حمیده افخمی؛ اعظم حبیبی پور؛ محمد رضا اختصاصی
چکیده
تبخیر یکی از پارامترهای اقلیمی مهم در مناطق خشک است و نقش مهمی را در مدیریت منابع آب بازی می‌کند، به همین جهت آگاهی از مقدار تبخیر و مدل‌سازی آن به عنوان یکی از متغیرهای مهم هیدرولوژیکی در تحقیقات کشاورزی و حفاظت آب و خاک از اهمیت زیادی برخوردار است. در دهه‌های اخیر روش‌های هوش مصنوعی در تخمین و پیش‌بینی پدیده‌های غیرخطی توانایی ...
بیشتر
تبخیر یکی از پارامترهای اقلیمی مهم در مناطق خشک است و نقش مهمی را در مدیریت منابع آب بازی می‌کند، به همین جهت آگاهی از مقدار تبخیر و مدل‌سازی آن به عنوان یکی از متغیرهای مهم هیدرولوژیکی در تحقیقات کشاورزی و حفاظت آب و خاک از اهمیت زیادی برخوردار است. در دهه‌های اخیر روش‌های هوش مصنوعی در تخمین و پیش‌بینی پدیده‌های غیرخطی توانایی بالایی از خود نشان داده است. در این تحقیق از سه روش مهم داده‌کاوی شامل شبکة عصبی مصنوعی، شبکه‌های استنتاج فازی و درخت تصمیم رگرسیونی جهت پیش‌بینی تبخیر ماهانه در ایستگاه سینوپتیک یزد استفاده شد. برای این منظور از 8 متغیر هواشناسی در مقیاس ماهانه (متوسط کمینة دما، متوسط بیشینة دما، میانگین دما، ساعات آفتابی، سرعت باد، جهت باد، میانگین رطوبت نسبی و تبخیر) به عنوان ورودی مدل استفاده گردید. نتایج به‌دست‌آمده نشان داد هر سه مدل نامبرده قادرند با استفاده از پارامترهای اقلیمی مذکور به پیش‌بینی مقدار تبخیر ماهانه 12 ماه بعد از وقوع بپردازند ولی در میان سه مدل مورد استفاده، شبکة عصبی مصنوعی با ضریب همبستگی برابر با 97/0r=، 1/5RMSE=،3/36MAE= و 48/0-ME= بهترین کارایی را از خود نشان داد. همچنین نتایج نشان داد در پیش‌بینی تبخیر، تفاوت قابل‌ملاحظه‌ای در زمان استفاده از داده‌های خام و داده‌های نرمال شده وجود ندارد و پردازش داده‌ها تأثیر چندانی در بهبود نتایج مدل‌ها نخواهد داشت.
الهه ظفریان؛ عطاالله ابراهیمی؛ رضا امیدی پور
چکیده
تهیة نقشة پوشش اراضی، از مهمترین منابع اطلاعاتی مدیریت منابعطبیعی محسوب می‌شود. از تصاویر ماهواره‌ای می‌توان نقشه‌های پوشش اراضی را استخراج کرد. گوناگونی در روش‌های طبقهبندی تصاویر ماهواره و انتخاب بهترین روش، یکی از مهمترین مشکلات در استفاده از این ابزار کاربردی می‌باشد. بنابراین، در این تحقیق، به منظور بررسی روند ...
بیشتر
تهیة نقشة پوشش اراضی، از مهمترین منابع اطلاعاتی مدیریت منابعطبیعی محسوب می‌شود. از تصاویر ماهواره‌ای می‌توان نقشه‌های پوشش اراضی را استخراج کرد. گوناگونی در روش‌های طبقهبندی تصاویر ماهواره و انتخاب بهترین روش، یکی از مهمترین مشکلات در استفاده از این ابزار کاربردی می‌باشد. بنابراین، در این تحقیق، به منظور بررسی روند تغییرات پوشش اراضی حوضۀ آبخیز شهرکرد، ابتدا کارآیی روش‌های طبقهبندی حداکثراحتمال، شئ‌گرا و شبکة عصبی مصنوعی ارزیابی و سپس روند تغییرات پوشش اراضی حوضۀ آبخیز شهرکرد در سال‌های 1378، 1387 و 1394 با استفاده از تصاویر لندست TM، ETM+ و OLI بررسی شد. پس از تصحیحات هندسی و رادیومتریک و طبقهبندی، نقشة پوشش اراضی سال 1394 بر اساس سه روش مذکور تهیه گردید. نتایج ارزیابی صحت نقشه‌های تولیدی سال 1394 نشان داد که روش شئ‌گرا در هر دو شاخص صحت کل و ضریب کاپا (به ترتیب 93 و 90%)، دقیق‌تر از دو روش دیگر بوده است. بنابراین، با روش شئ‌گرا روند تغییرات پوشش اراضی بررسی شد. نتایج بررسی روند تغییرات نشان داد که در طول دورة آماری، مناطق مسکونی از 72/1 درصد در سال 1378 به 98/2 درصد در سال 1394 و اراضی کشاورزی نیز در همین دوره از 73/5 درصد به 60/12 درصد افزایش یافته ولی مراتع با کاهش 05/9 درصدی در کل دوره و اراضی بایر در دورة اول (1378-1387) با افزایش 19/6 درصدی و در دورة دوم (1387-1394) با کاهش 27/5 درصدی مواجه بودند. نتیجة حاصل از این تحقیق، نشان داد که طبقهبندی شئ‌گرا نسبت به روش‌های پیکسل پایه برای ارزیابی تغییرات پوشش اراضی ارجحیت دارند.
علی فتح‌زاده؛ سمیه ابدام
چکیده
در بسیاری از حوضه‌های آبخیز کوهستانی، برف انباشته‌شده در برفچال‌ها ذخیرة درخور توجهی از منابع آب حوضه‌ها را تأمین می‌کند. بنابراین، پایش این رژیم هیدرولوژیکی، به‌ویژه بررسی توزیع مکانی ذخایر برفی، از نیازهای اساسی مدیران منابع آب به‌شمار می‌رود. به دلیل سخت‌بودن و حتی در برخی موارد ناممکن‌بودن آماربرداری از داده‌های برف، ...
بیشتر
در بسیاری از حوضه‌های آبخیز کوهستانی، برف انباشته‌شده در برفچال‌ها ذخیرة درخور توجهی از منابع آب حوضه‌ها را تأمین می‌کند. بنابراین، پایش این رژیم هیدرولوژیکی، به‌ویژه بررسی توزیع مکانی ذخایر برفی، از نیازهای اساسی مدیران منابع آب به‌شمار می‌رود. به دلیل سخت‌بودن و حتی در برخی موارد ناممکن‌بودن آماربرداری از داده‌های برف، توسعة روش‌هایی برای برآوردِ عمقِ برف در نقاط فاقد اندازه‌گیری و نیز بررسی دامنة کاربرد آن‌ها امری ضروری است. در این پژوهش محدوده‌ای به مساحت 16 هکتار در حوضة آبخیز سخوید تفت انتخاب شد و با بهره‌گیری از 216 داده عمق برف و دخالت 31 پارامتر سرزمین، به ارزیابی کارایی روش‌های زمین‌آماری (کریجینگ، کوکریجینگ، روش عکس فاصله) و روش شبکة عصبی مصنوعی در برآورد توزیع مکانی عمق برف پرداخته شد. نتایج این تحقیق نشان داد روش شبکة عصبی مصنوعی با ضریب همبستگی 9/0 و مجذور میانگین استاندارد خطای 8/6 سانتی‌متر مناسب‌ترین روش برای برآورد عمق برف در منطقة مورد مطالعه است. همچنین، بهترین مدل عصبی به‌دست‌آمده از روش سعی و خطا در این تحقیق مدل پرسپترون چندلایه و بهترین تابع فعالیت تابع سیگموئید تعیین شد. نتایج آنالیز حساسیت با استفاده از شبکة عصبی مصنوعی نیز نشان داد که از بین پارامترهای به‌کاررفته در شبکة عصبی مصنوعی پارامترهای مقطع طولی انحنا، انحنا، مقطع عرضی انحنا، اثر باد، شیب حوضه، ارتفاع نرمال‌شده، موقعیت و شیب میانه به‌ترتیب جزو مؤثرترین عوامل در برآورد عمق برف‌اند.
محمد میرزاوند؛ هدی قاسمیه؛ محمود اکبری؛ سید جواد ساداتی نژاد
چکیده
مجاورت آبخوان کاشان با جبهة آب شور دریاچة نمک به پیشروی آب شور به داخل آبخوان منجر شده است. در این پژوهش، با توجه به وضعیت موجود، شبیه‌سازی کیفی آب زیرزمینی دشت کاشان با استفاده از مدلهای شبکة عصبی مصنوعی انجام شد. بدین منظور، نخست به تعیین تیپ غالب آب منطقه پرداخته شد. سپس، اقدام به مدل‌سازی شد. نتایج حاصل از بررسی تیپ آب به وسیلة ...
بیشتر
مجاورت آبخوان کاشان با جبهة آب شور دریاچة نمک به پیشروی آب شور به داخل آبخوان منجر شده است. در این پژوهش، با توجه به وضعیت موجود، شبیه‌سازی کیفی آب زیرزمینی دشت کاشان با استفاده از مدلهای شبکة عصبی مصنوعی انجام شد. بدین منظور، نخست به تعیین تیپ غالب آب منطقه پرداخته شد. سپس، اقدام به مدل‌سازی شد. نتایج حاصل از بررسی تیپ آب به وسیلة نمودار پایپر نشان داد که کلرور- سدیم تیپِ غالب آب منطقه است. بنابراین، در مدلسازیها متغیرهای ورودی مدل شامل تراز سطح ایستابی، ارتفاع بارندگی سالیانه، و غلظت کلر در سال قبل و متغیر خروجی مدل غلظت کلر در سال جاری بوده است. نتایج نشان داد مدل MLP نسبت به مدل RBF نتیجة بهتری در پیش‌بینی غلظت کلر داشته است. نتایج حاصل از آنالیز حساسیت نشان داد غلظت کلر و تراز سطح ایستابی در سال قبل به‌ترتیب مهمترین تأثیر را در نتایج شبیه‌سازی غلظت کلر سال جاری داشتهاند.
مهدی وفاخواه؛ همزه سعیدیان
چکیده
پدیدة فرسایش و انتقال رسوب یکی از پیچیدهترین مسائل مدیریت حوزة زه‌کشی رودخانههاست که در بررسی طرحهای آبی اهمیت بسیاری دارد و اندازه‌گیری آن مستلزم صرف وقت و هزینة فراوانی است. مسئلة رواناب سطحی در حوزة آبخیز رودخانهها نیز موضوع پیچیدهای است که اطلاعات و فهم دانش بشری از قوانین فیزیکی حاکم بر آن بعضاً از دیدگاه روابط ...
بیشتر
پدیدة فرسایش و انتقال رسوب یکی از پیچیدهترین مسائل مدیریت حوزة زه‌کشی رودخانههاست که در بررسی طرحهای آبی اهمیت بسیاری دارد و اندازه‌گیری آن مستلزم صرف وقت و هزینة فراوانی است. مسئلة رواناب سطحی در حوزة آبخیز رودخانهها نیز موضوع پیچیدهای است که اطلاعات و فهم دانش بشری از قوانین فیزیکی حاکم بر آن بعضاً از دیدگاه روابط ریاضی محدود است. در این تحقیق، به منظور مدل‌سازی تولید رواناب و رسوب کاربریهای مختلف نهشتههای سازند آغاجاری، بخشی از حوزة آبخیز مرغا در شهرستان ایذه به مساحت 1609 هکتار انتخاب شد. در این تحقیق، از برخی متغیرهای فیزیکی و شیمیایی خاک شامل درصد ماسة خیلی ریز، شن، رس، سیلت، اسیدیته، هدایت الکتریکی، رطوبت، کربنات کلسیم و شوری خاک و رواناب و رسوب در کاربریهای مختلف سازند آغاجاری برای مدل‌سازی استفاده شد. بدین منظور از دستگاه شبیهساز باران در 7 نقطه و با 3 تکرار در سه شدت مختلف 75/0، 1، و 25/1 میلی‌متر در دقیقه در سه کاربری مرتع، منطقة مسکونی، و اراضی کشاورزی میزان رواناب و رسوب اندازه‌گیری شد. همچنین، به همین تعداد، نمونة خاک از عمق ۰ ـ ۲۰ سانتیمتری برداشت شد. در مجموع، تعداد 126 نمونه رواناب و رسوب جمع آوری شد و 189 آزمایش خاک انجام شد. به منظور تجزیه و تحلیلهای آماری از نرم‌افزارهای11.5 SPSS، Excel، وMatlab 2008 استفاده شد. نتایج نشان داد که رگرسیون چندمتغیره در شرایطی با داده‌های ورودی زیاد و خروجی کم نتایج مطلوبتری در مقایسه با شبکة عصبی مصنوعی نشان میدهد. در شدت‌های بالای بارش به علت همگنی داده‌ها عملکرد شبکة عصبی نسبت به شدت‌های پایین بارش بهتر می‌شود. ولی، رگرسیون چندمتغیره در همة شدت‌های بارش بالا و پایین عملکرد بسیار قابل قبولی نشان داد. متوسط خطای نسبی در هر سه کاربری در میزان تولید رسوب در شدت بارش 75/0 میلی‌متر در دقیقه در رگرسیون چندمتغیره 2/7 درصد و میزان مجذور میانگین مربعات خطا 06/0 است و در شبکة عصبی در همین شدت متوسط خطای نسبی 9/146 درصد و مجذور میانگین مربعات خطا 41/0 است. متوسط خطای نسبی در هر سه کاربری در میزان تولید رسوب در شدت بارش 1 میلی‌متر در دقیقه در رگرسیون چندمتغیره 5/8 درصد و میزان مجذور میانگین مربعات خطا 19/0 است و در شبکة عصبی در همین شدت متوسط خطای نسبی 36/96 درصد و مجذور میانگین مربعات خطا 85/0 است. متوسط خطای نسبی در هر سه کاربری در میزان تولید رسوب در شدت بارش 25/1 میلی‌متر در دقیقه در رگرسیون چندمتغیره 8/1 درصد و میزان مجذور میانگین مربعات خطا 38/0 است و در شبکة عصبی در همین شدت متوسط خطای نسبی 6/37 درصد و مجذور میانگین مربعات خطا 73/0 است.
آرش ملکیان؛ مه رو ده بزرگی؛ امیر هوشنگ احسانی؛ امیر رضا کشتکار
چکیده
محدودیت منابع آب ناشی از خشک‌سالی‌های متوالی، از مهمترین معضلات استان سیستان و بلوچستان است.در این پژوهش برای پیش‌بینی سیکل خشک‌سالی در 9 ایستگاه هواشناسی استان سیستان و بلوچستان از شبکة عصبی مصنوعی استفاده شد. داده‌های مورد استفادة ورودی شبکه شامل بارش سالانه و شاخص دهک بارش (DPI) ایستگاه‌‌ها است که از سال 1350 تا 1379 برای آموزش ...
بیشتر
محدودیت منابع آب ناشی از خشک‌سالی‌های متوالی، از مهمترین معضلات استان سیستان و بلوچستان است.در این پژوهش برای پیش‌بینی سیکل خشک‌سالی در 9 ایستگاه هواشناسی استان سیستان و بلوچستان از شبکة عصبی مصنوعی استفاده شد. داده‌های مورد استفادة ورودی شبکه شامل بارش سالانه و شاخص دهک بارش (DPI) ایستگاه‌‌ها است که از سال 1350 تا 1379 برای آموزش مدل و از سال 1380 تا 1387 برای اعتبارسنجی شبکه است. شبکة مورد استفاده از نوع پرسپترون چندلایه بود و از الگوریتم پس انتشار خطا و تابع محرک سیگموئید استفاده شد. تعداد نرون‌‌های لایه‌ها بر اساس کمترین میزان خطا محاسبه شد و به صورت ساختار لایة 1-10-1 است. سپس، عمل پیش‌بینی خشک‌سالی توسط الگوریتم آموزش دیده‌شده توسط شبکة عصبی مصنوعی و بدون استفاده از داده‌های واقعی و مشاهداتی برای سال‌های 1388 تا 1391 صورت گرفت. نتایج نشان داد شبکة عصبی مصنوعی با همبستگی 97% و میانگین خطای (RMSE) کمتر از 5% قادر به پیش‌بینی شاخص خشک‌سالی بر اساس دهک بارش است. نتایج پیش‌بینی شاخص خشک‌سالی دهک بارش نشان‌دهندة این مطلب بود که خشک‌سالی در طی سال‌های 1388ـ 1391 به طور کلی روند افزایشی داشته است. از این رو، با استفاده از این روش می‌توان وضعیت خشک‌سالی را در سال‌های آتی و بدون استفاده از آمار هواشناسی پیش‌بینی کرد و در مدیریت و بهره‌وری منابع آب و نیز مدیریت خشک‌سالی و تغییرات اقلیمی از این روش بهره جست.
روح الله تقی زاده مهرجردی؛ فریدون سرمدیان؛ غلامرضا ثواقبی؛ محمود امید؛ نورایر تومانیان؛ محمد جواد روستا؛ محمدحسن رحیمیان
چکیده
در سال‌های اخیر از روش‌های غیرمستقیم برای برآورد شوری خاک استفاده می‌شود. بدین منظور، در این پژوهش ششصد نمونة جمعآوریشده از منطقة اردکان آزمایش شد و قرائت‌های افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی ـ شامل شاخص اراضی، شاخص خیسی، و انحنای شیب ـ به عنوان ویژگی‌های زودیافت استفاده شد و میزان شوری ...
بیشتر
در سال‌های اخیر از روش‌های غیرمستقیم برای برآورد شوری خاک استفاده می‌شود. بدین منظور، در این پژوهش ششصد نمونة جمعآوریشده از منطقة اردکان آزمایش شد و قرائت‌های افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی ـ شامل شاخص اراضی، شاخص خیسی، و انحنای شیب ـ به عنوان ویژگی‌های زودیافت استفاده شد و میزان شوری خاک به صورت وزنی در اعماق 30 و 100 سانتیمتری به عنوان ویژگی‌های دیریافت تخمین زده شد. در این زمینه، داده‌ها به دو سری تقسیم شد: سری آموزشی (80% داده‌ها)؛ سری ارزیابی (20% داده‌ها). به منظور مدل‌سازی و پیش‌بینی شوری، از مدلهای نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک، و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدل‌ها ـ بر اساس شاخصهای ریشة مربعات خطا، میانگین خطا، خطای استاندارد نسبی، و ضریب تبیین ـ نشان داد که مدل نروفازی دارایِ بالاترین دقت در پیش‌بینی ویژگی‌های خاک است، به طوری که این مدل به میزان 17 و 11 درصد دقتِ پیش‌بینی شوری را، به‌ترتیب، در اعماق 30 و 100 سانتیمتری، نسبت به روش رگرسیون خطی چندگانه، افزایش داده است. پس از این مدل، الگوریتم ژنتیک و شبکه‌های عصبی مصنوعی، نسبت به معادلات رگرسیونی، کارآیی بهتری داشت.
