غلامرضا زهتابیان؛ حسن احمدی؛ علی اکبر نظری سامانی؛ امیر هوشنگ احسانی؛ مهدی تازه
چکیده
دشت سرها ازجمله مهمترین واحدهای ژئومرفولوژی می‌باشند که به لحاظ فعالیتها انسانی و بهره برداری، بیشتر مورد توجه قرار میگیرند. تاکنون روشها و عوامل مختلفی نیز جهت طبقه بندی مناطق دشتی ارائه شده است. یکی از روش‌های طبقه بندی که بیشتر در مطالعات منابع طبیعی در ایران مورد استفاده قرار میگیرد، تقسیم بندی واحد دشت سر به سه ...
بیشتر
دشت سرها ازجمله مهمترین واحدهای ژئومرفولوژی می‌باشند که به لحاظ فعالیتها انسانی و بهره برداری، بیشتر مورد توجه قرار میگیرند. تاکنون روشها و عوامل مختلفی نیز جهت طبقه بندی مناطق دشتی ارائه شده است. یکی از روش‌های طبقه بندی که بیشتر در مطالعات منابع طبیعی در ایران مورد استفاده قرار میگیرد، تقسیم بندی واحد دشت سر به سه تیپ دشت سرلخت، اپانداژ و پوشیده میباشد که عوامل مختلف کمی و کیفی جهت تفکیک آنها از یکدیگر به کار گرفته میشود. در این تحقیق پارامترهای ژئومرفومتری کمی موثر در تفکیک لندفرمهای مختلف به منظور طبقه بندی تیپهای دشت سر، با استفاده از شبکه‌های عصبی مصنوعی و آنایز حساسیت، مورد ارزیابی و تحلیل قرار گرفت. این پارامترها در ایران کمتر مورد توجه قرار گرفته و با استفاده از معادلات ریاضی و اعمال روابط مربوطه برروی مدلهای رقومی ارتفاعی، قابل محاسبه و استخراج میباشد. پارامترهای ژئومرفومتری مورد استفاده در این تحقیق شامل درصد شیب، انحنای سطح (Plan Curvature)، انحنای مقطع (Profile Curvature)، انحنای حداقل (Minimum Curvature)، انحنای حداکثر (Maximum Curvature)، انحنای متقاطع (Cross sectional Curvature)، انحنای طولی (Longitudinal Curvature) و انحنای گوسی (Gaussian Curvature ) میباشد. این پارامترها در یک منطقهای به وسعت 125000 هکتارو در 1500 نقطه محاسبه و سپس نتایج با نقشه واقعیت زمینی مورد مقایسه و واسنجی قرار گرفت. روش نمونه بردای در این تحقیق از نوع ابرمکعب لاتین (Latin Hyper cube) میباشد که به نوعی همان روش تصادفی – طبقه بندی شده میباشد. نتایج این تحقیق نشان میدهد که مهمترین پارامترهای ژئومرفومتری موثر در طبقه بندی دشتهای مناطق بیابانی شامل انحنای حداقل و انحنای مقطع میباشد که دارای بیشترین میزان حساسیت در بین تیپهای مختلف دشتی میباشد. از طرف دیگر هرچه از شدت توپوگرافی منطقه کاسته میشود، نقش و اهمیت این عوامل نیز در تفکیک تیپهای دشتی کمرنگ تر میشود. بطوریکه بیشترین قابلیت این پارامترها در دشت سرهای لخت و کمترین کارایی آنها در دشت سر پوشیده میباشد.
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.
علی طالبی؛ شهربانو عباسی جندانی
چکیده
مدل WEPP، به حجم زیادی از دادههای ورودی نیاز دارد. شناسایی پارامترهای حساس مدل و اولویتبندی آنها سبب افزایش دقت و کارایی مدل میشود. از طرفی مدل WEPP میتواند فرایندهای مؤثر در رواناب، فرسایش و رسوب را در طول سال شبیهسازی کند، از این‌رو، حساسیت مدل با توجه به زمان وقوع رگبار و مقدار پارامترها در مقاطع مختلف از سال باید متفاوت ...
بیشتر
مدل WEPP، به حجم زیادی از دادههای ورودی نیاز دارد. شناسایی پارامترهای حساس مدل و اولویتبندی آنها سبب افزایش دقت و کارایی مدل میشود. از طرفی مدل WEPP میتواند فرایندهای مؤثر در رواناب، فرسایش و رسوب را در طول سال شبیهسازی کند، از این‌رو، حساسیت مدل با توجه به زمان وقوع رگبار و مقدار پارامترها در مقاطع مختلف از سال باید متفاوت باشد. برای اثبات این فرض، دو رگبار بهاره و پاییزه مربوط به سال 2008 انتخاب شده و مدل WEPP برای سه پلات با شرایط متفاوت از حوزه آبخیز سنگانه مورد آنالیز حساسیت قرار گرفته است. برای آنالیز حساسیت از روش OAT استفاده شده و درجه حساسیت پارامترها محاسبه شده است. نتایج حاصل نشان میدهد که درصد شن حساس‌ترین پارامتر مدل WEPP میباشد. پس از این پارامتر، پارامترهای درصد رس، هدایت هیدرولیکی مؤثر، مقدار و شدت بارش، درجه روز جوانه زدن، درجه روز فصل رشد و نیز درصدی از فصل رشد که LAI کاهش مییابد، به ترتیب جزو پارامترهای حساس مدل می‌باشند. بیشترین تغییرات در اولویتبندی پارامترهای حساس نیز در فایل گیاه/ مدیریت دیده میشود. درجه حساسیت مدل به این پارامترها در بیشتر موارد در هر سه پلات در رگبار پاییزه نسبت به رگبار بهاره، کاهش قابل ملاحظهای داشته است. به‌طور کلی نتایج حاصل نشان میدهد که میزان حساسیت مدل WEPP به پارامترهای مختلف در طی زمان تغییر می‌کند. از این‌رو برای استفاده از این مدل پیچیده به‌ویژه در مناطق با محدودیت داده، کاربر باید نسبت به این موضوع آگاهی داشته باشد که با توجه به زمان وقوع رگبار، کدام پارامتر در منطقه مطالعاتی بیشتر حساس بوده و باید با دقت بیشتری برداشت شود.
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.
