مهتاب صفری شاد؛ محمود حبیب نژاد روشن؛ کریم سلیمانی؛ علیرضا ایلدرمی؛ حسین زینی وند
چکیده
بسیاری از مشکلات زیست محیطی، ناشی از تغییرات مولفههای اصلی چرخه هیدرولوژیکی است. با این حال، مدلسازی بیلان آب میتواند به درک بهتر از اجزای چرخه هیدرولوژیکی بهمنظور توسعه گزینههای مدیریتی مناسب، کمک کند. هدف پژوهش حاضر، محاسبه سه مولفه مهم بیلان آب سطحی با استفاده از مدل WetSpass و ارزیابی این مدل در حوزه آبخیز همدان، ...
بیشتر
بسیاری از مشکلات زیست محیطی، ناشی از تغییرات مولفههای اصلی چرخه هیدرولوژیکی است. با این حال، مدلسازی بیلان آب میتواند به درک بهتر از اجزای چرخه هیدرولوژیکی بهمنظور توسعه گزینههای مدیریتی مناسب، کمک کند. هدف پژوهش حاضر، محاسبه سه مولفه مهم بیلان آب سطحی با استفاده از مدل WetSpass و ارزیابی این مدل در حوزه آبخیز همدان، بهار واقع در استان همدان در مقیاس زمانی ماهانه است. با توجه به اهمیت تبخیر و تعرق در محاسبات بیلان آب، نقشههای تبخیر و تعرق خروجی مدل به تفکیک کاربریهای مختلف ارزیابی شدند. ارزیابی تغذیه آب زیرزمینی نیز با توجه به محاسبات دستی این متغیر برای سال 92-1391، انجام شد. سپس، نتایج ضریب همبستگی کرامر بین نقشههای توزیع مکانی رواناب، تبخیر و تعرق واقعی و تغذیه آب زیرزمینی، با نقشههای ورودی به مدل بررسی شد. بهطورکلی، نتایج ارزیابی مدل در این تحقیق نشان داد، ضریب تبیین میان رواناب مشاهداتی و شبیهسازیشده در دوره واسنجی و اعتبارسنجی بهترتیب برابر با 0.79 و 0.83 است. نتایج ارزیابی نقشههای تبخیر و تعرق خروجی مدل WetSpass، قابلیت مدل را در شبیهسازی رواناب، تبخیر و تعرق و تغذیه آب زیرزمینی با دقت قابل قبول تایید کرد. نتایج، حاکی از وجود ضریب همبستگی بالا بین مولفه تبخیر و تعرق با کاربری اراضی (0.54)، بافت خاک (0.45)، پتانسیل تبخیر و تعرق (0.42) و درجه حرارت (0.31) است. همچنین، نتایج نشان داد بین مولفه رواناب با کاربری اراضی (0.62) و بافت خاک (0.58) همبستگی بالا و بین مولفه تغذیه آب زیرزمینی با کاربری اراضی (0.32) و بافت خاک (0.34) همبستگی متوسط وجود دارد. بنابراین، کاربری اراضی و بافت خاک بهترتیب اولین و دومین عامل تاثیرگذار بر توزیع مولفههای بیلان سطحی بودند.
احسان بذرافشان؛ الهام نقیپور؛ مینا دهقانی؛ امید نظریزاده سیسخت؛ مهدی سپهری؛ علی رضا ایلدرومی
چکیده
سیل به عنوان مهمترین و فرآوانترین مخاطرات محیطی است که میتواند موجبات خسارات شدیدی جانی و مالی را فراهم نماید. در بسیاری از موارد تغییر کاربری اراضی موجب بروز سیل میشود. در این مطالعه در حوضه گنبد چای برای بررسی تأثیر چکدمهای (عملیات مکانیکی آبخیزداری) اصلاحی و پیشنهادی بر روی سیل ابتدا با استفاده از روش فازی سازی و AHP و ترکیب ...
بیشتر
سیل به عنوان مهمترین و فرآوانترین مخاطرات محیطی است که میتواند موجبات خسارات شدیدی جانی و مالی را فراهم نماید. در بسیاری از موارد تغییر کاربری اراضی موجب بروز سیل میشود. در این مطالعه در حوضه گنبد چای برای بررسی تأثیر چکدمهای (عملیات مکانیکی آبخیزداری) اصلاحی و پیشنهادی بر روی سیل ابتدا با استفاده از روش فازی سازی و AHP و ترکیب 4 نقشه شیب، ارتفاع، کاربری اراضی و نفوذپذیری نقشه پایه تهیه گردید و در قدم بعدی با جانمائی چکدمها و تفکیک بندی این عملیات بر اساس ارتفاع و دامنه تأثیر هر کدام از اینها با استفاده از خطوط تراز ارتفاعی، نقشه مربوطه تهیه گردید. در نهایت با تلفیق نقشه مربوط به دامنه تأثیر چکدمها ( اجرائی و پیشنهادی) با نقشه پایه به بررسی پهنه بندی سیل در منطقه مورد مطالعه پرداخته شد. نتایح اینمطالعه نشان می دهد که با احداث چدم ها جه در حالت اجرائی و چه پیشنهادی شاهد افزایش 150 و 300 درصدی سطوح مناطق دارای درجه سیل خیزی خیلی کم و از طرف دیگر باعث کاهش سطوح 7/5 و 3/6 درصدی مناطق با درجه سیل خیزی خیلی بالا به ترتیب برای چکدم های اجرائی و پیشنهادی نسبت به منطقهای که در آن هیچ گونه عملیات سازهای احداث نگردیده است، خواهیم بود.
مهدی سپهری؛ سید عباس عطاپور فرد؛ علیرضا ایلدرومی؛ حمید نوری؛ صبا گودرزی؛ محمد مهدی آرتیمانی؛ مرتضی سلگی
چکیده
برآورد دبی اوج بهعنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازههای آبی و اقدامات بیومکانیکی در حوزههای آبخیز دارد، بهطوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روشهای هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، ...
بیشتر
برآورد دبی اوج بهعنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازههای آبی و اقدامات بیومکانیکی در حوزههای آبخیز دارد، بهطوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روشهای هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، GRNN، ترکیب خوشهبندی FCM و ANFIS) دبی بیشینه رودخانه یلفان در محل ایستگاه هیدرومتری برآورد شود. به این منظور، در این دو مدل هشت متغیر که شامل بارندگی مربوط به روز وقوع سیل، بارندگیهای پنج روز قبل، دبی پایه در روز وقوع سیل و CN حوضه بهعنوان پارامترهای ورودی و دبی پیک بهعنوان خروجی در نظر گرفته شده است. سپس، با استفاده از روش هوش مصنوعی و پیش پردازش دادهها، ساختار بهینه مدلها با استفاده از دادههای ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی، به روش سعی و خطا تعیین شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه (MLP) عملکرد بهتری در برآورد دبی سیلاب نسبت به مدل ترکیبی ANFIS+FCM ،MLP+SOFM ،GRNN در حوضه یلفان دارد.