مجتبی نساجی زواره؛ علی محمد خورشیددوست؛ علی اکبر رسولی؛ علی سلاجقه
چکیده
دما و بارش از پارامترهای مهم جوی برای برنامهریزی در حوضههای آبخیز میباشد. بررسی روند دما و بارش برای برنامهریزیهای آتی در حوضههای آبخیز بسیار حائز اهمیت است. در این مقاله روند پارامترهای جوی دمای ماکزیمم، مینیمم و بارش سالانه و فصلی ایستگاههای سینوپتیک بندرانزلی، رشت، رامسر، بابلسر و گرگان مورد بررسی قرار گرفتند. ...
بیشتر
دما و بارش از پارامترهای مهم جوی برای برنامهریزی در حوضههای آبخیز میباشد. بررسی روند دما و بارش برای برنامهریزیهای آتی در حوضههای آبخیز بسیار حائز اهمیت است. در این مقاله روند پارامترهای جوی دمای ماکزیمم، مینیمم و بارش سالانه و فصلی ایستگاههای سینوپتیک بندرانزلی، رشت، رامسر، بابلسر و گرگان مورد بررسی قرار گرفتند. برای آشکارسازی روند دما و بارش نیاز به سریهای زمانی همگن میباشد. بررسی همگنی سریهای زمانی فصلی و سالانه با استفاده از قضاوت کارشناسی، شناسه تاریخی و آزمون SNHT صورت پذیرفت. تعدادی از سریهای سالانه و فصلی ناهمگن بوده که پس از اطمینان از ناهمگنی آنها تعدیل و به سریهای همگن تبدیل شدند. نتایج نشان میدهد که روند دمای مینیمم و ماکزیمم فصلی و سالانه مثبت و روند بارش فصلی و سالانه منفی میباشد. همچنین روند دمای مینیمم بیشتر از روند دمای ماکزیمم بوده است. مقدار متوسط روند دمای مینیمم، ماکزیمم و بارش سالانه به ترتیب c/decade◦39/0،c/decade ◦05/0 و mm/decade8/31- میباشد. بیشترین مقدار متوسط روند فصلی دمای ماکزیمم و مینیمم مربوط به فصل تابستان است. درحالیکه بارش فصل زمستان بیشترین روند متوسط را در بین فصول مختلف دارد. کمترین روند متوسط فصلی دمای مینیمم و ماکزیمم به ترتیب مربوط به فصول زمستان و بهار است. متوسط روند بارش فصلهای بهار، تابستان و پاییز تقریباً مشابه یکدیگر میباشد.
مجتبی نساجی زواره؛ باقر قرمز چشمه؛ فاطمه رحیم زاده
چکیده
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق بهمنظور بازسازی دبی روزانه ...
بیشتر
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق بهمنظور بازسازی دبی روزانه در یکی از سرشاخههای رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق با استفاده از دادههای دبی روزانه دو ایستگاه بالادست و روشهای شبکه عصبی، فازی-عصبی و رگرسیون دومتغیره دبی روزانه ایستگاه پائیندست بازسازی گردید. در مرحله دوم با گروهبندی مقادیر دبی به سالهای خشک، نرمال و مرطوب دبی روزانه بازسازی شد. نتایج نشان داد روشهای شبکه عصبی و فازی دارای دقت بالاتری نسبت به روش رگرسیون دومتغیره برای بازسازی دبی روزانه بود. بین مدلهای مختلف شبکه عصبی و فازی مدل شبکه عصبی پرسپترون (MLP)دارای قابلیت مناسبتری نسبت به بقیه مدلها است. همچنین گروهبندی دبی به سالهای خشک، نرمال و مرطوب باعث کاهش خطا در بازسازی دبی روزانه گردید. بر اساس شاخص میانگین خطای نسبی (MRE) به ترتیب سالهای نرمال، مرطوب و خشک کمترین خطا در بازسازی دبی روزانه را دارند.