طیبه مصباح زاده؛ فرشاد سلیمانی ساردو؛ الهام رفیعی ساردویی؛ فاطمه فرزانه پی
چکیده
دمای خاک یکی از مهمترین پارامترهای تأثیرگذار بر روی فرایندهای هیدرولوژیکی میباشد و یکی از عوامل مؤثر در استقرار پوشش گیاهی در مناطق خشک است. بررسی‌ها نشان داده است دمای خاک تحت تأثیر پارامترهایی از قبیل متوسط دمای هوای روزانه، حداقل و حداکثر دمای روزانه، تبخیر، تابش خورشیدی، تعداد ساعات آفتابی و بارش میباشد؛ شناخت از ...
بیشتر
دمای خاک یکی از مهمترین پارامترهای تأثیرگذار بر روی فرایندهای هیدرولوژیکی میباشد و یکی از عوامل مؤثر در استقرار پوشش گیاهی در مناطق خشک است. بررسی‌ها نشان داده است دمای خاک تحت تأثیر پارامترهایی از قبیل متوسط دمای هوای روزانه، حداقل و حداکثر دمای روزانه، تبخیر، تابش خورشیدی، تعداد ساعات آفتابی و بارش میباشد؛ شناخت از مدل تغییرات دما در اعماق مختلف خاک میتواند در تعیین نیاز آبی گیاهان و فعالیتهای بیولوزیکی بسیار مؤثر باشد. با توجه به اهمیت موضوع، در این مطالعه از دادههای سینوپتیکی اصفهان بهمنظور مدلسازی دمای خاک در عمق 5 تا 100 سانتی متری خاک با استفاده از شبکۀ عصبی– مصنوعی استفاده شد. نتایج نشان داد که خطای مدل با افزایش عمق افزایش پیدا میکند بهطوریکه بیشترین خطای مدل در عمق 100 سانتیمتری و کمترین خطای مدلها در عمق 10 سانتیمتر از سطح میباشد. همچنین نتایج نشان داد افزایش خطای مدلهای شبکۀ عصبی مصنوعی در شبیهسازی تغییرات دمای خاک در لایههای عمقی میباشد و علت اصلی افزایش کارایی مدلهای هوش مصنوعی در شبیهسازی دمای خاک در لایههای سطحی نسبت به لایههای تحتانی عمدتاً مربوط به کاهش همبستگی بین پارامترهای اقلیمی و تغییرات دمای خاک در لایههای تحتانی نسبت به لایههای فوقانی است. به طوری که ضریب تغییرپذیری دمای خاک با افزایش عمق نسبت به لایههای سطحی کمتر است و کمتر تحت تأثیر متغیرهای اقلیمی از جمله دمای خاک قرار میگیرد.
فاطمه مقصود؛ محمدرضا یزدانی؛ محمد رحیمی؛ آرش ملکیان؛ علی اصغر ذوالفقاری
چکیده
خشکسالی در نگاهی کلی معلول یک دورۀ شرایط خشک غیرعادی است که به اندازۀ کافی دوام داشته و سبب عدم تعادل در وضعیت هیدرولوژیک یک ناحیه همچون افت منابع آب سطحی و زیرزمینی می‌گردد. هدف از این تحقیق مدلسازی پیش‌بینی خشکسالی هواشناسی در سه مقیاس زمانی کوتاهمدت، میانمدت و بلندمدت در ایستگاه بارانسنجی واقع در دشت جنوبی استان قزوین، ...
بیشتر
خشکسالی در نگاهی کلی معلول یک دورۀ شرایط خشک غیرعادی است که به اندازۀ کافی دوام داشته و سبب عدم تعادل در وضعیت هیدرولوژیک یک ناحیه همچون افت منابع آب سطحی و زیرزمینی می‌گردد. هدف از این تحقیق مدلسازی پیش‌بینی خشکسالی هواشناسی در سه مقیاس زمانی کوتاهمدت، میانمدت و بلندمدت در ایستگاه بارانسنجی واقع در دشت جنوبی استان قزوین، با استفاده از شبکۀ عصبی پرسپترون چندلایه و با در نظر گرفتن پارامترها و سیگنال‌های اقلیمی میباشد. بدین منظور سه سناریوی مختلف بهعنوان ورودی‌های مدل، مورد آزمون قرار گرفت. پس از تعیین متغیرهای ورودی با روش همبستگی متقاطع اقدام به تعیین ترکیب بهینۀ متغیرها با استفاده از آزمون گاما گردید. نتایج نشان داد که با افزایش مقیاس زمانی از کوتاهمدت به بلندمدت، تأثیر سیگنال‌های اقلیمی افزایش و در عوض تأثیر پارامترهای هواشناسی کمتر می‌شود. همچنین مؤثرترین سیگنال اقلیمی و پارامتر هواشناسی در هر مقیاس، به ترتیب MEI (شاخص چندمتغیرۀ النینو- نوسانات جنوبی) و بارندگی معرفی گردیدند. جهت مدلسازی از شبکۀ عصبی با یک لایۀ مخفی با تعداد کافی نرون، با تابع سیگموئید در لایۀ میانی و تابع خطی در لایۀ خروجی استفاده شد. مناسبترین تعداد نرون در هر سناریو تعیین شد. در نهایت براساس معیارهای ارزیابی، مناسبترین ساختار شبکه در هر مقیاس زمانی و در سه سناریوی مورد بررسی تعیین گردید.
