منیژه رضوی حسین آباد؛ علیرضا امیریان چکان؛ محمد فرجی؛ جمال موسویان
چکیده
یکی از روشهای مناسب جهت بررسی تأثیر عملیات حفاظت خاک و مدلسازی فرسایش آبی خاک، بررسی پایداری خاکدانهها و تغییرات مکانی آن است. تحقیق حاضر با هدف مدلسازی پایداری خاکدانهها و تغییرات مکانی آنها در یک منطقه تحت عملیات درختکاری و کنتورفارو و منطقهای مشابه و مجاور آن به عنوان منطقۀ شاهد در منطقۀ چاهماری بهبهان ...
بیشتر
یکی از روشهای مناسب جهت بررسی تأثیر عملیات حفاظت خاک و مدلسازی فرسایش آبی خاک، بررسی پایداری خاکدانهها و تغییرات مکانی آن است. تحقیق حاضر با هدف مدلسازی پایداری خاکدانهها و تغییرات مکانی آنها در یک منطقه تحت عملیات درختکاری و کنتورفارو و منطقهای مشابه و مجاور آن به عنوان منطقۀ شاهد در منطقۀ چاهماری بهبهان در استان خوزستان انجام شد. تعداد 150 نمونه خاک از عمق 0تا 5 سانتیمتری برداشته شد و میانگین وزنی قطر خاکدانهها (MWD) به روش الک خشک (MWDd) و الک تر (MWDw) تعیین گردید. برای تهیۀ نقشۀ توزیع مکانی MWD از تکنیکهای نقشهبرداری رقومیخاک (DSM) استفاده گردید. برایاین منظور، متغیرهای محیطی دارای ارتباط با MWD از تصویر سنجندۀ لندست 8 و مدل رقومی ارتفاع (DEM) استخراج و به منظور برقراری ارتباط بین این متغیرها و MWD از مدلهای شبکههای عصبی مصنوعی (ANN) و درخت رگرسیون (RT) استفاده گردید. نتایج نشان داد اقدامات کنترلی انجام شده در منطقه روی MWDd تأثیر معنیدار ولی روی MWDw تأثیر معنیداری نداشت. آنالیز همبستگی نشان داد بین پارامترهای استخراج شده از DEM با MWDw همبستگی معنیداری وجود نداشت ولی بین برخی پارامترهای استخراج شده از DEM با MWDd همبستگی معنیداری وجود داشت. همچنین همبستگی MWDd و MWDw با اکثر پارامترهای تصویر ماهوارهای معنیدار بود. کارآیی مدلهای ANN و RT در تخمین MWDw نسبتاً بالا و تا حدودی مشابه ولی در تخمین MWDd کارآیی ANN بالاتر از RT بود. به طور کلی نتایج نشان داد روشهای نقشهبرداری رقومی رویکردی مناسب برای تخمین و پهنهبندی MWD میباشند.
محمدرضا یزدانی؛ علی اصغر ذوالفقاری
چکیده
برخی سیگنالهای آب و هوایی با منشأ خارجی میتوانند موجب تغییرات در شرایط آب و هوایی شده و بر میزان آورد جریان رودخانه تأثیرگذار باشند. ازآنجاییکه جریان رودخانه حبله رود نقش بسزایی در توسعه فعالیتهای مختلف خصوصاً کشاورزی منطقه داشته است، لازم است با انجام تحقیقات مناسب میزان جریان، پیشبینی شده تا بتوان مدیریت بهینه منابع آب ...
بیشتر
برخی سیگنالهای آب و هوایی با منشأ خارجی میتوانند موجب تغییرات در شرایط آب و هوایی شده و بر میزان آورد جریان رودخانه تأثیرگذار باشند. ازآنجاییکه جریان رودخانه حبله رود نقش بسزایی در توسعه فعالیتهای مختلف خصوصاً کشاورزی منطقه داشته است، لازم است با انجام تحقیقات مناسب میزان جریان، پیشبینی شده تا بتوان مدیریت بهینه منابع آب خصوصاً در شرایط خشکسالی و اقلیم در حال تغییر در این منطقه را مهیا نمود. در انجام این تحقیق از چهار مدل غیرخطی شبکه عصبی مصنوعی شامل شبکههای پیش خورد تعمیمیافته، شبکههای جوردن المان، شبکههای زمان تأخیری چرخشی و شبکههای تابع پایه شعاعی برای مدلسازی جریان رودخانه حبله رود (ایستگاه بنکوه) طی دوره 1361 تا 1390 استفاده گردید. برای ارزیابی شاخصهای پیوند از دور و نقش آنها در کارایی مدل از 10 شاخص استفاده گردید و متغیرهای ورودی در 4 سناریو مجزا در هر مرحله پس از آنالیز حساسیت دادهها وارد مدل شدند. نتایج بهدستآمده در مرحله تست مدل حاکی از خطای کمتر شبکههای جوردن المان نسبت به سایر مدلها در پیشبینی جریان است (میزان خطا از سناریوی اول تا چهارم به ترتیب برابر 57/5، 9/4، 35/5 و 62/4 است). بهطورکلی میزان خطا از سناریوی اول تا سناریوی چهارم روندی کاهشی را در مدلها نشان میدهد. نتایج بررسیها بیانگر این است که با اضافه نمودن شاخصهای پیوند از دور، میزان خطا در پیشبینی جریان رودخانه حبله رود از 15 تا 31 درصد کاهش مییابد.
ام البنین بذرافشان؛ علی سلاجقه؛ احمد فاتحی مرج؛ محمد مهدوی؛ جواد بذرافشان؛ سمیه حجابی
چکیده
خشکسالی پدیدهای است که برای پیشبینی آن نمیتوان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش میکنند با استفاده از مدلهای پیشرفته دقت پیشبینیها را افزایش دهند. در این زمینه، مدلهای استوکاستیک خطی، شبکة عصبی مصنوعی، و مدلهای هیبرید میتوانند در دقت پیشبینی مفید باشند. تحقیق حاضر به بررسی کارایی مدلهای اتورگرسیو ...
بیشتر
خشکسالی پدیدهای است که برای پیشبینی آن نمیتوان از مدل مشخصی استفاده کرد. بر این اساس، محققان تلاش میکنند با استفاده از مدلهای پیشرفته دقت پیشبینیها را افزایش دهند. در این زمینه، مدلهای استوکاستیک خطی، شبکة عصبی مصنوعی، و مدلهای هیبرید میتوانند در دقت پیشبینی مفید باشند. تحقیق حاضر به بررسی کارایی مدلهای اتورگرسیو میانگین متحرک تجمعی (ARIMA)، شبکة عصبی مصنوعی مستقیم (DMSNN)، شبکة عصبی مصنوعی چندگامی بازگشتی (RMSNN)، مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی مستقیم (HSNNDM)، و مدل هیبرید آریما- شبکة عصبی مصنوعی چندگامی بازگشتی (HSNNRA) در پیشبینی خشکسالی هیدرولوژی در دو مقیاس زمانی ماهانه و فصلی میپردازد. شاخص استانداردشدة جریان (SDI) به عنوان نمایة جریان و شاخص پیشبینیشونده در حوزة آبخیز کرخه انتخاب شد. نتایج این پژوهش نشان میدهد مدل هیبرید شبکة عصبی مستقیم- آریما (HSNNDA) نسبت به سایر مدلها دارای عملکرد بهتری در پیشبینی SDI است و همچنین کارایی مدل در پیشبینی ماهانه بهتر از مقیاس فصلی است.