publications, Littleton, 434 p.
14
Schoeeler, H. (1948). “Le regime hydrogeologique des calcires Eocene due synclinal due Dyr El Kef (Tunisia)”, Bulletin de lasociete geologique de France 5 series, TXVIII, pp. 167-180.
15
Soulious, G. (1984). “Effective infiltration into Greek karst”, Journal of Hydrology, 75, pp. 343-356.
16
White, W.B. (2002). “Karst hydrology: recent developments and open questions”, Engineering Geology, (65), pp. 85-105.
17
ORIGINAL_ARTICLE
ارزیابی برهمکنش همزمان پدیده های ENSOوMJO بر رخداد دوران های تر و خشک در ایران
انگیزه بنیادین این پژوهش آن است تا روشن سازد همزمانی و هماهنگ شدن فازهای گوناگون پدیدههای نوسانهای مادن جولیان (MJO)1 و نوسانهای جنوبی (ENSO)2 تا چه اندازه در رویداد دورههای پر آب و خشک کشور سایه میافکند. ارزیابیها نشان داد که رخداد همزمان لانینیا با فاز مثبت MJO (La-P) و نیز النینیو با فاز منفی MJO (El-N) دارای بیشترین بسامد میباشند. بنابراین اندازه بارش و بسامد دورانهای خشک و تر برای دورانهای (La-P) و (El-N) با یکدیگر سنجیده شد. یافتههای پژوهش نشان داد که در ماههای فوریه، نوامبر و دسامبر، هنگامی که فاز مثبت پدیده MJO بارخداد لانینیا همزمان گردد، خشکی فراگیری بر کشور چیره میگردد. در برابر، همزمانی فاز منفیMJO با پدیده النینیو، افزایش بارش و دوران پر آبی را در سراسر کشور بهدنبال دارد. این نشان در ایستگاههایی که در پهنه کویری کشور جای دارند چشمگیرتر است. برای نمونه، در ماه فوریه، با چیرگی پدیده النینو و فاز منفی MJO، میانگین بارش ایستگاه ایرانشهر %90 بیشتر از میانگین پایای (دراز مدت) این ایستگاه بوده است. در برابر، همزمانی رخداد پدیده لانینا و فاز مثبت MJO، کاهش 96 درصدی بارش این ایستگاه را در پی داشته است. افزون بر این، برای ایستگاههای پهنههای بیابانی مانند بیرجند، تربت حیدریه، طبس و یزد، هنگامی که فاز مثبت MJO با رخداد لانینیا هم زمان میشود، اندازه بارش ماه آوریل به گونهای معنیدار کمتر از زمانی است که فاز منفیMJO با پدیده النینیو همزمان میگردد. در بسیاری از این ایستگاهها همزمان شدن پدیده النینو و فاز منفیMJO افزایش تا 105 درصدی بارش و چیرگی همزمان پدیده لانینا و فاز مثبت MJO کاهش تا 51 درصدی بارش را به دنبال داشته است.
https://www.iwrr.ir/article_16715_2c3e72a1d71cc8ab22ce6a6760418a79.pdf
2013-04-21
48
60
نوسان های مادن جولیان
نوسان های جنوبی
لانینیا
فاز مثبت
النینیو
فاز منفی
سید محمد جعفر
ناظم السادات
1
استاد /بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران
AUTHOR
صدیقه
مهرآور
sedighe_mehravar00@yahoo.com
2
کارشناس ارشد /هواشناسی، مرکز پژوهشهای علوم جوی - اقیانوسی دانشگاه شیراز، شیراز، ایران.
LEAD_AUTHOR
حبیب اله
قائد امینی
3
کارشناس ارشد /هواشناسی، مرکز پژوهشهای علوم جوی - اقیانوسی دانشگاه شیراز، شیراز، ایران.
AUTHOR
احمدی گیوی، ف.، پرهیزکار، د. و حجام، س. (1388)، "بررسی اثر انسو بر توزیع بارش فصلی ایران در دوره 2000-1971"، مجله فیزیک زمین و فضا،جلد 35، شماره 4، صص 113-95.
1
خورشید دوست، ع. م. و قویدل رحیمی، ی. (1385)، "ارزیابی اثر پدیده انسو بر تغییرپذیری بارشهای فصلی استان آذربایجان شرقی با استفاده از شاخص چند متغیرة انسو"، پژوهش های جغرافیایی، شماره 57، صص 26-15.
2
ناظم السادات، س. م. ج.، انصاری بصیر، ا. و پیشوایی، م. ر. (1386)، "ارزیابی سطح معنی داری برای پیشبینی دوران خشکسالی و ترسالی فصل پاییز و شش ماهه سرد ایران بر اساس وضعیت فازهای تابستانه ENSO "، مجله تحقیقات منابع آب ایران، جلد 3، شماره 1، صص 24-12.
3
ناظم السادات، س. م. ج. و قائد امینی، ح. (1386)، "بررسی تأثیر نوسانات مادن جولیان بر وقوع کرانه بالایی و پایینی بارش (سیلاب و خشکی ) ماههای بهمن تا فروردین در استان فارس"، مجله علوم و فنون کشاورزی و منابع طبیعی، جلد 12، شماره 46 ، صص 89-77.
4
Agresti, A. (1992). “A Survey of Exact Inference for Contingency Tables”, Statistical Science, Vol. 7, pp. 131-153.
5
Cheng, Q., Bonham-Carter, G. F. and Raines, G. L. (2001). “GeoDAS-A new GIS system for spatial analysis of geochemical data sets for mineral exploration and environmental assessment”, The 20th International Geochemical Exploration Symposium (IGES), 6-10 May, Santiago de Chile, pp. 42-43.
6
Hendon, H. H., Wheeler, M. and Zhang, C. ( 2007). “Seasonal dependence of the MJO-ENSO Relationship”, Journal of Claimate, Vol. 20, pp. 531−543.
7
Htpp://www.bom.gov.au/index.shtml
8
Http://cawcr.gov.au/staff/mwheeler/maproom/RMM
9
Jones, C. (2000). “Occurrence of extreme precipitation events in California and relationships with the Madden-Julian oscillation”, Journal of Claimate, No. 13, pp. 3576-3587.
10
Kessler, W. S. and Kleeman, R. (2000). “Rectification of the Madden-Julian Oscillation into the ENSO cycle”, Journal of Claimate, Vol. 13, pp. 3560−3575.
11
Kessler, W. S. (2001). ” EOF representations of the Madden–Julian oscillation and its connection with ENSO”, Journal of Claimate, Vol. 14, pp. 3055–3061.
12
Lau, K. M., Peng, L., Nakazawa, T. and Sui, C. H. (1989). “Dynamics of super cloud clusters, westerly wind bursts, 30−60 day oscillations and ENSO − An unified view”, Journal of Meteor. Soc. Japan, Vol. 67, pp. 205−219.
13
Maharaj, E.A. and Wheeler, M. C. (2005). “Forecasting an index of the Madden-oscillation”, Interaction Journal of Climatology, Vol. 25, pp. 1611-1618.
14
Man, H. B. and Whitney, D. R. (1947). “On a test of whether one of two random variables is stochastically larger than the other”, Annals of Mathematical Statistics, Vol. 18, pp. 50-60.
15
McPhaden, J. M. (1999). “Genesis and evolution of the1997−98 El Niño”, Science, Vol. 283, pp. 950−954.
16
Nazemosadat, M. J. and Cordery, I. (2000). “On the relationships between ENSO and autumn rainfall in Iran”, Interaction Journal of Climatology, No. 20, pp. 47-61.
17
Nazemosadat, M. J. and Ghasemi, A. R. (2004). “Quantifing the ENSO Related Shifts in the intensity and probability of Drought and Wet periods in Iran”, Journal of Claimate, Vol. 17, No. 20, pp. 4005-4018.
18
Nazemosadat, M. J. and Ghaedamini, H. (2010). “On the relationships between the Maden-julian Oscillation and Precipitation Variability in Southern Iran and the Arabian Peninsula”, Atmospheric Circulation Analysis. Journal of Claimate, Vol. 23, pp. 887-904.
19
Nitta, T. and Motoki, T. (1987). “Abrupt enhancement of convective activity and low-level westerly burst during the onset phase of the 1986−87 El Niño”, Journal of Meteor. Soc. Japan, Vol. 65, pp. 497-506.
20
Ropelewski, C. F. and Halpert, M. S. (1996). “Quantifying Southern Oscillation-precipitation relationships”, Journal of Climate, Vol. 9, pp. 1043-1059.
21
Sabziparvar, A. A., Mirmasoudi, S. H., Tabari, H. and Nazemosadat, M. J. (2011). “ ENSO teleconnection impacts on reference evapotranspiration variability in some warm climates of Iran”, Interaction Journal of Climatology, Vol. 31, No. 11 , pp. 1710-1723.
22
Tobler, W. (1970). “A computer movie simulating urban growth in the Detroit region”, Economic Geography, Vol. 46, pp. 234-240.
23
Trenberth, K. E. (1997). “The definition of El Niño”, Bull. Amer. Meteor. Soc. Vol. 78, pp. 2771-2777.
24
Wheeler, M. and Hendon, H. (2004). “An All-Season Real-Time Multivariate MJO Index: Development of an Index for Monitoring and Prediction” Mon. Wea. Rev. Vol. 132, pp. 1917-1932.
25
Zhang, C. and Gottschalck, J. (2002). “SST Anomalies of ENSO and the Madden–Julian oscillation in the equatorial Pacific”, Journal of Claimate, Vol. 15, pp. 2429–2445.
26
Zhang, C. (2005). “Madden-Julian Oscillation”, Reviews of Geophysics, Vol. 43, RG2003, 36 pp.
27
ORIGINAL_ARTICLE
تغییرات پیش بینی شده در بارش های فرین مشهد طی قرن بیست و یکم
پیش بینی تغییرات در رویدادهای فرین ناشی از گرمایش جهانی و تغییر اقلیم در ارزیابی اثرات بالقوه تغییر اقلیم بر بخش های مختلف مانند آب، کشاورزی و مدیریت سامانه های جمع آوری آب شهری بسیار مهم است. جهت ارایه دورنمایی از تغییرات آتی رویدادهای فرین به ویژه بارش، خروجیهای سه مدل گردش عمومی جو (HadCM3، NCCCSM و CGCM3T47) تحت سناریوی A1B گزارش چهارم هیات بینالدول تغییر اقلیم توسط مدل LARS-WG برای سه دوره آتی برای ایستگاه مشهد ریز مقیاس شدند. نمایههای بارش فرین شامل R99T، R10mm, CDD ، RX5day ، R20mm, R95T و SDII برای سه دوره محاسبه گردید. نتایج نشان داد که بارش سنگین و ابرسنگین، بیشینه بارش پنج روزه و شدت بارش طی سه دوره افزایش خواهد یافت. همچنین سهم بیشتری از کل بارش سالانه به وقوع بارش های بیش از صدک 95 و 99 دوره پایه تعلق خواهد داشت. افزایش این نمایه ها به معنی افزایش فراوانی وقوع سیل و شدت آن طی قرن بیست و یکم خواهد بود.
https://www.iwrr.ir/article_16716_06d42b21cdb7a7a80eabafe0058aca8d.pdf
2013-04-21
61
74
مدل گردش عمومی جو- اقیانوس
نمایههای فرین
مشهد
ریزمقیاس کردن
منصوره
کوهی
man_koohi@yahoo.com
1
دانشجوی دکتری /هواشناسی کشاورزی، دانشگاه فردوسی مشهد، مشهد- ایران.
LEAD_AUTHOR
ایمان
بابائیان
ibabaeian@yahoo.com
2
دکتری /اقلیم شناسی، گروه پژوهشی تغییر اقلیم، پژوهشکده اقلیم شناسی، سازمان هواشناسی کشور، مشهد- ایران
AUTHOR
محمد
موسوی بایگی
mousavib@um.ac.ir
3
دانشیار /گروه مهندسی آب دانشگاه فردوسی مشهد- مشهد- ایران
AUTHOR
علیرضا
فریدحسینی
farid-h@um.ac.ir
4
استادیار/ گروه مهندسی آب دانشگاه فردوسی مشهد- مشهد- ایران
AUTHOR
لیلی
خزانه داری
5
عضو گروه پژوهشی /اقلیم شناسی بلایای جوی، پژوهشکده اقلیم شناسی، سازمان هواشناسی کشور، مشهد- ایران
AUTHOR
بابائیان، ا.، نجفی نیک، ز. (1384)، "ارزیابی تغییر اقلیم استان خراسان رضوی در دوره 2039 – 2010 با استفاده از ریزمقیاس نمایی خروجی مدل GCM"، گزارش پروژه پژوهشکده اقلیم شناسی و سازمان هواشناسی کشور.
1
رحیم زاده، ف. (1384)، "بررسی تغییرات مقادیر فرین بارش در ایران"، نیوار، شماره 58-59، صص 7-20.
2
رحیم زاده، ف.، عسکری، ا.، فتاحی، ا.، محمدیان، ن. و تقی پور، ا. (1388)، "روند نمایه های فرین اقلیمی دما در ایران طی دوره 2003-1951"، فصلنامه تحقیقات جغرافیایی، شماره 93، صص 15717-15742.
3
عساکره، ح. (1389)، "تحلیل تغییرات بارش های فرین شهرزنجان"، پژوهش های اقلیم شناسی، سال اول، شماره اول و دوم، صص 100-89.
4
عسکری، ا.، رحیم زاده، ف.، محمدیان، ن. و فتاحی، ا. (1386)، "تحلیل روند نمایه های بارش های فرین در ایران"، تحقیقات منابع آب ایران، سال سوم، شماره 3، 56-42.
5
گل محمدی، م. و مساح بوانی، ع. (1390). "بررسی تغییرات شدت و دوره بازگشت خشکسالی حوضه قره سو در دوره های آتی تحت تاثیر تغییر اقلیم". نشریه آب و خاک (علوم و صنایع کشاورزی)، 25 (2): 315 تا 326.
6
مساح، ع. و سادات آشفته، پ. (1386). "بررسی اهمیت موضوع تغییر اقلیم در جهان و تاثیر آن بر سیستمهای مختلف". کارگاه فنی اثرات تغییر اقلیم بر منابع آب، 24 بهمن ماه 1386. تهران.
7
Intergovernmental Panel on Climate Change (2010). Meeting Report, IPCC Expert Meeting on Assessing and Combining Multi Model Climate Projections, National Center for Atmospheric Research, Boulder, Colorado. USA.
8
Jiang, Z., Song, J., Li, L., Chen, W., Wang, Z. and Wang, J. (2012). “Extreme climate events in China: IPCC-AR4 model Evaluation and projection,” Climatic Change, 11(1-2), pp. 385-401.
9
Kiktev, D., David, M. H. Sexton, L. A. and Folland, C.K. )2003(. “Comparison of Modeled and Observed Trends in Indices of Daily Climate Extremes,” Journal of Climate, 16, pp.3560–3571.
10
Semenov, M. )2008). “Simulation of extreme weather events by a stochastic weather generator,” Climate Research, 35, 203–212.
11
Semenov, M. A. and Stratonovitch, P. (2010). “Use of Multi-model Ensembles from Global Climate Models for Assessment of Climate Change Impacts,” Climate Research, 4, pp. 1–14.
12
Semenov, M.A. and Brooks R.J. )1999(. “Spatial Interpolation of the LARS-WG Stochastic Weather Generator in Great Britain,” Climate Research, 11, pp.137-148.
13
Sillmann, J. (2005). “Extreme Events in Climate Model Data,” IPCC Workshop, International Max Plank Research School on Earth System Modeling.
14
Tank, A. K., Zwiers, F. W. and Zhang, X. (2009). “Guidelines on Analysis of extremes in a changing climate in support of informed decisions for adaptation,” World Meteorological Organization, pp. 52.
15
Wang, X., L. (2008). “Accounting for autocorrelation in detecting mean shifts in climate data series using the penalized maximal t or F test,” Journal of Applied Meterology and Climatology, 47, pp. 2423-2444.
16
Wang, X., Yang, T., Shao, Q., Kumud, A., Wang, W. and Yu, Z. )2011(. “Statistical downscaling of extremes of precipitation and temperature and construction of their future scenarios in an elevated and cold zone,” Stoch. Environ. Res. Risk. Asses,26, 405-418.
17
Wehner, M. F. (2011). “Extremes from Climate Models Overview of AR4 and USGCRP reports Plans for AR5, Summer Colloquia: Statistical Assessment of Extreme Weather Phenomena under Climate Change (RAL/MMM/IMAGe), Advanced Study Program,” National Center for Atmospheric Research (NCAR).
18
Willems, P., Arnbjerg-Nielsen, K., Olsson, J. and Nguyen, V.T.V. (2012). “Climate change impact assessment on urban rainfall extremes and urban drainage: Methods and shortcomings,” Atmospheric Research, 103, pp. 106–118.
19
World Meteorological Organization (2011). Weather extremes in a changing climate: hindsight on foresinght,” ISBN:978-92-63-11075-6.
20
Yan. Z., Jones, P. D., Davies, T. D., Moberg, A., Bergstrom, H., Camuffo, D., Cocheoc, M., Demaree, G. R., Verhoeve, T., Theoen, E., Barriendos, M., Rodriguez, R., Marttin Vide, J. and Yang, C. )2002(.“Trends of extreme temperature in Europe and China based on daily observations,” Climatic Change, 53, pp. 355-392.
21
Zongxing, L., He, Y., Wang, P., Theakstone, W.H., An, W., Wang, X., Lu, A., Zhang, W. and Cao, W. (2011). “Changes of daily climate extremes in southwestern China during1961–2008,” Global and Planetary Change, 80-81, pp. 255–272.
22
ORIGINAL_ARTICLE
سیستم زود هنگام هشدار خشکسالی براساس ریسک و عدم قطعیت در بهرهبرداری از سد زاینده رود همراه با ارائه راهکارهای کاهش کمبود آب
برای مدیریت منابع آب در مناطق خشک که اتکای بیشتری به سدها و ذخیرهسازی آبهای سطحی دارند، استفاده از سیستمهای زود هنگام هشدار خشکسالی (Drought Early Warning System) با معرفهای هیدرولوژیکی، میتواند برای آمادگی بیشتر و جلوگیری از کاهش شدید ذخایر آبی تا حد زیادی مفید واقع شود. در تحقیق حاضر چنین سیستمی با تکیه بر مؤلفههای موثر در مدیریت سدهای مخزنی توسعه یافته است. سیستم زود هنگام هشدار خشکسالی توسعه داده شده شامل پنج زیر مدل اصلی: 1) پایش خشکسالی 2) اندازهگیری و پایش کمبود آب در آینده همراه با تحلیل عدم قطعیت 3) محاسبه یک شاخص هشدار برای اعلام هشدارهای لازم 4) تحلیل ریسک و عدم قطعیت و 5) ارائه راهکارهای مناسب جهت کاهش کمبود آب میباشد که برای سد زاینده رود ارایه شده است. در طراحی این سیستم ابتدا مصارف برای یک دوره 6 ماهه با در نظر گرفتن عدم قطعیت مربوط به سطوح احتمالاتی مختلف پیشبینی میشود، همچنین براساس اطلاعات تاریخی ذخیره آب مخزن و به روش نگاشت خود سامان یافته (Self Organizing Feature Maps) پایش خشکسالی درپنج دسته (بدون خشکسالی، خشکسالی ضعیف، خشکسالی با شدت کم، خشکسالی شدید و خشکسالی خیلی شدید) انجام میگردد. سپس یک شاخص هشدار خشکسالی (Drought Alert Index-DAI) با توجه به شرایط جاری مخزن سد و کمبود آب در دوره آتی 6 ماهه، ارائه می شود و بر اساس نتایج حاصل از آن، سطوح مختلف هشدار از وضعیت نرمال تا شرایط کم آبی شدید با در نظر گرفتن عدم قطعیتهای مربوطه مشخص میگردد. نهایتاً با بکار بردن یک مدل بهینهسازی غیر خطی با هدف حداکثر سازی درآمد مخزن، سطوح کاهش رهاسازی نسبت به هر یک از مقادیر DAI با استفاده از سناریوهای مختلف بدست میآید. نهایتاً عملکرد این سیستم و نقش آن در کاستن از شدت خشکسالی طی دوره 1380-1377 که خشکسالی شدیدی بر منطقه حاکم بود، بررسی گردید . نتایج نشان داد که سیستم هشدار سریع ارائه شده به خوبی توانست هشدارهای لازم را با دقت 75 درصد ارائه و همچنین مقدار بهینه کاهش رهاسازی از سد را با توجه به سناریوهای مختلف مدیریتی تعیین نماید. لذا این سیستم را میتوان ابزار مناسبی برای مدیریت منابع آب در مناطقی که متکی به آب ذخیره شده در سد میباشند، قلمداد کرد
https://www.iwrr.ir/article_16717_b971d54e7383a6e1ceb77e1cfc8254fa.pdf
2013-04-21
75
89
سیستم زود هنگام هشدار خشکسالی
عدم قطعیت
پیشبینی
خشکسالی
بهینهسازی
سد زاینده رود
مهدی
غلامزاده
1
کارشناسی ارشد /مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران، ایران.
AUTHOR
سعید
مرید
morid_sa@modares.ac.ir
2
استاد /گروه مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران، ایران.
LEAD_AUTHOR
مجید
دلاور
m_delavar@modares.ac.ir
3
استادیار /گروه مهندسی منابع آب، دانشکده کشاورزی دانشگاه تربیت مدرس، تهران، ایران.
AUTHOR
فرخ نیا، ا. و مرید، س. (1387) " تحلیل عدم قطعیت مدلهای شبکه عصبی و نر و فازی برای پیشبینی جریان رودخانه"، مجله تحقیقات منابع آب ایران ، 15، صص 14-27.
1
حسینی صفا، ح. و مرید، س. و مقدسی ، م. (1388). "ارزیابی روشهای تولید قوانین فازی برای بهرهبرداری از مخزن سد"، مجله تحقیقات منابع آب ایران، 19، صص 13-25.
2
عراقینژاد، ش. (1384) " مدیریت منابع آب برپایه تحلیلهای اقلیمی"، رسالهی دکتری دانشکده فنی دانشگاه امیرکبیر، تهران.
3
غلامزاده، م. ( 1388) "سیستم زود هنگام هشدار خشکسالی براساس ریسک و عدمقطعیت در بهرهبرداری سد زاینده رود". پایاننامه کارشناسی ارشد دانشکده کشاورزی تربیت مدرس. تهران.
4
مرید، س. و پایمزد، ش. (1386) "مقایسه روشهای هیدرولوژیکی و هواشناسی جهت پایش روزانه خشکسالی. مطالعه موردی دوره خشکسالی 1377 لغایت 1380 استان تهران". مجله علوم و فنون کشاورزی و منابع طبیعی، 42، صص 325-334.
5
مقدسی، م. (1388) "راهبردهای بهرهبرداری بهینه از مخازن سدها با تاکید بر مدیریت بهینه عرضه و تقاضای آب در دورههای خشکسالی". رساله دکتری دانشکده کشاورزی دانشگاه تربیت مدرس. تهران.
6
ASCE Task Committee, (2000). "Artificial neural networks in hydrology I: Preliminary concepts." Journal of Hydrologic Engineering, 5(2) pp.115-123.
7
Chang, T.J. and Kleopa, X. (1999). "A proposed method for drought monitoring" Water Resources Management, 2, pp. 275-281.
8
Dawson, C.W. and Wilby, R.L. (2001). "Hydrological modeling using artificial neural networks. " Progress in Pyhsical Geography, 25 (1), pp.80-108.
9
Eckhardt K., Breur L. and Frede H. G. (2003). "Parameter uncertainty and the significance of Simulated land use change effects." Journal of Hydrology, 273, pp.164-176.
10
Gupta, H.V., Hsu, K. and Sorooshian, S. (2000)." Effective and efficient modeling for streamflow forecasting. In: Govindaraju, R.S., Rao, A.R. (Eds.)." Artificial Neural Networks in Hydrology, Kluwer, Dordrecht, the Netherland. pp. 7-22.
11
Huang, W.C. and Chou, C.C. (2008). "Risk- based drought early warning system in reservoir operation. " Advances in Water Resources, 31,pp. 649-660.
12
Huang, W.C. and Chou, C.C. (2005). "Drought early warning System in reservoir operation: theory and practice. " Water Resources Research, 41, 10, 1029/2004 WR003830.
13
Huang, W.C. and Yuan, L.C. (2004). "A drought early warning system on real time multi reservoir operation. " Water Resources Research, 40(6): W06401, doi: 10. 1029/2003 WR002910. W0461.
14
Kohonen, T. (2001). "Self- Organizing Maps (2nd edition). " Germany: Springer.
15
Kumar, V. (1998). "Improving a drought early warning model for arid region using s soil- moisture index." Applied Geography, 29, pp. 402-408.
16
Liu, W. T. and Steinmetz, S. (1993). "Drought early warning system for crop production. " Anais do VII SBSR.
17
Lohani V. K. and Loganathan G.V. (1997). "An early warning system for drought management using the palmer drought index. " Journal of American Water Resources Association, 33 (6), pp. 1375-86.
18
Marier, H. and Dandy, G.C. (2000). "Neural networks for the prediction and forecasting of water resources variables: A review of modeling issues and applications. "Environmental Modeling and Software, 15, pp.101-124.
19
Moghaddasi, M., Araghinejad, Sh. and Morid, S. (2009). "Long- term operation of irrigation dams considering variable demands: Case study of Zayandeh- Rud reservoir, Iran." Journal of Irrigation and Drainage Engineering (ASCE). 136(5): pp.309-316
20
Noori, R., Abdoli, M.A., Farokhnia, A. and Abbasi, M. (2009). "Results uncertainty of solid waste generation forecasting by hybrid of wavelet transform ANFIS and wavelet transform- neural network." Expert System with Application: An International Journal. 36(6), pp. 9991-9999.
21
Sharma, S.K., and Tiwari, K. N. (2009). "Bootstrap based artificial neural network (BANN) analysis for hierarchical prediction of monthly runoff in upper Damodar Vally catchments." Journal of Hydrology. 374, pp.209-222.
22
Shannon, C.E. (1948). "A mathematical theory of communication, Bell Syst.[r1] " Technology Journal .27, pp.379-423,623-656.
23
[r1]r rmore, it as 75% in text. Which one is true?وشته شود.
24
ORIGINAL_ARTICLE
مقایسة عملکرد رگرسیون های چندخطی، رگرسیون ناپارامتری و مدلهای سری زمانی در برآورد و پیش بینی مقادیر تبخیر
برای شبیهسازی سریهای زمانی، روشهیا مختلفی ارائه شدهاند که از آن جمله میتوان مدلهای سری زمانی AR، ARMA و ARMAX و روشهای رگرسیون چندخطی (MLR) و رگرسیون ناپارامتری (K-NN) را برشمرد. در این تحقیق، عملکرد این روشها در برآورد دادههای مفقود و پیشبینی مقادیر آتی سری زمانی تبخیر از سطح آزاد آب مورد بررسی قرار گرفت. مدل ARMAX با استفاده از ورودیهای استاندارد شدة دمای کمینه و بیشینه، متوسط دما، سرعت باد، رطوبتنسبی و ساعات آفتابی، نسبت به سایر روشها به بهترین نتایج منجر شد و روشهای K-NN و MLR در رتبههای بعدی قرار گرفتند. مشاهده گردید که پس از تحلیل اجزاء اصلی، مدل ARMAX دارای خطای قابل ملاحظهای در برآورد مقادیر مفقود میباشد و روشهای MLR و K-NN در مرحلة واسنجی و روش MLR در مرحلة اعتبارسنجی به بهترین نتایج منجر میشوند. برای پیشبینیهای کوتاه مدت، مدل ARMAX دارای بهترین نتایج بود؛ ولی در پیشبینیهای بلند مدت، روش MLR به بهترین نتایج منجر شد و مدلهای سری زمانی قادر به پیشبینیهای بلندمدت نبودند.
https://www.iwrr.ir/article_16718_fc06615719baf055faa493161130586b.pdf
2013-04-21
90
95
پیش بینی
تبخیر
رگرسیون چندخطی
رگرسیون ناپارامتری
مدلهای سری زمانی
بهنام
آبابایی
behnam.ab@gmail.com
1
کارشناس ارشد /دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، باشگاه پژوهشگران جوان و نخبگان، تهران، ایران.
LEAD_AUTHOR
هادی
رمضائی اعتدالی
2
استادیار /گروه مهندسی آب، دانشگاه بین المللی امام خمینی، قزوین، ایران.
AUTHOR
شهاب
عراقینژاد
3
استادیار /گروه آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.
AUTHOR
عبدالمجید
لیاقت
aliaghat@ut.ac.ir
4
استاد /گروه آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، دانشگاه تهران، کرج، ایران.
AUTHOR
Araghinejad, S., Burn, D. H. and Karamouz, M. (2006). “Long-lead probabilistic forecasting of streamflow using ocean-atmospheric and hydrological predictors”, Water Resour. Res., 42, W03431, doi:10.1029/2004WR003853.
1
Beersma, J. J. and Buishand, T. A. (2003). “Multi-site simulation of daily precipitation and temperature conditional on the atmospheric circulation”, Clim Res., 25, pp. 121-133.
2
Chi, M. and Bruzzone, L. (2005). “An ensemble-driven K-NN approach to ill-posed classification problems”, Pattern Recognition Letters, 27, pp. 301-307.
3
Davis, G.A. and Nihan, N.L. (1991). ”Nonparametric regression and short-term free way traffic forecasting”, Journal of Transportation Engineering, ASCE, 117(2), pp. 178-188.
4
Harrold, T. I., Sharma, A. and Sheather, S. J. (2003). “A nonparametric model for stochastic generation of daily rainfall occurrence”, Water Resour Res., 39, pp. 1-11.
5
Lall, U. and Sharma, A. (1996). “A nearest neighbor bootstrap for time series resampling”, Water Resour Res., 32, pp. 679-693.
6
Nemes, A., Rawls, W.J. and Pachepsky, Y.A. (2006). “Use of the nonparametric nearest neighbor approach to estimate soil hydraulic properties”, Soil Science Society of America Journal, 70, pp. 327-336.
7
Rajagopalan, B. and Lall, U. (1999). “A k-nearest-neighbor simulator for daily precipitation and other variables”, Water Resources Research, 35(10), pp. 3089-3101.
8
Sharma, A. and Lall, U. (1999). “A nonparametric approach for daily rainfall simulation”, Math Comput Simulat, 48, pp. 361-371.
9
Todini, E. (2000). “Real-time flood forecasting: operational experience and recent advances”, In: Marsalek, J., et al. (Eds.), Flood Issues in Contemporary Water Management, Kluwer Academic Publisher, The Netherlands,.
10
Wilson, D. R. and Martinez, T. R. (2000). “Reduction techniques for exemplar-based learning algorithms”, Machine Learning, 38(3), pp. 257-286.
11
Wojcik, R. and Buishand, T. A. (2003). “Simulation of 6-hourly rainfall and temperature by two resampling schemes”, Journal of Hydrology, 273, pp. 69-80.
12
Wu, W., Xing, E.P., Myers, C., Mian, I.S. and Bissell, M.J. (2005). “Evaluation of normalization methods for CDNA microarray data by K-NN classification”, Bioinformatics, 6, pp. 191-200.
13
Young, K. C. (1994). “A multivariate chain model for simulating climatic parameters with daily data”, J. Appl. Meteorol., 33(6), pp. 661–671.
14
ORIGINAL_ARTICLE
پیشبینی دبی اوج در نقاط پایین دست با استفاده از داده های ایستگاههای بالادست به کمک شبکه عصبی (مطالعه موردی: طالقان)
در برخی موارد ممکن است ایستگاه هیدرومتری پاییندست منطقه به دلایلی تخریب شده باشد و دانستن دبی در پاییندست منطقه ضرورت داشته باشد، در این مواقع میتوان با استفاده از اطلاعات موجود و یا دادههای ایستگاههای بالادست، دبی در ایستگاه پاییندست را پیشبینی کرد. در این تحقیق دبی اوج در ایستگاه گلینک واقع در خروجی حوزه آبخیز طالقان با استفاده از شبکه عصبی مصنوعی در دو حالت پیشبینی شده است. در حالت اول از آمار گذشته ایستگاه، شامل دبیهای متوسط حداکثر روزانه و بارشهای متناظر، یک روز و پنج روز قبل، مجموع بارندگی پنج روز و دمای میانگین ماهانه استفاده شد و در حالت دوم آمار فوقالذکر در واحدهای هیدرولوژیک گتهده، مهران، علیزان و جوستان و همچنین پارامترهای فیزیوگرافی مساحت، ارتفاع متوسط، طول آبراهه اصلی و شیب متوسط نیز به مدل افزوده شدند. نوع شبکه مورد استفاده شبکه عصبی پیشخور دو لایه با الگوریتم پسانتشار بود که دادهها طی سه مرحله آموزش، اعتبارسنجی و تست گردیدند. نتایج حاکی از آن است که پیشبینی دبی اوج با استفاده از ایستگاههای بالادست و پارامترهای فیزیوگرافی بهتر از پیشبینی دبی با استفاده از اطلاعات سالهای قبل در پاییندست ایستگاه میباشد.
https://www.iwrr.ir/article_17458_665e5ec800d1cb49257c30aea5cf62ae.pdf
2013-04-21
96
100
ایستگاه پائین دست
دبی اوج
شبکه عصبی
طالقان
مریم
خسروی
mkhosravi.85@gmail.com
1
دانش آموخته کارشناسی ارشد/ آبخیزداری دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران.
LEAD_AUTHOR
علی
سلاجقه
salajegh@ut.ac.ir
2
دانشیار /دانشکده منابع طبیعی دانشگاه تهران و عضو قطب علمی مدیریت پایدار حوزههای آبخیز، دانشگاه تهران, کرج, ایران.
AUTHOR
Sajjad, A. and Simonovic, S.P (2005). An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of Hydrology, 315(1-4), pp. 236–251.
1
Deo, M.C. and Thirumalayah. K. (2000). real time forcasting using neural networks. In: R. S.Govindaraju and A. Ramachandra Rao (Eds.), Artificial neural networks in hydrology, Published by KluwerAcademic, USA. pp. 53-72.
2
Han, J. (2002). Application of artificial neural networks for flood warning system. A dissertation submitted to the graduate faculty of the North Carolina State University in partial fulfillment of the requirements for the Degree of Doctor of Philosophy. Raleigh, North Carolina.151 p.
3
Jankowski, N. and Duch. W. (2001). Optimal transfer function neural networks. Proceedings, European symposium on artificial neural networks, Belgium, D-Facto Public, pp. 101-106.
4
Karunaithi, N., Crenny, J.W., Whitley, D. and Bovee, K. (1994). Neural networks for River flow prediction. Journal of Computing in Civil Engineering. 8(2), pp. 201-219.
5
Markus, M., Salas, J.D. and Shin, H.K. (1995). Predicting stream flows based on neural networks. Proceedings of the first International Conference on Water Resources Engineering. ASCE, pp. 1641-1646.
6
Muttiah, R.S., Srinivasan, R. and Allen, P.M. (1997). Prediction of two year peak stream discharges using neural networks. Journal of Hydrology. 33(3), pp. 625-630.
7
Ni, J.R. and Xue, A. (2003). Application of artificial neural network to the rapid feedback of potential ecological risk in flood diversion zone. Engineering Application of artificial Intelligence, pp. 105-119.
8
Smith, J. and Eli, R.N. (1995). Neural-network models of rainfall-runoff. Journal of Water Resources Planning & Management. 121(6), pp. 499-508.
9
Tienfuan, K. and Lee. C.S. (2006). Neural networks forecasting of flood discharge at an unmeasured station using river upstream information. Advances in Engineering Software. 37(8), pp. 533–543.
10
Zhu, M., Fajita, M. and Hashimoto, N. (1999). Application of neural networks to runoff prediction. In: Hipel, K.W. t al. (ED). Stochastic & statistical method in Hydrology & Environmental Engineering, Kluwer, Dordrecht, The Netherlands, pp. 205-216.
11