محمودرضا طباطبایی؛ امین صالح پور جم؛ جمال مصفایی
چکیده
مقدمهچرخه فرسایش خاک، شامل برداشت، حمل و رسوبگذاری که رسوبدهی حوزههای آبخیز را کنترل میکند، شامل مجموعهای از فرایندهای پیچیده و به شدت غیرخطی است. از سوی دیگر، عوامل تاثیرگذار در رسوبدهی حوزههای آبخیز بسیار متنوع بوده و با توجه به شرایط خاص اقلیمی، خاکشناسی، پوشش گیاهی، زمینشناسی، توپوگرافی و غیره در هر حوضه، وزن و ...
بیشتر
مقدمهچرخه فرسایش خاک، شامل برداشت، حمل و رسوبگذاری که رسوبدهی حوزههای آبخیز را کنترل میکند، شامل مجموعهای از فرایندهای پیچیده و به شدت غیرخطی است. از سوی دیگر، عوامل تاثیرگذار در رسوبدهی حوزههای آبخیز بسیار متنوع بوده و با توجه به شرایط خاص اقلیمی، خاکشناسی، پوشش گیاهی، زمینشناسی، توپوگرافی و غیره در هر حوضه، وزن و نقش هر یک از عوامل یاد شده در تولید رسوب بسیار متفاوت است. تعیین و اندازهگیری دقیق این عوامل و ایجاد رابطههای ریاضی بین آنها اغلب مشکل، پرهزینه، زمانبر و با خطا همراه بوده است. این در حالی است که با استفاده از مدلهای مبتنی بر هوش محاسباتی و بهکارگیری تعداد محدودی از متغیرهای دینامیک حوضه، میتوان رفتار حوزه آبخیز را در تولید رسوب به خوبی شبیهسازی کرد. صرفنظر از نوع مدلهای هوشمند، در اغلب پژوهشهای انجام شده (بهویژه در تحقیقات داخلی)، شبیهسازی رسوب معلق بهطور عمده، بر پایه متغیر دبی جریان بوده است و به نقش متغیرهایی نظیر بارش (بهویژه بارش اخذ شده از تصاویر ماهوارهای) که در رسوبدهی حوضهها موثرند، کمتر توجه شده است. علاوهبر بارش، چولگی دادههای رسوبسنجی نیز از جمله مسایلی است که عدم شناخت و توجه به آن سبب کاهش کارایی مدلهای برآوردگر خواهد شد. در پژوهش حاضر، نقش متغیر بارش روزانه اخذ شده از ماهواره CHIRPS در شبیهسازی رسوب معلق رودخانه قرهچای مورد بررسی قرار گرفته است. مواد و روشهابهمنظور شبیهسازی غلظت رسوب معلق روزانه رودخانه قرهچای در محل ایستگاه آبسنجی رامیان در استان گلستان، از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به این منظور، از متغیرهای دبی جریان و دبی جریان پیشین در مقیاسهای لحظهای و روزانه و همچنین، متوسط بارش روزانه و پیشین حوضه اخذ شده از ماهواره CHIRPS برای یک دوره آماری 37 ساله (1396-1359) بهعنوان متغیرهای ورودی مدل، استفاده شد. جهت افزایش قدرت تعمیمدهی مدلها، از شبکه عصبی نگاشت خود سازمانده (برای خوشهبندی دادهها) و بهمنظور یافتن بهترین ترکیب متغیرهای ورودی، از آزمون گاما استفاده شد. در راستای افزایش کارایی آموزش شبکه، انواع توابع فعالسازی و زیان و همچنین، الگوریتم جلوگیری از بیش برازش استفاده شد. بهمنظور بررسی تاثیر بهکارگیری توابع فعالسازی و زیان در برآورد رسوب معلق، سناریوهای مختلفی در نظر گرفته شد که در مجموع منجر به ساخت نه مدل شد. پس از آن، با استفاده از شاخصهای صحتسنجی، میزان کارایی مدلها در شبیهسازی رسوب معلق مورد بررسی و مقایسه قرار گرفت و سپس مدل برتر انتخاب شد. نتایج و بحثنتایج پژوهش حاضر، نشان داد که از بین مدلهای مختلف، مدل شبکه عصبی با تابع فعالسازی Huber و تابع زیان ReLU، با داشتن میانگین قدر مطلق خطا برابر 368 میلیگرم در لیتر، ریشه میانگین مربعات خطا برابر 597 میلیگرم در لیتر، ضریب ناش-ساتکلیف 0.87 و درصد اریبی 2.2- درصد، بهعنوان مدل برتر انتخاب شد. نتایج همچنین نشان داد که استفاده از متغیر بارش، بهعنوان یکی از عوامل مهم در ایجاد فرسایش و انتقال رسوب حوضه، سبب بهبود کارایی مدلها شده است. لذا با توجه به سهولت استفاده از دادههای بارش ماهواره CHIRPS، میتوان در شبیهسازی رسوب معلق رودخانهها، از این داده نیز به همراه سایر متغیرهای پیشبینی کننده استفاده شود. نتیجهگیریدر شبیهسازی رسوب معلق، اغلب از متغیر دبی جریان بهعنوان تنها متغیر پیشبینی کننده رسوب معلق استفاده میشود، این در حالی است که در حوضههایی با رژیمهای بارانی، یا بارانی-برفی، نقش بارش در تولید روانابهای سطحی و فرسایش خاک بسیار با اهمیت بوده است و نقش مهمی در تولید و انتقال رسوب حوضه دارد. اگرچه استفاده از دادههای بارش اخذ شده از ایستگاههای بارانسنجی زمینی، نقش موثری در افزایش کارایی مدلهای داده مبنا در برآورد رسوب معلق داشته است، با این حال، تهیه صدها لایه مکانی توزیعی بارش روزانه از دادههای نقطهای ایستگاههای زمینی، استفاده از این متغیر را در شبیهسازی رسوب معلق حوضه با مشکلات فراوان (نظیر کمبود یا نامناسب بودن توزیع مکانی ایستگاههای بارانسنجی، نواقص آماری، بهکارگیری روشهای میانیابی نامناسب و زمانبر بودن انجام محاسبات) روبهرو ساخته است. لذا، در عمل، اغلب از متغیر دبی جریان رودخانه بهعنوان متغیر پیشبینی کننده رسوب استفاده شده و کمتر از بارش استفاده میشود. یکی از راهحلهای برونرفت از مشکل یاد شده که در پژوهش حاضر به آن پرداخته شد، استفاده از دادههای ماهوارهای CHIRPS است که برای اولین بار در این پژوهش مورد بررسی قرار گرفت. این دادهها از سال 1981 میلادی در دسترس است و به سادگی میتواند برای شبیهسازی رسوب معلق یا دیگر کاربردهای مرتبط با حوزههای آبخیز مورد استفاده قرار گیرد. نکته مهم دیگر که لازم است در شبیهسازی رسوب معلق به آن توجه شود، وجود چولگی زیاد در دادههای رسوبسنجی بوده (دادههای رسوب معلق و دبی جریان) که عدم توجه به آن در فرایند آموزش (یا واسنجی) و آزمون مدلها منجر به ساخت مدلهای ضعیف به لحاظ کارایی و وجود عدم قطعیت در صحت نتایج آنها خواهد شد. در این رابطه، لازم است از تبدیلهای لگاریتمی و یا توابع مناسب فعالسازی و زیان در فرایند آموزش استفاده شود که در این پژوهش بهترتیب دو تابع ReLU و Huber پیشنهاد شد. از نکات مهم دیگر، توجه به قدرت تعمیمدهی مدلهای داده مبنا است که تا اندازه زیادی وابسته به دادههای استفاده شده در فرایند واسنجی یا آموزش آنها است. این دادهها باید بهگونهای انتخاب شوند که ضمن آنکه معرف دادهها در کل دوره آماری هستند، با دیگر مجموعههای داده (نظیر مجموعههای ارزیابی یا آزمون)، مشابه و از توزیع یکسان برخوردار باشند. با توجه به نتایج بهدست آمده از پژوهش حاضر و بهمنظور افزایش کارایی مدلهای شبکه عصبی مصنوعی در برآورد رسوب معلق ایستگاههای هیدرومتری حوزههای آبخیز، پیشنهاد میشود از تجارب بهدست آمده در این پژوهش در دیگر ایستگاههای رسوبسنجی کشور نیز استفاده شود.
محمدجعفر سلطانی؛ بهارک معتمدوزیری؛ علی اکبر نوروزی؛ حسن احمدی؛ جمال مصفایی
چکیده
مقدمهپدیده گرد و غبار، از حوادث طبیعی است که بهصورت وسیعی در سطح جهان بهخصوص در مناطق خشک رخ میدهد. از عوامل اصلی و موثر در رخداد این پدیده، موقعیت جغرافیایی و شرایط اقلیمی مناطق تحت تاثیر آن است. هدف این پژوهش، تحلیل روابط علت و معلولی رویدادهای گرد و غبار در منطقه هندیجان با رویکرد چارچوب پیشران-فشار-وضعیت-اثر-پاسخ (DPSIR) ...
بیشتر
مقدمهپدیده گرد و غبار، از حوادث طبیعی است که بهصورت وسیعی در سطح جهان بهخصوص در مناطق خشک رخ میدهد. از عوامل اصلی و موثر در رخداد این پدیده، موقعیت جغرافیایی و شرایط اقلیمی مناطق تحت تاثیر آن است. هدف این پژوهش، تحلیل روابط علت و معلولی رویدادهای گرد و غبار در منطقه هندیجان با رویکرد چارچوب پیشران-فشار-وضعیت-اثر-پاسخ (DPSIR) است.مواد و روشهافرایندDPSIR ، تحلیلی مبتنی بر رابطه علت-معلولی عوامل، برای سیاستگذاری و برنامهریزی مدیریتی است. چارچوب DPSIR یک چارچوب تفکر سیستمی است که فرض میکند، رابطههای علت و معلولی بین سیستمهای محیطی و اقتصادی-اجتماعی وجود دارد. این چارچوب مفهومی، چرخهای از دلایل و نتایج را برای تلفیق مناسب دادهها و اطلاعات پایه اقتصادی، اجتماعی و محیطزیستی بهکار میگیرد و ارتباط فرایندهای محیط زیست را با عوامل انسانی مشخص ساخته و همچنین، منجر به درک ارتباط سطوح سیاستگذاری و مطالعات محیط زیست میشود. در این پژوهش، روند هر مولفه DPSIR نیز با اعمال معیارهای کمی برای دوره زمانی 2019-2007 مورد ارزیابی قرار گرفت.نتایج و بحثنتایج تحقیق نشان داد که شاخص کل همه مؤلفههای DPSIR، برای دوره مورد مطالعه روند صعودی دارند. شیب روند مربوط به مولفههای D، P، S، I و R بهترتیب برابر با 0.06، 0.03، 0.02، 0.05 و 0.02 بوده است. اگرچه برخی از پاسخهای انجام شده برای کاهش تاثیر سایر مؤلفههای DPSIR در جهت بهبود وضعیت گرد و غبار اتخاذ شدهاند، ولی نتایج تحقیق و روند تغییرات نشان میدهند که کافی و یکپارچه نبودهاند. همچنین، در این پژوهش، انواع پاسخهای مربوط به مولفههای نیروی محرکه، فشار، وضعیت و اثرات شناسایی شد. نتایج نشان داد که غلظت گرد و غبار و روزهای غبارآلود منطقه در طول دوره مطالعه افزایش یافته و توجه بیشتری به پاسخهای واکنشی و تمرکز کمتری بر پاسخهای پیشگیرانه شده است. همچنین، توجه به پاسخ بالا بردن راندمان آبیاری بهدلیل همبستگی زیاد بین وضعیت غلظت گرد و غبار و عوامل فشار از جمله میزان بارندگی، رطوبت خاک و بهرهبرداری از منابع آب در منطقه پژوهش، ضروری است. توجه ویژه به توسعه سامانههای استحصال آب بهعنوان یکی از مهمترین پاسخهای مدیریتی بهدلیل وجود همبستگی منفی و زیاد با وضعیت گرد و غبار در طول سالهای پژوهش و تامین مناسب و پایدار منابع آبی با کاهش و به حداقل رساندن سدهای انحرافی پاییندست سدهای کوثر و آسک، بهدلیل افزایش غلظت گرد و غبار با افزایش عملیات انحراف سیلاب و احداث سدهای مخزنی و انحرافی از سال 1389، اهمیت دارد. در نظر گرفتن حقابه تالابها در منطقه با هدف جلوگیری از خشک شدن تالابها و ایجاد کانون گرد و غبار بهویژه در غرب شهرستان هندیجان و دقت در انتخاب گونه گیاهی مناسب و همچنین، انجام عملیات بیابانزدایی (کاشت نهال، مالچپاشی، احداث بادشکن) سازگار با شرایط اکولوژیکی منطقه بهدلیل همبستگی منفی بین عملیات بیابانزدایی و کاهش غلظت گرد و غبار از سال 1394 میتواند به بهبود وضعیت گرد و غبار در منطقه تحقیق کمک نماید.نتیجهگیریدر این راستا، توصیه میشود به نیروهای محرک (D) و فشارها (P) پاسخ داده شود، تا ضمن بهبود شرایط و اثرات نامطلوب ناشی از آن، پیشرانها و فشارهای ایجادکننده وضعیت فعلی نیز قابلکنترل باشند. بر این اساس، اجرای ناقص پاسخها، دلیل دیگری برای عدم دستیابی به اهداف مدیریتی و نامطلوبتر شدن وضعیت و تعداد روزهای غبارآلود است. همچنین، اجرای برنامه یکپارچه مدیریت حوزه آبخیز در شهرستان هندیجان از طریق تدوین برنامه مشترک آب، کشاورزی و منابع طبیعی در بالادست حوزه آبخیز بهمنظور تبیین اقدامات موثر زنجیره تولید، توزیع و مصرف آب پیشنهاد میشود.
امین صالح پور جم؛ حمیدرضا پیروان؛ محمودرضا طباطبایی؛ امیر سررشته داری؛ جمال مصفایی
چکیده
فرایند بیابانزایی با کاهش توان تولید بیولوژیک، منجر به انهدام اکوسیستمهای طبیعی میشود. بهمنظور بررسی پتانسیل خطر بیابانزایی در محدوده مراتع مشرف به اشتهارد (ارتفاعات حلقه دره)، نخست اقدام به تهیه نقشه طبقات شیب، کاربری اراضی و زمینشناسی با هدف ایجاد واحدهای همگن شد، بهطوریکه از طریق روی هم ...
بیشتر
فرایند بیابانزایی با کاهش توان تولید بیولوژیک، منجر به انهدام اکوسیستمهای طبیعی میشود. بهمنظور بررسی پتانسیل خطر بیابانزایی در محدوده مراتع مشرف به اشتهارد (ارتفاعات حلقه دره)، نخست اقدام به تهیه نقشه طبقات شیب، کاربری اراضی و زمینشناسی با هدف ایجاد واحدهای همگن شد، بهطوریکه از طریق روی هم قرار دادن و تقاطع این نقشهها، نقشه واحدهایکاری حاصل شد. در این تحقیق، سه شاخص حساسیتپذیری نسبت به فرسایش، شوری و نفوذپذیری در هر یک از واحدهای کاری در نظر گرفته شدند که در نهایت هر یک بهصورت نقشهای طبقهبندی شده ارایه شدند. در این تحقیق، بهمنظور پهنهبندی منطقه تحقیق از نظر شاخص شوری و نیز نفوذپذیری بهترتیب 185 و 179 نمونه طی سالهای 1396 و 1397 برداشت شد. سپس، اقدام به محاسبه وزن شاخصها و نیز نسبت سازگاری با کاربرد روش فرایند تحلیل سلسله مراتبی (AHP) شد. همچنین، از روش بهینهسازی چندمعیاره و راهحل سازشی (VIKOR) بهمنظور تعیین پتانسیل خطر بیابانزایی استفاده شد، بهطوریکه پس از محاسبه ماتریس استانداردشده موزون، اولویتبندی پتانسیل بیابانزایی واحدها مبتنی بر شاخص ویکور انجام شد. دامنه تغییرات شاخص ویکور گزینهها مبتنی بر روش AHP-VIKOR از 0.443 تا 0.967 متغیر است. نتایج بهدست آمده از روش تحلیل سلسله مراتبی (AHP) نشان داد که از دیدگاه خبرگان، مهمترین عامل موثر در بیابانزایی، شوری است. سایر عوامل، از قبیل حساسیت به فرسایش و نیز ضریب نفوذپذیری بهترتیب در ردههای بعدی اهمیت قرار دارند. نتایج حاصل نشاندهنده انطباق خیلی زیاد طبقات پتانسیل خطر بیابانزایی حاصل از مدل AHP-VIKOR با طبقات مربوطه در نقشه شاهد بوده، بهطوریکه درصد انطباق و نیز عدم انطباق طبقات پتانسیل خطر بیابانزایی محاسباتی با نقشه شاهد بهترتیب 92.91 و 7.09 درصد است. بر این اساس، منطقه تحقیق دارای سه طبقه پتانسیل یا شدت خطر بیابانزایی است. بهطوریکه 169.39 هکتار (0.51 درصد) از منطقه دارای پتانسیل متوسط، 2336.56 هکتار (7.06 درصد) دارای پتانسیل زیاد و 30583.25 هکتار (92.43 درصد) دارای پتانسیل خیلی زیاد است.
محمودرضا طباطبایی؛ امین صالح پور جم؛ جمال مصفایی
چکیده
برآورد صحیح مقدار رسوب معلق رودخانهها، نقش مهمی در مطالعات فرسایش و رسوب، هیدرولوژی و مدیریت حوزههای آبخیز دارد. شبیهسازی رسوب معلق در سیستمهای هیدرولوژیکی که دارای پیچیدگیهای زیاد بوده و درعینحال درک و دانش ما از اجزاء و فرآیندهای درون آنها همواره با عدم قطعیت روبرو است سبب کاربرد فراوان مدلهای هوشمند و از جمله شبکههای ...
بیشتر
برآورد صحیح مقدار رسوب معلق رودخانهها، نقش مهمی در مطالعات فرسایش و رسوب، هیدرولوژی و مدیریت حوزههای آبخیز دارد. شبیهسازی رسوب معلق در سیستمهای هیدرولوژیکی که دارای پیچیدگیهای زیاد بوده و درعینحال درک و دانش ما از اجزاء و فرآیندهای درون آنها همواره با عدم قطعیت روبرو است سبب کاربرد فراوان مدلهای هوشمند و از جمله شبکههای عصبی مصنوعی شده است. با این حال، استفاده از این مدلهای هوشمند نیز با چالش روبرو است. تعیین ساختار مناسب شبکه مستلزم بهینه نمودن پارامترهای مورداستفاده در آن (نظیر تعداد بهینه نرونها و لایهها، وزن و بایاس و نوع توابع فعالسازی) بوده که واسنجی مناسب آنها به روش آزمون و خطا، ضمن کارایی کم، منجر به صرف زمان زیاد میشود. در پژوهش حاضر، به منظور شبیهسازی بار رسوب معلق روزانه رودخانه نیرچای )در محل ایستگاه آب سنجی نیر در استان اردبیل) از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به منظور آموزش مدل شبکه عصبی، علاوه بر روش مرسوم پس انتشار خطا، از الگوریتم بهینهسازی ازدحام ذرات (Particle Swarm Optimization (PSO))، به منظور بهینهسازی مقادیر وزن و بایاس نرونهای مدلهای شبکه عصبی استفاده گردید. به منظور افزایش قدرت تعمیم دهی مدلها، از خوشهبندی فازی استفاده شد. نتایج گرفتهشده از پژوهش حاضر نشان داد که آموزش مدلهای شبکه عصبی با الگوریتم PSO با کاهش خطای برآورد رسوب (کاهش خطای برآورد کل و ریشه میانگین مربعات خطا به ترتیب تا 3/0 درصد و 4/10 تن در روز) کارایی بیشتری نسبت به مدلهای شبکه عصبی که صرفاً از روشهای پس انتشار خطا استفاده مینمایند داشته است. با توجه به اینکه در بهینهسازی پارامترهای شبکه عصبی، الگوریتمهای تکاملی (نظیر الگوریتم PSO) قادر به ارائه راهحلهای مناسبی هستند ، لذا در شبیهسازی پدیدهها و متغیرهای پیچیده حوزههای آبخیز (نظیر رسوب معلق) میتوان از این توانمندی استفاده نمود.