ORIGINAL_ARTICLE
برآورد پروفیل سطح آب در کانال مرکب با وجود پوششگیاهی در سیلابدشت
تخمین سطح آب در زمان وقوع سیلاب یکی از مهمترین چالشها در مدیریت و کنترل سیلاب میباشد. در هنگام وقوع سیلاب، رودخانه به صورت یک کانال مرکب شامل کانال اصلی و سیلابدشتها عمل میکند. وجود پوششگیاهی در سیلابدشت تاثیر قابل توجهی بر هیدرولیک جریان دارد و میزان این تاثیر به نوع پوشش گیاهی، انعطاف پذیری، چیدمان، تراکم، استغراق و عدم استغراق وابسته است. مدلسازی پروفیل سطح آب برای برآورد رابطه دبی اشل، طراحی سازههای هیدرولیکی، مدیریت رودخانه و کنترل سیلاب ضروری است. هدف از این مطالعه ارائه مدلی جهت تخمین سطح آب در کانال مرکب با وجود پوششگیاهی صلب در سیلابدشت میباشد، به این منظور تاثیر پارامترهای مختلفی از جمله چیدمان، تراکم، عمق نسبی و فاصله نسبی بر پروفیل سطح آب به صورت آزمایشگاهی بررسی شده است. آزمایشات در دو چیدمان مربعی و شطرنجی، سه تراکم مختلف و پنج عمق نسبی مختلف انجام و وابستگی پروفیل بدون بعد سطح آب به تغییر این چهار پارامتر بیبعد بررسی گردید. سپس با استفاده از دادههای آزمایشگاهی، یک مدل رگرسیونی چند متغیره(MRM) به منظور پیشبینی پروفیل سطح آب ارائه شد. نتایج نشان میدهد که رابطه دبی اشل در کانال مرکب با وجود پوشش گیاهی در سیلابدشت، در تمام شرایط به صورت نمایی و با R2 بالاتر از 9/0 میباشد. مقایسه نتایج حاصل از مدل رگرسیونی برآورد پروفیل سطح آب با دادههای آزمایشگاهی توافق خوبی با R2، 96/0 و درصد میانگین خطای مطلق 31/2 % را نشان میدهد.
https://www.waterjournal.ir/article_128110_b35dc046db35b22d86a78647170f4c46.pdf
2021-03-21
1
19
واژههای کلیدی: پروفیل سطح آب
کانال مرکب
پوشش گیاهی
رگرسیون گیری چندمتغیره
مرضیه
محسنی
mohseni_m@sirjantech.ac.ir
1
استادیار دانشکده مهندسی عمران، دانشگاه صنعتی سیرجان، سیرجان، ایران،
LEAD_AUTHOR
فاطمه
توکلی
tavakoliii73@gmail.com
2
دانشآموخته کارشناسی ارشد سازههای هیدرولیکی، دانشگاه صنعتی سیرجان،
AUTHOR
ORIGINAL_ARTICLE
بررسی مقطع بهینه هیدرولیکی در کانالهای سهمی شکل دو بخشی
از میان تمامی مقاطعی که میتوانند یک دبی مشخص را انتقال دهند، تنها مقطع بهینه هیدرولیکی است که کمترین محیط خیس شده را ایجاد میکند. در پژوهش حاضر سعی بر یافتن مقطع بهینه هیدرولیکی دو نوع کانال مرکب با سطح مقطع سهمی و سهمی با عرض کف صافشده است. لذا با ثابت در نظر گرفتن مقدار مساحت و انتخاب مقدار محیط مرطوب بهعنوان تابع هدف، پارامترهای هندسی بهینه هیدرولیکی برای دو تیپ سهمی شکل و سهمی شکل با عرض کف صاف به دست آمد و معادلات بهترین مقطع هیدرولیکی هر تیپ استخراج شد. نتایج نشان داد مدل بهینه تیپ 1، به ازای دبی و ضریب زبری و شیب طولی مشخص، کمترین مقدار محیط خیس شده و درنتیجه کمترین هزینه را از میان مقاطع دیگر نظیر نیمه ششضلعی منتظم، نیمه هشتضلعی منتظم و نیمه ده ضلعی منتظم و تیپهای استاندارد سهمی و سهمی با عرض کف صاف ایجاد میکند و به محیط خیس شده نیمدایره بسیار نزدیکتر است. همچنین هر دو تیپ مقطع پیشنهادی هزینه بسیار کمتری نسبت به مقاطع بهینه تحقیقات پیشین را بدست میدهند.
https://www.waterjournal.ir/article_128111_cc36f7b02b7317a458ddf4c8afe68d68.pdf
2021-03-21
20
34
10.22125/iwe.2021.128111
بهترین مقطع هیدرولیکی
کانال دوبخشی
کانال سهمی با عرض کف صاف
حجت الله
یونسی
yonesi.h@lu.ac.ir
1
عضو هیئت علمی گروه مهندسی آب ، دانشکده کشاورزی دانشگاه لرستان
LEAD_AUTHOR
الهه
حسینیان
el_hosseinian5664@yahoo.com
2
گروه مهندسی آب دانشگاه لرستان
AUTHOR
حسن
ترابی پوده
torabi1976@gmail.com
3
گروه سازه های آبی، دانشکده کشاورزی, دانشگاه لرستان، خرم آباد، لرستان
AUTHOR
ORIGINAL_ARTICLE
تاثیر پارامترهای هندسی بر خصوصیات هیدرولیکی جریان در سرریزهای مایل
سرریزها از جمله سازههای هیدرولیکی مهم برای کنترل جریان، تنظیم سطح آب در بالادست و اندازهگیری دبی جریان در کانالهای شبکههای آبیاری و رودخانهها میباشند. سرریزهای مایل در یک عرض مشخص دارای طول مؤثر بیشتری در مقایسه با سرریزهای معمول میباشند که این مسئله میتواند بر ضریبدبی و راندمان این نوع سرریزها تاثیرگذار باشد. در تحقیق حاضر تأثیر پارامترهای هندسی بر خصوصیات هیدرولیکی جریان در سرریزهای مایل با استفاده از نرمافزار انسیس فلوئنت به صورت سه بعدی مورد بررسی و تحقیق قرار گرفته است. شبیهسازی عددی توسط نتایج آزمایشگاهی صحتسنجی گردید. ارتفاع سرریز(P) ، زاویه سرریز با دیواره کانال ) (α، ارتفاع آب بالای تاج سرریز(h) و طول موثر تاج سرریز (Le) مورد بررسی قرار گرفت. عملکرد مدل رگرسیونی خطی در کاربرد رابطه ضریب دبی سرریزهای مایل بررسی شد. نتایج نشان داد که رابطه رگرسیونی بدست آمده در تحقیق حاضر تطابق بسیار خوبی با نتایج مدل عددی دارد. همچنین نتایج مدل عددی با نتایج سایر محققین مقایسه گردید. در سرریزهای مایل در طولهای موثر مختلف با افزایش H/P، در یک H/P ثابت، با افزایش طول موثر تاج سرریز، ضریبدبی کاهش و دبی جریان عبوری افزایش مییابد. در ضمن افزایش ارتفاع سرریز، موجب افزایش دبی جریان عبوری میگردد.
https://www.waterjournal.ir/article_128112_83dd21a268082d0655b7f01709d2be71.pdf
2021-03-21
35
54
10.22125/iwe.2021.128112
سرریز مورب
ضریب دبی
مدل عددی
انسیس فلوئنت
دبی جریان عبوری
رضا
نوروزی
rezanorouzi1992@tabrizu.ac.ir
1
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
AUTHOR
هادی
ارونقی
arvanaghi.hadi@gmail.com
2
گروه علوم و مهندسی آب، دانشکده کشاورزی- دانشگاه تبریز
LEAD_AUTHOR
فرزین
سلماسی
salmasi@tabrizu.ac.ir
3
دانشگاه تبریز، گروه مهندسی آب
AUTHOR
داود
فرسادی زاده
farsadi@tabrizu.ac.ir
4
مهندسی آب, کشاورزی, تبریز, تبریز , دانشگاه تبریز, ایران
AUTHOR
محمد علی
قربانی
ghorbani@tabrizu.ac.ir
5
دانشیار، گروه مهندسی آب، دانشگاه تبریز
AUTHOR
بابایی، ا.، ح. کرمی و س. فرزین. 1398. بررسی عددی خصوصیات جریان در سرریز لبه تیز با مقطع افقی مثلثی با زاویه رأس در پاییندست. فصلنامه علمی پژوهشی مهندسی آبیاری و آب ایران، سال نهم، شماره 35، ص 65-49.
1
نیکپیک، پ. و م. کاشفیپور. 1395. تأثیر شرایط هیدرولیکی و هندسه سرریز در مدلسازی ریاضی ضریب دبی سرریزهای نوکاردکی و مایل. علوم و مهندسی آبیاری، جلد 39، شماره 1، ص 10-1.
2
فرزین، س.، ح. کرمی، ف. یحیوی و ش. نیر. 1397. بررسی عددی مشخصات هیدرولیکی جریان اطراف سرریز لبه تیز قائم و مورب با شبیه سازی در نرم افزار Flow3D. مجله پژوهش های عمران و محیط زیست، دوره 4، شماره 1، ص24-15.
3
نورانی، ب.، ر. نوروزی، ف. سلماسی و ف. رضایی. 1398. بررسی رابطه دبی- اشل و ضریب دبی جریان در سرریزهای لبه تیز پلان مثلثی. نشریه مهندسی عمران امیر کبیر، (DOI): 10.22060/CEEJ.2019.16931.6399
4
Afzalimehr, H. and S. Bagheri. 2009. Discharge coefficient of sharp-crested weirs using potential flow. Journal of Hydraulic Research, 47(6): 820-823.
5
Arvanaghi, H. and G. Mahtabi. 2014. Numerical Investigation of Discharge Coefficient in Combined Weir-Gate with Equal Contraction. Journal of Current Research in Science, 2(4): 460.
6
Bilhan, O., M. Aydin, M. Emiroglu and C. Miller. 2018. Experimental and CFD Analysis of Circular Labyrinth Weirs. Journal of Irrigation and Drainage Engineering, 144(6), 04018001-04018007.
7
Crookston, B.M. and B.P. Tullis. 2012. Discharge efficiency of reservoir application specific labyrinth weirs. Irrig. Drain. Engr. ASCE. 138(6): 773-776.
8
Carrillo, J., J. Matos and R. Lopes. 2019. Numerical modeling of free and submerged labyrinth weir flow for a large sidewall angle. Journal of Environmental Fluid Mechanics, 20: 357-374.
9
Daneshfaraz, R., O. Minaei, J. Abraham, S. Dadashi and A. Ghaderi. 2019. 3-D Numerical simulation of water flow over a broad-crested weir with openings. ISH Journal of Hydraulic Engineering,1:1-9.
10
Dabling, M.R. and B.P. Tullis. 2017. Modifying the downstream hydrograph with staged labyrinth weirs. Journal of Applied Water Engineering and Research, 6(3): 183-190.
11
Emami, S., H. Arvanaghi and J. Parsa. 2018. Numerical Investigation of Geometric Parameters Effect of the Labyrinth Weir on the Discharge Coefficient. Journal of Rehabilitation in Civil Engineering, 6(1): 1-9.
12
Hay, N. and G. Taylor. 1970. Performance and design of labyrinth weirs. Hydraulic. Eng., ASCE, 96(11): 2337-2357.
13
Mahtabi, G. and H. Arvanaghi. 2018. Experimental and numerical analysis of flow over a rectangular full-width sharp-crested weir. Journal of Water Science and Engineering, 11(1): 75-80.
14
Kumar, S., Z. Ahmad, T. Mansoor and S.K. Himanshu. 2011. A New Approach to Analyze the Flow over Sharp Crested Curved Plan form Weir. International Journal of Recent Technology and Engineering 2(1), 2277-2290.
15
Norouzi, R., H. Arvanaghi, F. Salmasi, D. Farsadizadeh and M.A. Ghorbani. 2020. A new approach for oblique weir discharge coefficient prediction based on hybrid inclusive multiple mode. Flow Measurement and Instrumentation. 76(11).
16
Taylor, G..1968. The Performance of Labyrinth Weirs. University of Nottingham, UK.
17
Rezaee, M., A. Emadi and Q. Aqajani Mazandarani. 2016. Laboratory study overflow rectangular Congress. Journal of Water and Soil Science, 29(6): 1438-1446.
18
ORIGINAL_ARTICLE
تأثیر عمق نسبی سیلاب روی هیدرولیک جریان در کانالهای مرکب پیچان
رودخانهها به عنوان مسیرهای اصلی و زهکشهای طبیعی، همواره نقش قابلتوجهی در انتقال جریانهای سیلابی دارند. در زمان وقوع سیل، آب از مقطع اصلی رودخانه فراتر رفته و وارد دشتهای سیلابی میشود. در این حالت مقطع رودخانه به صورت مقطع مرکب در میآید. در این تحقیق با مطالعه هیدرولیک کانالهای مرکب پیچان، اثر تغییر عمق نسبی جریان سیلابی روی شرایط هیدرولیکی جریان و میزان دبی عبوری از مقطع اصلی رودخانه مورد بررسی قرار گرفته است. برای این منظور با بهرهگیری از نرمافزارFlow3D شش کانال با میزان سینوسیتی مختلف در سه عمق نسبی با میزان دبی سیلابی متفاوت مورد بررسی قرار گرفت. نتایج حاصل از شبیهسازی عددی نشان میدهد که با افزایش عمق نسبی از 26/0به 45/0 (73% افزایش)، میزان سرعت متوسط عمقی در تمامی کانالها به دلیل کاهش مقاومت جریان بهطور متوسط 25% افزایش و میزان دبی عبوری از کانال اصلی به دبی کل بهطور متوسط در تمامی مقادیر سینوسیتی، 33% کاهش مییابد. همچنین، نتایج این تحقیق نشان میدهد تنش برشی بستر درنزدیکی قوس داخلی کانال اصلی بیشتر از قوس خارجی بوده که با کاهش عمق نسبی در کانال مرکب پیچان، از میزان تنش برشی بستر و سرعت جریان کاسته میشود و میزان تنش برشی دیوارة قوس داخلی کانال اصلی در تمام کانالها از تنش برشی دیوارة قوس خارجی بیشتر بوده که با افزایش عمق نسبی بر میزان تنش برشی دیواره افزوده میشود.
https://www.waterjournal.ir/article_128113_993b1563ab2c986a622d17d2eca66b34.pdf
2021-03-21
55
78
10.22125/iwe.2021.128113
کانال مرکب پیچان
عمق نسبی
تنش برشی بستر
سرعت جریان
Flow3D
محمد
نقوی
m.naghavi@urmia.ac.ir
1
دکترای مهندسی عمران- آب و سازه های هیدرولیکی، دانشکده فنی و مهندسی، دانشگاه ارومیه، ارومیه، ایران
AUTHOR
میر علی
محمدی
m.mohammadi@urmia.ac.ir
2
گروه مهندسی عمران، دامشکده فنی و مهندسی، دانشگاه ارومیه
LEAD_AUTHOR
قربان
مهتابی
ghmahtabi@znu.ac.ir
3
گروه مهندسی آب، دانشگاه زنجان
AUTHOR
بهرام پور، م.، بارانی، غ و ذونعمت کرمانی، م. 1398. پیش بینی دبی جریان در مقاطع مرکب، مقایسه روشهای داده محور و تجربی. نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، سال 9، شماره 36، ص 25-39.
1
قاسم زاده، ف. 1392. شبیه سازی مسائل هیدرولیکی در Flow 3D . انتشارات نوآور، تهران.
2
نجفیان، ش.، یونسی، ح.، پارسایی، ع و ترابی پوده، ح. 1396. مدلسازی عددی و فیزیکی خصوصیات جریان در کانال مرکب منشوری با زبری ناهمگن. نشریه تحقیقات کاربردی مهندسی سازه های آبیاری و زهکشی، جلد 18، شماره68، ص1-16.
3
نقوی، م.، محمدی، م و مهتابی، ق. 1398. سرعت جریان در کانال مرکب پیچان تحت تأثیر ضریب خمیدگی. مجله مهندسی عمران مدرس، دوره19، شماره 5، ص208-219.
4
Carling, P.A., Cao, Z., Holland, M. J., Ervine, D. A. and Babaeyan-Koopaei, K. 2002. Turbulent flow across a natural compound channel, Water Resources Research, 38(12).
5
De Marchis, M. and Napoli, E. 2008. The effect of geometrical parameters on the discharge capacity of meandering compound channels, Advances in Water Resources, 31:1662–1673.
6
Ervine, D.A. and Ellis, J. 1987. Experimental and computational Aspects of Overbank Flood-Plain Flow, Transactions of the Royal Society of Edinburgh, 78(4): 315-325.
7
Ervine, D.A., Willetts, B.B., Sellin R.H.J. and Lorena M. 1993. Factors affecting conveyance in meandering compound flows, Journal of Hydraulic Engineering, 119(12):1383–1399.
8
Ervine, D.A., Babaeyan-Koopaei, K. and Sellin, R.H.J. 2000. Two- dimensional solution for straight and meandering overbank flows, Journal of Hydraulic Engineering, ASCE, 126(9): 653-669.
9
Knight, D.W. and Demetriou, J. D. 1983. Flood plain and main channel flow interaction, Journal of Hydraulic Engineering, 109(8): 1073-1092.
10
Knight, D.W. and Sellin, R. H. J. 1987. The SERC flood channel facility, Journal of Institution of Water and Environment Management, 41(4): 198-204.
11
Liu, C., Luo, X., Liu, X.N. and Yang, K.J. 2013. Modeling depth-averaged velocity and bed shear stress in compound channels with emergent and submerged vegetation, Advances in Water Resources, 60: 148-159.
12
Liu, C., Wright, N., Liu, X. and Yang, K.2014. An analytical model for lateral depth-averaged velocity distributions along a meander in curved compound channels, Advances in Water Resources, 74:26–43.
13
Liu, C., Shan, Y., Liu, X. and Yang, K. 2016. Method for assessing stage-discharge in meandering compound channels, J. ICE-Water Management, 169(1):17-29.
14
Liu, C., Shan, Y., Liu, X., Yang, K. and Liu, H. 2016. The effect of floodplain grass on the flow characteristics of meandering compound channels, Journal of Hydrology, 542:1-17.
15
Rameshwaran, P. and Shiono, K. 2007. Quasi two-dimensional model for straight overbank flows through emergent vegetation on floodplains, Journal of Hydraulic Research, 45(3): 302-315.
16
Shiono, K. and Knight, D. W. 1991. Turbulent open channel flows with variable depth across the channel, Journal of Fluid Mechanics, 222: 617-646.
17
Shiono, K. and Muto, Y. 1998. Complex flow mechanisms in compound meandering channels with overbank flow, Journal of Fluid Mechanics, 376: 221–261.
18
Shiono, K.,Muto, Y., Knight, D.W. and Hyde, A.F.L. 1999. Energy losses due to secondary flow and turbulence in meandering channel for overbank flows,Journal of Hydraulic Research,37(5):641-664.
19
Spooner, j. 2001. Flow structures in a compound meandering channel with flat and natural bedforms, Ph.D. thesis, Loughborough University, UK.
20
Tang, X. and Knight, D.W. 2008. Lateral depth-averaged velocity distributions and bed shear in rectangular compound channels, Journal of Hydraulic Engineering, 134(9): 1337-1342.
21
Tominaga, A., Nezu, I., Ezaki, K. and Nakagawa, H. 1989. Three-dimensional turbulent structure in straight open channel flows, Journal of Hydraulic Research, 27(1): 149-173.
22
Yang, K. J., Cao, S.Y. and Knight, D. W. 2007. Flow patterns in compound channels with vegetated floodplains, Journal of Hydraulic Engineering, 133(2):148-159.
23
Yang, K.J., Nie, R.H., Liu, X.N. and Cao, S.Y. 2013. Modeling depth-averaged velocity and boundary shear stress in rectangular compound channels with secondary flows, Journal of Hydraulic Engineering, 139(1): 76-83.
24
ORIGINAL_ARTICLE
ارزیابی کارایی مدل بارش-رواناب GR4J در شبیهسازی دبی روزانه جریان در حوزه آبخیز نیرچای اردبیل
با توجه به لزوم برآورد دقیق مقادیر دبیهای روزانه در آبخیزهای فاقد آمار و پیشبینی رفتارهیدرولوژیک آبخیزها، بر اهمیت آزمون مدلهای بارش-رواناب تاکید میکند. مدل GR4J مدل بارش-رواناب یکپارچه بوده که با ورودیهای محدود و سهلالوصول نتایج قابل قبولی را ارائه میکند. در پژوهش حاضر به بررسی کارایی مدل GR4J در شبیهسازی دبی روزانه جریان در حوزه آبخیز نیرچای اردبیل پرداخته شد. از دادههای روزانه بارش، تبخیر و تعرق و دبی در فاصله سالهای 1391-1381 استفاده گردید. پس از بهدست آوردن پارامترهای مدل، مدل با روش سعی و خطا مورد واسنجی قرار گرفت و سپس با دادههایی متفاوت اعتبارسنجی شد. نتایج شبیهسازی نشان داد که، علیرغم بیش تخمینی مقادیر شبیهسازی شده مدل در مرحله اعتبارسنحی، شبیهسازی مدل در روند تغییرات جریان و نیز دورههای جریان کمینه مناسب بوده است. ارزیابی نتایج مدل با معیار نش-ساتکلیف نشان داد که دامنه تغییر مقادیر این شاخص در سالهای مختلف بین 77/0-31/0 میباشد. ارزیابی نتایج نشان داد که، نتایج شبیهسازی و برآورد شده دبی بهوسیله مدل GR4J در حد متوسط و قابل قبولی میباشد و مدل مذکور میتواند برای حوزههایی مشابه از نظر اقلیمی، فیزیوگرافی و کاربری اراضی مورد استفاده قرار گیرد. وجود اختلاف ارتفاعی ایستگاه ثبت دادههای اقلیمی با مرکز ثقل حوزه و تفاوت مقادیر ورودی به مدل با مقادیر واقعی موثر بر دبی میتواند منشاء بروز خطا در نتایج باشد. علیرغم آزمون مدل در آبخیزهای متعدد، بنظر میرسد که مساحت و واکنش هیدرولوژیک آبخیز بر شبیهسازی مدل (مقیاس زمانی روزانه است) موثر باشد. لذا رفتار جریان مشاهداتی آبخیز نیرچای با واکنش سریع ناشی از شیب و مساحت کم، در مدل بارش-رواناب بهطور مناسب شبیهسازی نشده است.
https://www.waterjournal.ir/article_128114_d286a80c30c2427a9cd80aad9b7e5957.pdf
2021-03-21
79
95
10.22125/iwe.2021.128114
مدل GR4J
واسنجی
اعتبارسنجی
مدلسازی جریان
مدل بارش-رواناب
حوزه نیرچای
رئوف
مصطفی زاده
raoofmostafazadeh@uma.ac.ir
1
گروه منابع طبیعی، دانشکده کشاورزی و منابع طبیعیدانشگاه محقق اردبیلی
LEAD_AUTHOR
ابراهیم
عسگری
ebrahim.asgari90@yahoo.com
2
گروه مرتع و آبخیزداری، دانشگاه یزد
AUTHOR
جباری، آ. 1395. ارزیابی مدلهای مختلف هیدرولوژیکی و انتخاب مدل برتر در راستای ارائه سناریوهای مختلف الگوی کشت، رساله دکتری مهندسی آب، دانشگاه ارومیه.
1
خیرفام، ح.، ر. مصطفیزاده و س.ح.ر. صادقی. 1392. تخمین دبی روزانه با استفاده از مدل IHACRES در برخی از حوزههای آبخیز استان گلستان. پژوهشنامه مدیریت حوزه آبخیز، جلد 4، شماره 7، ص 127-114.
2
ذاکر، م.، ر. آقایاریسامیان، ی. مهدیزاده و ع. لطیفی. 1392. تحلیلی بر توان محیطی حوضه آبریز آغلاغانچای نیر با تاکیر بر اکوتوریسم منطقه. اولین همایش ملی گردشگری، جغرافیا و محیط زیست پایدار، 30 آبان 1392، دانشکده شهید مفتح، همدان، 12-1.
3
رضایی، ع. 1383. مدلسازی منطقهای دبیهای اوج زیرحوزههای آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی، رساله دکتری آبخیزداری، دانشکده منابع طبیعی کرج، دانشگاه تهران، تعداد صفحات 141.
4
روحانی، ح. و م. فراهیمقدم. 1392. واسنجی خودکار دو مدل بارش-رواناب تانک و SIMHYD با استفاده از الگوریتم ژنتیک. نشریه مرتع و آبخیزداری (منابع طبیعی ایران)، جلد 66، شماره 4، ص 533-521.
5
زارعی، م.، م.ر. قنبرپور، م. حبیبنژادروشن و ک. شاهدی. 1388. شبیهسازی جریان رودخانه با استفاده از مدل بارش-روانابIHACRES مطالعه موردی حوزه آبخیز کسیلیان. مجله علوم و مهندسی آبخیزداری ایران، شماره 8، ص 20-11.
6
زندیدرهغریبی، ف. 1394. مقایسه عملکرد سه مدل IHACRES، GR4J و GR2M در شبیهسازی جریان ماهانه (مطالعه موردی حوضه آبخیز درهتخت)، پایاننامه کارشناسیارشد آبخیزداری، دانشگاه صنعتی خاتمالانبیا (ص) بهبهان.
7
زندیدرهغریبی، ف.، ز. خورسندیکوهانستانی، م. مزین و ن. آرمان. 1395. گزارش فنی بررسی کارایی مدلهای بارش-رواناب GR4J و GR2M در شبیهسازی جریان حوزه آبخیز درهتخت. مجله مهندسی و مدیریت آبخیز، جلد ۹، شماره 3، ص 370-360.
8
میرزایی، ع.ا. و ر. حسننیا. 1391. مقایسهی روشهای برنامهریزی ژنتیک و شبکه عصبی در پیشبینی جریان رودخانه (مطالعه موردی حوضه رودخانه صوفیچای)، نهمین کنگره بین المللی مهندسی عمران، اردیبهشت 1391، 8-1.
9
نامدرست، ج. 1381. شبیهسازی اثر پارامترهای هیدرولوژیکی بر روی رواناب خروجی در برخی حوزههای آبخیز ایران، پایاننامه کارشناسی ارشد آبخیزداری، دانشکده منابع طبیعی دانشگاه تربیت مدرس، تعداد صفحات 146.
10
Ague, A.I., A. Afouda and F. Lanhoussi. 2014. Etude comoarative dun modele conceptual global (GR4J) et dun modele semi-distribue (GEOSFM) sur le basin versant de loueme a save (Benin, Afrique de louest). Revue Scientifique et Technique, 24-25: 1-8.
11
Amiar, S., A. Bouanani and K. BabaHamed. 2015. Modélisation pluie-débit: Calage et validation des modèles hydrologiques GR1A, GR2M et GR4J sur le bassin d’oued Touil (Cheliff amont de Boughzoul, Algérie). Conférence Internationale FRIEND/UNESCO/Programme Hydrologique International sur l’Hydrologie des Grands Bassins Africains Hammamet, Tunisie 26-30 octobre 2015, 1-10.
12
Ayele, G.T., E.Z. Teshale, B. Yu, I.D. Rutherfurd and J. Jeong. 2017. Streamflow and sediment yield prediction for watershed prioritization in the upper Blue Nile River basin, Ethiopia. Water, 9(782): 1-29.
13
Boskidis, I., G. Gikas, G. Sylaios and V. Tsihruntzis. 2012. Hydrologic and water quality modeling of lower Nestos River basin. Water Resource Management. 26: 3023-3051.
14
Croke, B.F., F. Andrews, A.J. Jakeman, S.M. Cuddy and A. Luddy. 2006. IHACRES classic plus: A redesign of the IHACRES rainfall-runoff model. Environmental Modelling & Software, 21(3): 426-427.
15
Dawson, C.W., R.J. Abrahart and L.M. See. 2005. HydroTest: A web-based toolbox of evaluation metrics for the standardised assessment of hydrological forecasts. Loughborough’s Institutional Repository, 1-69.
16
Demirel, M.C., M.J. Booij and A.Y. Hoekstra. 2015. The skill of seasonal ensemble low-flow forecasts in the Moselle River for three different hydrological models. Hydrology and Earth System Science, 19: 275-291.
17
Domı´nguez, E., C.W. Dawson, A. Ramı´rez and R.J. Abrahart. 2011. The search for orthogonal hydrological modelling metrics: a case study of 20 monitoring stations in Colombia. Journal of Hydroinformatics, 13(3):429-442.
18
Edijatno, M.C. and C. Michel. 1989. Un modele pluie-debit Journalier a trois Parameters. La Houille Blanche 2: 113-121.
19
Edijatno, M.C., N.O. Nascimento, X. Yang, Z. Makhlouf and C. Michel. 1999. GR3J: A daily watershed model with three free parameters. Hydrological Sciences Journal, 44(2): 263-277.
20
Guinot, V., M. Savéan, H. Jourde and L. Neppel. 2015. Conceptual rainfall-runoff model with a two-parameter, infinite characteristic time transfer function. Hydrological Processes, 29(22): 4756-4778.
21
Harlan, D., M. Wangsadipura and C.M. Munajat. 2010. Rainfall-runoff modeling of Citarum Hulu river basin by using GR4J. Proceedings of the World Congress on Engineering, 2(1-5): 1607-1611.
22
Hernandez, D.C., G.D. Ramírez, M.R. González, R.T. Caciano and G.E. Avalos. 2013. Ajuste validaciondel modelohidrologico GR2M en la cuencaaltadelrionazas. Agrofaz, 13: 81-89.
23
Hughes, J.D., R.P. Silberstein and A.H. Grigg. 2013. Extending rainfall-runoff models for use in environments with long-term catchment storage and forest cover changes. In MODSIM2013, 20th International Congress on Modelling and Simulation, Adelaide, Australia, 1-6 Dec. 2013, 2471-2477.
24
Janssen, P.H.M. and P.S.C. Heuberger. 1995. Calibration of process-oriented models. Ecological modelling, 83(1-2): 55-66.
25
Kim, S.S.H., D. Dutta, R. Singh, J. Chen and W.D. Welsh. 2011. Providing flexibility in GUI-based river modelling software: Using Expression Editors and plug-ins to create Custom Functions in Source IMS. 19th International Congress on Modelling and Simulation, Perth, Australia, 12–16 Dec. 2011, 2345-2351.
26
Legates, D.R. and G.J. McCabe. 1999. Evaluating the use of goodness-of-fit measures in hydrologic and hydroclimatic model validation. Water Resources Research, 35: 233-241.
27
McCuen, R.H., Z. Knight and A.G. Cutter. 2006. Evaluation of the Nash-Sutcliffe Efficiency Index. Journal of Hydrologic Engineering, 11: 597-602.
28
Moriasi, D.N., J.G. Arnold, M.W. Van Liew, R.L. Bingner, R.D. Harmel and T.L. Veith. 2007. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. American Society of Agricultural and Biological Engineers, 50: 885-900.
29
Mostafazadeh, R., A, Sadoddin., A, Bahremand., V.B Sheikh., A, ZareGarizi. 2017. Scenario analysis of flood control structures using a multi-criteria decision making technique in Northeast Iran. Natural Hazards , 87(3): 1827-1846.
30
Mouelhi, S., Kh. Madani and F. Lebdi. 2013. Structural overview through GR(s) models characteristics for better yearly runoff simulation. Open Journal of Modern Hydrology, 3: 179-187.
31
Nash, J.E. and J.V. Sutcliffe. 1970. River flow forecasting through conceptual models part I- A discussion of principles. Journal of Hydrology, 10(3): 282-290.
32
Nepal, S., J. Chen, D.J. Penton, L.E. Neumann, H. Zheng and Sh. Wahid. 2017. Spatial GR4J conceptualization of the Tamor glaciated alpine catchment in Eastern Nepal: Evaluation of GR4JSG against streamflow and MODIS snow extent. Hydrological Processes, 31: 51-68.
33
Oudin, L., V. Andre´assian, Th. Mathevet, Ch. Perrin and C. Michel. 2006. Dynamic averaging of rainfall-runoff model simulations from complementary model parameterizations. Water Resources Research, 42: 1-10.
34
Paik, K., J.H. Kim, H.S. Kim and D.R. Lee. 2005. A conceptual rainfall-runoff model considering seasonal variation. Hydrological Processes, 19(19): 3837-3850.
35
Perrin Ch., C. Michel and V. Andréassian. 2007. Modèles hydrologiques du Génie Rural (GR) [Hydrologic models of rural engineering]. Cemagref, UR Hydrosystèmes et Bioprocédés Parc de Tourvoie, 1-16.
36
Perrin, Ch. 2002. Vers une amelioration d'un modele global pluie-debit au travers dune approche comparative. La Houille Blanche, 6-7: 84-91.
37
Perrin, Ch., V. Andréassian, C. Michel and L. Oudin. 2005. GR4J: A parsimonious model for rainfall-runoff Simulations. Geophysical Research Abstracts, 6: 1-2.
38
Perrin, Ch. And I.G. Littlewood. 2000. A comparative assessment of two rainfall-runoff modelling approaches: GR4J and IHACRES. In: Elias, V., Littlewood, I.G. (Eds.). Proceedings of the Liblice Conference (22-24 September 1998). IHP-V, Technical Documents in Hydrology No. 37 UNESCO, Paris, 191-201.
39
Perrin, Ch., C. Michel and V. Andréassian. 2003. Improvement of a parsimonious model for streamflow simulation. Journal of Hydrology, 279(1-4): 275-289.
40
Perrin, Ch., C. Michel and V. Andre´assian. 2001. Does a large number of parameters enhance model performance? Comparative assessment of common catchment model structures on 429 catchments. Journal of Hydrology, 242: 275-301.
41
Rinsema, J.G. 2014. Comparison of rainfall-runoff models for the Florentine Catchment. University of Tasmania, 1-54.
42
Rodgers, J.L. and W.A. Nicewander. 1988. Thirteen ways to look at the correlation coefficient. The American Statistician, 42(1): 59-66.
43
Ruelland, D., V. Larrat and V. Guinot. 2010. A comparison of two conceptual models for the simulation of hydro-climatic variability over 50 years in a large Sudano Sahelian catchment. Global Change: Facing Risks and Threats to Water Resources (proceedings of the 6th World FRIEND Conference. Fez, Morocco, Oct. 2010), 668-678.
44
Stoter, J.E. and S. Zlatanova. 2003. Visualising and editing of 3D objects organised in a DBMS. EUROSDR Workshop: Rendering and visualisation. Enschede, the Netherlands.
45
Traore, Vb., S. Sambou, S. Tamba, S. Fall, At. Diaw and Mt. Cisse. 2014. Calibrating the rainfall-runoff model GR4J and GR2M on the Koulountou river basin, a tributary of the Gambia River. American Journal of Environmental Potection, 3: 36-44.
46
Ytoui, Y. 2014. Rainfall-runoff modeling at monthly and daily scales using conceptual models and Neuro-fuzzy inference system. 2nd International Conference-Water Resources and Wetlands. 11-13 September 2014, Tulcea (Romania), 263-270.
47
Zhang, X., D. Waters and R. Ellis, 2013. Evaluation of Simhyd, Sacramento and GR4J rainfall-runoff models in two contrasting Great Barrier Reef catchments. 20th International Congress on Modelling and Simulation, Adelaide, Australia, 1-6 Dec. 2013, 3260-3266.
48
ORIGINAL_ARTICLE
بررسی و مقایسه عملکرد 4 روش مدل سازیLS-SVM ،NN ، GEPو ANFIS-PSO در شبیه سازی بارش – رواناب (منطقه مورد مطالعه: هلیل رود - سد جیرفت)
شبیهسازی و پیش بینی روند بارش-رواناب یکی از مهمترین زمینههای پژوهشی در هیدرولوژی است که در مدیریت و برنامه ریزی منابع آب رودخانهها و مخازن سد و همچنین حفاظت از آنها در زمان وقوع سیلاب نقش بسزایی دارد ولی به دلیل پیچیدگیهای پارامترهای هیدرولوژیکی، انجام این مساله با چالشهایی رو به روست. در این مطالعه، از چهار مدل مبتنی بر داده LS-SVM ، NN ، GEP و ANFIS-PSO و همچنین از دادههای 7 ایستگاه هواشناسی بالادست سد جیرفت در استان کرمان در بازه زمانی 1378 تا 1394 برای شبیه سازی فرآیند تخمین دبی ورودی به سد جیرفت در استان کرمان استفاده شد. ابتدا با آزمون پیرسون ترکیب مناسبی از ورودیها انتخاب و سپس شبیه سازی با هر روش صورت پذیرفت. نتایج پژوهش بر اساس دو معیار ضریب همبستگی (R)، ریشه متوسط مربعات خطا (RMSE) نشان داد که روش ANFIS-PSO با مقدار RMSE برابر 42/0 مترمکعب بر ثانیه و 95/0 =R2 در بخش آموزش و RMSE و R2 به میزان 97/0 مترمکعب برثانیه و 80/0 در بخش صحت سنجی بهترین روش از بین مدلهای مورد بررسی بود و در هر دو بخش آموزش و صحت سنجی دقت بالاتری نسبت به سه مدل دیگر داشت. همچنین این مدل در شبیه سازی دبیهای بیشینه نیز بهتر از سایر روشها عمل نمو و خطای نسبی محاسبات آن بین 09/33 تا 2/54 برای دبیهای مختلف به دست آمد.
https://www.waterjournal.ir/article_128115_47046511128833046b6e99dc91bd5242.pdf
2021-03-21
96
110
10.22125/iwe.2021.128115
بارش-رواناب
LS-SVM
NN
GEP
ANFIS-PSO
محدثه
کاووسی
mohadesekavusi@gmail.com
1
دانشجوی دکتری- دانشگاه بیرجند
AUTHOR
حسین
خزیمه نژاد
hkhozeymeh@birjand.ac.ir
2
گروه مهندسی آب، دانشگاه بیرجند، بیرجند
LEAD_AUTHOR
اسحاق تیموری، م. ع.، حبیب نژاد، م، کاویان، ع. و شاهدی، ک. 1391. شبیه سازی فرآیند بارش- رواناب در حوزههای با آمار کم با استفاده از مدل wms (مطالعه موردی؛ حوزه آبخیز چالوس). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران, 3(1), 12-25.
1
امامقلیزاده، ص. و کریمیدمنه، ر. 1396. کاربرد روش برنامهریزی بیان ژن در تعیین ضریب هوادهی دریچه تخلیهکننده تحتانی سدها. مجله پژوهشهای حفاظت آب و خاک. 24(1): 279-286.
2
باقرپور، م.، سیدیان، م.، فتح آبادی، ا. و محمدی، ا. 1397. پیشبینی رواناب با استفاده از مدلهای جعبه سیاه و خاکستری. تحقیقات منابع آب ایران، 14(5): 204-219.
3
پوررضابیلندی، م.، خاشعی سیوکی، ع. و صادقی طبس، ص. 1393. پیشبینی رواناب روزانه با مدل حداقل مربعات ماشین بردار پشتیبان(LSSVM). نشریه پژوهشهای حفاظت آب و خاک، 21(6): 293-304.
4
سلگی، ا. زارعی، ح. و گلابی، م. ر. 1396. بررسی عملکرد مدل برنامهریزی بیان ژن با روشهای پیشپردازش دادهها جهت مدلسازی جریان رودخانه. مجله پژوهشهای حفاظت آب و خاک. 24(2): 185-201.
5
صادقی طبس، ص. و پوررضابیلندی، م. 1392. .مقایسه روشهای بهینهسازی فراکاوشی در تحلیل عدم قطعیت پارامترهای مدل مفهومی بارش-رواناب.مجله منابع طبیعی ایران،68(2): 533-552.
6
علیزاده، ا. 1385.اصول هیدرولوژی کاربردی، چاپ ششم، موسسه چاپ و انتشارات آستان قدس رضوی،دانشگاه امام رضا مشهد،734- 447.
7
قربانی، م. ع. و دهقانی، ر. 1395. کاربرد شبکههای عصبی بیزین، ماشین بردار پشتیبان و برنامهریزی بیان ژنی در تحلیل بارش – رواناب ماهانه (مطالعه موردی:رودخانه کاکارضا). علوم و مهندسی آبیاری، 39(2): 125-138.
8
قربانی، خ. نعیمیکلورزی، ز. سالاریجزی، م. و دهقانی، ا. ا. 1395. برآورد جریان ماهانه در حوضههای فاقد آمار با استفاده از پارامترهای اقلیمی و فیزیوگرافی حوضه'. مجله پژوهشهای حفاظت آب و خاک، 23(3): 224-207.
9
کیاء، ع.، عمادی، ع. و غلامی، م. ع. 1398. مدلسازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، 9(4): 39-51.
10
ناظری تهرودی، م.، هاشمی، س. ر.، احمدی، ف. و ناظری تهرودی، ز. 1395. بررسی دقت مدل های ANFIS، SVM و GP در مدل سازی مقادیر دبی جریان رودخانه. اکوهیدرولوژی, 3(3), 347-361.
11
نیکپور، م،. ثانی خانی، ه.، محمودی بابلان، س. و محمدی، ع. 1395. کاربرد مدلهای LSSVM,ANN,WNN و GEP در شبیهسازی بارش-رواناب رودخانه خیاوچای.مجله اکوهیدرولوژی،4(2): 639-625.
12
Aytek A, Alp M. An application of artificial intelligence for rainfall-runoff modeling.2008. Journal of Earth System Science.117 (2):145-155.
13
Badrzadeh H, Sarukkalige R, Jayawardena AW. Hourly runoff forecasting for flood risk management: Application of various computational intelligence models. 2015. Journal of Hydrolog. 529:1633-1643.
14
Botsis, D. Latinopoulos, P. and Diamantaras, K., 2011. Rainfall-Runoff Moeling Using Suport Vector Regression and Artificial Neural Networks. In 12th International Conference on Environmental Science and Technology, Rhodes, Greece.
15
Misra D, Oommen T, Agarwal A, Mishra S, Thompson A (2009) Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems Engineering 103(4):527-535.
16
Nayak PC, Venkatesh B, Krishna B, Sharad KJ. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. Journal of Hydrology. 2013; 493:57-67.
17
Nourani V. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology. 2016; 544:267-277.
18
Saeedi Farzad B. Intelligent simulation of rainfall-runoff using a semi-distributed model with time variables. Ph.D. thesis in civil engineering, Faculty of Engineering, University of Tabriz, Tabriz. 2014. [Persian]
19
ORIGINAL_ARTICLE
پیش بینی آبدهی رودخانه با استفاده از مدل اتورگرسیو پریودیک با ضرایب ثابت و متغیر به کمک روشهای پارامتری و ناپارامتری( مطالعه موردی: رودخانه هرو ایستگاه کاکارضا).
https://www.waterjournal.ir/article_128116_37bc94130ad39b105db4a807131178f4.pdf
2021-03-21
111
127
10.22125/iwe.2021.128116
سید یعقوب
کریمی
karimi.sdbs@yahoo.com
1
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان
AUTHOR
حامد
نوذری
hanozari@yahoo.com
2
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان
LEAD_AUTHOR
محبوبه
یونسی
mahbobeh.younesi@gmail.com
3
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا همدان
AUTHOR
صفر
معروفی
smarofi@yahoo.com
4
گروه مهندسی آب، دانشگاه بوعلی سینا همدان
AUTHOR
اصغری جعفر آبادی، محمد. محمدی، س.م. 1392. سری آمار: روشهای ناپارامتری. مجله دیابت و متابولیسم ایران، بهمن-اسفند ، دوره 14 (شماره 3) 162-145.
1
خرمی، م. بزرگ نیا، ا. 1386. تجزیه و تحلیل های زمانی با نرم افزار MINITAB 14. نشر سخن گستر. صفحه 336.
2
فتحی، پ. صادقیان، م.ص. موسوی ندوشن، س.س. 1391. مقایسه روش های هلت- وینتر و باکس جنکینز در مدل سازی جریان رودخانه (مطالعه موردی رودخانه کرج). نهمین سمینار بین المللی مهندسی رودخانه. بهمن ماه. اهواز. دانشگاه شهید چمران.
3
فلاح پور، س. هداوند میرزایی، ا. 1392. پیش بینی نوسانات بازده طلا با استفاده از مدل گارچ ناپارامتری و مقایسه با روش های گارچ پارامتری. مجله مهندسی مالی و مدیریت اوراق بهادار. شماره 26.
4
کارآموز، م. عراقی نژاد، ش. 1397. هیدرولوژی پیشرفته. انتشارات امیرکبیر. صفحه 464.
5
ملکیان، آ. و کاظم زاده، م. 1395. روند جریانهای رودخانهای با استفاده از رویکردهای آماری پارامتری و ناپارامتری در استان اردبیل. پژوهش های دانش زمین. دوره 4. شماره 15.
6
Hipel, K.W. and McLeod, A.I . 1994. Time series modelling of water resources and environmental systems, Elsevier Science.
7
Kottegoda, N T ; Rosso, R. 2009. “Applied Statistics for Civil and Environmental Engineers “second Edison, Wiley, 736 pages.
8
Onoz, B. and Bayazit, M. 2003. The power of statistical tests for trend detection. Turkish Journal of Engineering and Environmental Sciences. 27: 247-251.
9
Salas, Jd; Delleur J.W; Yevjevich V.; Lane, W.L. 1980. Applied Modeling of hydrologic time series. Water Resources Publications, Littleton, Colorado. 484 pages.
10
Salas, D.J., Bos, D.C., Samis, R.A. 1982. Estimation of ARMA Models With Seasonal Parameters. Water Resources Research, Vol. 18, No. 4, 1006-1010.
11
Sheskin DJ. 2004. Handbook of parametric and nonparametric statistical procedures Florida: Chapman & HalVCRC;.
12
Takeuchi, K. and H. Ishidaira. 2003. Monotonic Trend and Step Changes in Japanese Precipitation. Journal of Hydrology, 279: 144-150.
13
Zheng, Xufang, "Air transportation direct share analysis and forecasting" (2019). Graduate Theses and Dissertations. 17819. https://lib.dr.iastate.edu/etd/17819
14
Zhou, J. Hu, G. Jia, Li. Menenti, M. 2012. Evaluation of Harmonic ANalysis of Time Series (HANTS): impact of gaps on time series reconstruction, Conference: Second International Workshop on Earth Observation and Remote Sensing Applications.
15
ORIGINAL_ARTICLE
تخمین پارامترهای مدل غیرخطی نوع پنجم ماسکینگام در روندیابی سیلاب با الگوریتم نوین شاهین هریس
یکی از مسائل عمده در هیدرولوژی مهندسی که ضرورت آن بیش از پیش احساس میشود، پیشبینی چگونگی طغیان و فروکش کردن سیل یا صعود و نزول هیدروگراف رودخانه در نقطه مشخصی از آن است. این مساله را میتوان با روش روندیابی سیلاب مورد تحلیل قرار داد.
روش ماسکینگام یکی از روشهای هیدرولوژیکی است که میتوان با استفاده از آن ضمن صرفه جویی در زمان و هزینه با کارکرد ساده و دقت مناسب روندیابی سیلاب را انجام داد. کاربست روشهای فراکاوشی نتایج رضایت بخشی را در این زمینه تاکنون نشان داده است. از این رو در این پژوهش، به ارزیابی کارایی الگوریتم شاهین هریس (HHO) در تخمین پارامترهای بهینه مدل غیرخطی ماسکینگام پرداخته شد.
در این مقاله ابتدا مدل غیرخطی توسعه یافته نوع پنجم ماسکینگام (NL5) جهت ارزیابی الگوریتم جدید بهینه شاهین هریس(HHO) در روندیابی رودخانه ویلسون (به عنوان پژوهش کاربردی) و رودخانه کارون (مطالعه موردی) مورد استفاده و بهمنظور بررسی میزان مطلوبیت یافتههای پژوهش، با نتایج دو الگوریتم ژنتیک (GA) و جستجوی هارمونی (HS) مقایسه گردید.
نتایج الگوریتم HHO برای دو رودخانه ویلسون و کارون نشان دهنده کمینهسازی مجموع مربعات باقیماندهها (SSQ) به عنوان تابع هدف میباشد که برای رودخانه ویلسون برابر با 11.64 و رودخانه کارون برابر با 143050.02 است.
با توجه به نتایج، این الگوریتم عملکرد بهتری نسبت به الگوریتم GA و HS داشته است، در نتیجه الگوریتم پیشنهادی میتواند با اطمینان خوبی بهمنظور برآورد مقادیر بهینه پارامترهای مدل ماسکینگام غیر خطی مورد استفاده قرار گیرد.
https://www.waterjournal.ir/article_128119_0bb196c5c2f93348e56f56e9942dcf95.pdf
2021-03-21
128
141
10.22125/iwe.2021.128119
بهینه سازی
شاهین هریس
روندیابی هیدرولوژیکی
ماسکینگام
مدل غیرخطی NL5
سعید
خلیفه
khalifeh.saeid@mail.um.ac.ir
1
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
سعید رضا
خداشناس
khodashenas@ferdowsi.um.ac.ir
2
گروه مهندسی آب، دانشگاه فردوسی مشهد
LEAD_AUTHOR
کاظم
اسماعیلی
esmaili@um.ac.ir
3
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
وحید
خلیفه
vahid.khalifeh@sirjantech.ac.ir
4
هییت علمی دانشگاه صنعتی سیرجان
AUTHOR
خلیفه، س.، ع. اسماعیلی، ک. اسماعیلی و س. خداشناس. 1399. کاربست مقایسه ای الگوریتم جستجوی موجودات همزیست با الگوریتم های فراکاوشی در مدل روندیابی سیلاب. نشریه آب و خاک فردوسی مشهد، جلد 34، شماره 2.
1
زینلی، م.، و م. پوررضا. 1388. تخمین پارامترهای بهینه مدل روندیابی غیرخطی ماسکینگام با استفاده از الگوریتم مورچگان پیوسته. نشریه مهندسی آبیاری و آب ایران، سال هشتم، شماره 31، ص 106-94.
2
محمدی قلعه نی، م.، و ا. بزرگ حداد. 1389. بهینه سازی پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم بهینه سازی نورد شبیهسازی شده. نشریه آب و خاک فردوسی مشهد، سال 1389، شماره 5، ص 919-908.
3
Barati R, Badfar M, Azizyan G, Akbari GH. 2017. Discussion of parameter estimation of extended nonlinear Muskingum models with the weed optimization algorithm” by Farzan Hamedi,
4
Bozorg Haddad O, Hamedi F, Orouji H, Pazoki M, Loáiciga HA. 2015. A re-parameterized and improved nonlinear muskingum model for flood routing. Water Resources Management 29(9):3419- 3440.
5
Cheng, M. Y. and Prayogo, D. 2014. Symbiotic Organisms Search: A new metaheuristic optimization algorithm. J. Comput. Struct. 139, 98-112.
6
Chow, V. T. 1973. Open Channel Hydraulic. 3rd Ed. McGraw Hill Book Company. New York. Inc.
7
Easa SM. 2013. New and improved four parameter nonlinear Muskingum model. Proceeding of the Institution of Civil Engineering-Water Management. 167(5):288–298
8
Ehteram, M.; Binti Othman, F.; Mundher Yaseen, Z.; Abdulmohsin Afan, H.; Falah Allawi, M.; Bt. Abdul Malek, M.; Najah Ahmed, A.; Shahid, S.; P. Singh, V.; El-Shafie, A. Improving the Muskingum Flood Routing Method Using a Hybrid of Particle Swarm Optimization and Bat Algorithm. Water 2018, 10, 807.
9
Gavilan G, Houck MH. 1985. Optimal Muskingum River routing. Proceedings of ASCE WRPMD Specialty Conference on Computer Applications in Water Resources, 10-12 June, New York, Reston, VA, USA, 1294–1302.
10
Geem, Z. W. 2006. Parameter estimation for the nonlinear Muskingum model using the BFGS technigue. Journal of Irrigation and Drainage Engineering, 5: 474-478.
11
Gill, M. A. 1978. Flood routing by Muskingum method. Journal of Hydrology, 36: 353-363.
12
Karahan, H., G. Gurarslan., A.M. ASCE and Z.W. Geem. 2013. Parameter Estimation of the Nonlinear Muskingum Flood-Routing Model Using a Hybrid Harmony Search Algorithm. Journal of Hydrologic Engineering, 18: 352–360.
13
Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. 2019. Harris hawks optimization: Algorithm and applications. Future generation computer systems, 97, 849-872.
14
Kim J. H., Z. W. Geem and E. S. Kim. 2001. Parameter estimation of the nonlinear Muskingum model using harmony search. Journal of the American Water Resources Association, 37:1131-1138.
15
Khalifeh, S., Esmaili, K., Khodashenas, S., and Akbarifard, S. 2020. Data on Optimization of the Non-linear Muskingum Flood Routing in Kardeh River Using GOA Algorithm. Journal of Data in Brief, Volume 30, https://doi.org/10.1016/j.dib.2020.105398.
16
McCarthy, G. T. 1938. The unit hydrograph and flood routing. Proc. Conf. of North Atlantic Division, U.S. Army Corps of Engineers, Washington, DC.
17
Mohan, S. 1997. Parameter estimation of nonlinear Muskingum models using genetic algorithm. J. Hydraulic. Eng, 123: 137–142.
18
Premual, M. and K.G. RangaRaju. 1998. Variable – parameter stage – hydrograph routing method: I Theory. Journal of Hydrologic Engineering, ASCE, 3: 109-114.
19
Wilson, E. M. 1974. Engineering hydrology, MacMillan Education, Hampshire, United Kingdom.
20
ORIGINAL_ARTICLE
بهرهبرداری چندهدفه از ایستگاههای پمپاژ متوالی در سامانههای انتقال آب (مطالعه موردی: سامانهی خط انتقال آب از سد درودزن به شهر شیراز)
امروزه با افزایش هزینههای انرژی، بررسی فرآیندهای پر مصرف انرژی در جهت بهینهسازی آنها بیش از هر زمان دیگر مورد توجه قرار گرفته است. بهرهبرداری از ایستگاههای پمپاژ متوالی در سامانههای انتقال آب، که از جمله زیر ساختهای اصلی شهری محسوب می شوند، هزینهی زیادی جهت تأمین انرژی و نیز تعمیر و نگهداری به بهره برداران تحمیل می نماید. لذا توسعه روشهای بهرهبرداری بهینه از این ایستگاهها در راستای کاهش هزینههای مصرف انرژی و جلوگیری از استهلاک پمپها امری ضروری است. در این مطالعه، مسئله بهرهبرداری از ایستگاههای پمپاژ با توابع هدف کمینه کردن هزینههای انرژی و تعمیر و نگهداری بهصورت یک مسئله بهینهسازی چندهدفه مورد توجه قرار گرفت. بدین منظور، یک مدل شبیهسازی- بهینهسازی مبتنی بر الگوریتم ژنتیک چندهدفه با مرتبسازی نامغلوب (NSGA-II) در ارتباط با مدل هیدرولیکی EPANET توسعه داده شد و سپس برای تعیین برنامه بهرهبرداری روزانه از ایستگاههای پمپاژ متوالی سامانهی انتقال آب از سد درودزن به شهر شیراز استفاده گردید. نتایج نشان داد ضمن رعایت قیود مسئله، هزینهی انرژی مصرفی در حالت بهرهبرداری بهینه چندهدفه علاوه بر کاهش اثرات استهلاک پمپها ناشی از سوئیچ های تک ساعته، حدود 30 درصد نسبت به بهرهبرداری عادی و 5 درصد نسبت به بهرهبرداری تک هدفه با الگوریتمهای ژنتیک (GA) و جامعه زنبورهای عسل مصنوعی (ABC) داشته است.
https://www.waterjournal.ir/article_128194_e96f1b377da68bd423ec15311e6c22c4.pdf
2021-03-21
142
161
برنامه زمانبندی پمپ
سامانههای انتقال آب
بهینهسازی چندهدفه
هزینههای انرژی
سد درودزن
جعفر
جعفری اصل
jafar.jafariasl@pgs.usb.ac.ir
1
گروه مهندسی عمران، دانشگاه سیستان و بلوچستان
AUTHOR
غلامرضا
عزیزیان
g.azizyan@eng.usb.ac.ir
2
گروه مهندسی عمران، دانشکده شهید نیکبخت، دانشگاه سیستان و بلوچستان، زاهدان، ایران.
LEAD_AUTHOR
سید آرمان
هاشمی منفرد
hashemi@eng.usb.ac.ir
3
دانشیار گروه عمران، دانشکده فنی، دانشگاه سیستان و بلوچستان
AUTHOR
محسن
راشکی
mrashki@eng.usb.ac.ir
4
استادیار گروه مهندسی معماری، دانشکده هنر و معماری، دانشگاه سیستان و بلوچستان، زاهدان، ایران
AUTHOR
اکبری، م. بنازاده، ا. 1396. برنامه ریزی بهینۀ زمان بندی پمپاژ به مخازن شبکه های توزیع آب با کنترل هزینۀ استهلاک پمپ ها، نشریه علمی پژوهشی مهندسی و مدیریت انرژی، سال هفتم، شماره4، صفحات 42 تا 51.
1
رجبپور، ر. بیدختی، ط. رخشندهرو، غ. 1394. ارائه یک الگوریتم جدید G-JPSO و توسعه آن در کنترل پمپها در شبکه توزیع آب، مجله مهندسی آب و فاضلاب، شماره 6، صفحات 1 تا 14.
2
سامی کشکولی، ب. بهرامی، م. 1395. بهرهبرداری بهینه از ایستگاههای پمپاژ سیستمهای تامین آب با استفاده از الگوریتم جامعه زنبورهای عسل مصنوعی (ABC)، نشریه پژوهشهای حفاظت آب و خاک گرگان، جلد 23، شماره 5، صفحات 175 تا 189.
3
سامی کشکولی، ب. بهرامی، م. 1395. بهرهبرداری بهینه از سامانهی آبکشی متوالی سامانهی انتقال آب شیراز با استفاده از الگوریتم ژنتیک، مجله مهندسی منابع آب، سال دهم، شماره 1، صفحات 1 تا 12.
4
Barán, B., Von Lücken, C. and Sotelo, A., 2005. Multi-objective pump scheduling optimisation using evolutionary strategies. Advances in Engineering Software, 36(1), pp.39- 47.doi.org/10.1016/j.advengsoft.2004.03.012.
5
Bonvin, G., Demassey, S. and Lodi, A., 2019. Pump scheduling in drinking water distribution networks with an LP/NLP-based branch and bound.
6
Boulos, P.F., Wu, Z., Orr, C.H., Moore, M., Hsiung, P. and Thomas, D., 2001. Optimal pump operation of water distribution systems using genetic algorithms. In Distribution system symposium.
7
Castro-Gama, M., Pan, Q., Lanfranchi, E.A., Jonoski, A. and Solomatine, D.P., 2017. Pump scheduling for a large water distribution network. Milan, Italy. Procedia Engineering, 186, pp.436-443. doi.org/10.1016/j.proeng.2017.03.249.
8
Chase, D.V. and Ormsbee, L.E., 1993. Computer‐Generated Pumping Schedules for Satisfying Operational Objectives. Journal‐American Water Works Association, 85(7), pp.54-61. doi.org/10.1002/j.1551-8833.1993.tb06024.x.
9
Deb, K., Pratap, A., Agarwal, S. and Meyarivan, T.A.M.T., 2002. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE transactions on evolutionary computation, 6(2), pp.182-197.
10
Fatemi, S.A., Kuh, A. and Gupta, V., 2016. Energy efficient scheduling algorithms for pumping water in radial networks. In 2016 Information Theory and Applications Workshop (ITA) (pp. 1-6). IEEE.
11
Goldman, F.E. and Mays, L.W., 1999. The application of simulated annealing to the optimal operation of water systems. In WRPMD'99: Preparing for the 21st Century (pp. 1-16).
12
Kurek, W. and Ostfeld, A., 2013. Multi-Objective Water Distribution Systems Control of Pumping Cost, Water Quality, and Storage-Reliability Constraints. Journal of Environmental Management, 115, pp.189-197. doi.org/10.1016/j.jenvman.2012.11.030.
13
Lansey, K.E. and Awumah, K., 1994. Optimal pump operations considering pump switches. Journal of Water Resources Planning and Management, 120(1), pp.17-35. doi.org/10.1061/(ASCE)0733-9496(1994)120:1(17).
14
López-Ibáñez, M., Prasad, T.D. and Paechter, B., 2008. Ant colony optimization for optimal control of pumps in water distribution networks. Journal of water resources planning and management, 134(4), pp.337-346.
15
Mackle, G., Savic, G.A. and Walters, G.A., 1995, September. Application of genetic algorithms to pump scheduling for water supply. In First international conference on genetic algorithms in engineering systems: innovations and applications (pp. 400-405). IET.
16
Menke, R., Abraham, E., Parpas, P. and Stoianov, I., 2016. Demonstrating demand response from water distribution system through pump scheduling. Applied Energy, 170, pp.377-387.
17
Rodin, S.I. 1998. Use of genetic algorithm for optimal control of bulk water supply. [Online]. http://stullia.t-k.ru/waterpump/ waterpump.htm. [May 5, 2001].
18
Rodin, S.I., and M. Moradi-Jalal. 2002 Use of genetic algorithm in optimization of irrigation pumping stations. WAPIRRA program. [Online]. http://stullia.tk. ru/waterpump/waterpump.htm. [June 10, 2002].
19
Savic, D.A., Walters, G.A. and Schwab, M., 1997, April. Multiobjective genetic algorithms for pump scheduling in water supply. In AISB international workshop on evolutionary computing (pp. 227-235). Springer, Berlin, Heidelberg. doi.org/10.1007/BFb0027177.
20
Van Zyl, J.E., Savic, D.A. and Walters, G.A., 2004. Operational optimization of water distribution systems using a hybrid genetic algorithm. Journal of water resources planning and management, 130(2), pp.160-170.
21
ORIGINAL_ARTICLE
ارزیابی شبکههای عصبی و منطق فازی در شبیهسازی نفوذ آب در جویچههای بازسازیشده و غیربازسازیشده در مزارع نیشکر
نیشکر از جمله گیاهان پر مصرف از نظر آبیاری است که در استان خوزستان و به روش جویچهای بازسازی شده و غیربازسازی شده آبیاری میشود. عمده تلفات در این روش به صورت نفوذ انجام میشود لیکن اندازهگیری نفوذ در هر مزرعه بسیار زمانبر و پرهزینه است. بنابراین ارائه روشی آسان و سریع برای تعیین و مدیریت نفوذ در این مزارع بسیار حائز اهمیت است. بنابراین، در تحقیق حاضر به ارزیابی دو روش شبکه عصبی و منطق فازی در شبیهسازی نفوذ آب در 5 کشت و صنعت نیشکر در استان خوزستان پرداخته شد. شبکه عصبی با 12 سناریو (دو تابع فعال LogSig و TanSig با 3، 5 و 7 نرون در لایه پنهان) و روش منطق فازی با 8 سناریو (دو تابع عضویت TriMF و GaussMF با 2 و 3 تابع عضویت برای هر ورودی) مورد مطالعه قرار گرفتند. نتایج نشان داد که روش شبکه عصبی با تابع فعال LogSig به همراه 5 نرون لایه پنهان، خطا ( m3.m-112/0RMSE=)، دقت (037/0NRMSE=) و کارایی (99/0EF= و 99/0d=) مناسبی برای شبیهسازی نفوذ در جویچههای بازسازی شده داشت. روش شبکه عصبی با تابع فعال TanSig با 5 نرون در لایه پنهان نیز خطا (m3.m-120/0RMSE=)، دقت (11/0NRMSE=) و کارایی (99/0EF= و 99/0d=) لازم برای شبیهسازی نفوذ در جویچههای غیربازسازی شده داشت. روش منطق فازی برای شبیهسازی در جویچههای غیربازسازی شده دقت و کارایی پایینی داشت ولی تابع عضویت TriMF-2 خطا ( m3.m-13/1RMSE=)، دقت (052/0NRMSE=) و کارایی (98/0 EF= و 99/0d=) قابل قبول را برای شبیهسازی نفوذ در جویچههای بازسازی شده داشت. براساس مقایسه نتایج کلیه سناریوها، روش دقت شبکههای عصبی نسبت به منطق فازی 82 درصد بهتر بود.
https://www.waterjournal.ir/article_128197_9fff2dbb6bbec5da9a73b627ba2b3ed9.pdf
2021-03-21
162
178
آبیاری جویچهای
تابع عضویت TriMF
تابع فعال LogSig
روش بیلان حجم
کارایی مدل
محسن
احمدی
m.ahmadee@ymail.com
1
دانشگاه شهید چمران اهواز
AUTHOR
سعید
برومند نسب
boroomand@scu.ac.ir
2
2- استاد گروه آبیاری و زهکشی دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز.
LEAD_AUTHOR
عبدعلی
ناصری
abdalinaseri@scu.ac.ir
3
شهید چمران اهواز
AUTHOR
احمدپور، س. ر.، ح. علیزاده و ن. مجنون حسینی. 1389. تلفیق عملیات بازسازی شده و کولتیواسیون با سمپاشی نواری در کنترل علفهای هرز مزارع نیشکر. علوم گیاهان زراعی ایران، 41(4): 729-719.
1
احمدی، م.، س. برومند نسب و ع. ناصری. 1397. تحلیل حساسیت میزان نفوذپذیری در آبیاری جویچه ای به پارامترهای طراحی به منظور مدیریت تقاضای آب در مزارع نیشکر. همایش ملی آموزش سبز، حفظ محیط زیست و ارتقای سرمایه های اجتماعی، اصفهان، مدیریت آموزش و پرورش ناحیه سه اصفهان با همکاری اداره کل آموزش و پرورش استان اصفهان.
2
تقیزاده، ز.، و. رضاوردینژاد، ح. ابراهیمیان و ن. خانمحمدی. 1391. ارزیابی مزرعهای و تحلیل سیستم آبیاری سطحی با WinSRFR (مطالعه موردی آبیاری جویچهای). نشریه آب و خاک (علوم و صنایع کشاورزی)، 26(6): 1459-1450.
3
توکلی، ع.، ح. بابازاده، ف. عباسی و ح. صدقی، 1394. توسعه رابطهی برآورد نفوذ آب در خاک با استفاده از مقیاسسازی در آبیاری جویچهای، مجله تحقیقات مهندسی کشاورزی، 16(2): 12-1.
4
جنوبی، ر.، و. رضاوردینژاد و ف. عباسی. 1395. ارائه مدل بهینهسازی برآورد پارامترهای نفوذ و ضریب زبری آبیاری با استفاده از دادههای پیشروی و رواناب. مدیریت آب و آبیاری، 6(1): 45-29.
5
رضاوردینژاد، و.، ح. احمدی، م. همتی و ح. ابراهیمیان. 1395. ارزیابی و مقایسه روشهای مختلف تخمین پارامترهای نفوذ در سیستمهای مختلف آبیاری جویچهای و رژیمهای مختلف جریان ورودی. علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 20(76): 176-161.
6
زنگنه یوسفآبادی، ا.، ع. هوشمند، ع. ناصری، س. برومند نسب و م. پرویزی. 1398. تأثیر مدیریتهای مختلف آبیاری قطرهای زیرسطحی بر بهرهوری آب آبیاری، عملکرد و اجزای عملکرد نیشکر رقم CP69-1062. علوم و مهندسی آبیاری. آماده انتشار.
7
کریمی، ب. و پ. محمدی. 1398. شبیهسازی الگوی توزیع نیترات در سیستم آبیاری قطرهای با استفاده از شبکه عصبی مصنوعی. آب و آبیاری کرمان. 10(1): 194-180.
8
محمدرضاپور، ا. 1396. پیشبینی تبخیر-تعرق پتانسیل ماهانه با استفاده از مدلهای ماشین بردار پشتیبان، برنامهریزی ژنتیک و سیستم استنتاج عصبی-فازی. آب و آبیاری کرمان. 7(3): 150-135.
9
مهرابی گوهری، ا.، ف. سرمدیان و ر. تقیزاده مهرجردی. 1391. برآورد رطوبت خاک در ظرفیت مزرعه و نقطه پژمردگی با استفاده از شبکه عصبی-مصنوعی و رگرسیون چندمتغیره. آب و آبیاری کرمان، 3(2-پیاپی10): 52-42.
10
Bautista, E., and W. R. Walker. 2010. Advances in estimation of parameters for surface irrigation modeling and management. An ASABE Conference Presentation. Paper Number: IRR10-9643. Phoenix, Arizona. December 5 -8.
11
Krishnan, R. S., E. G. Julie, Y. H. Robinson, S. Raja, R. Kumar, P. H. Thong and L. H. Song. 2020. Fuzzy logic based smart irrigation system using internet of things. Journal of Cleaner Production. 252.
12
Mattar, M. A., A. Alazba and T. K. Zin El-Abedin. 2015. Forecasting furrow irrigation infiltration using artificial neural network. Agricultural Water Management. 48: 63-71.
13
Oyonarte, N. A., L. Mateos and M. J. Palomo. 2002. Infiltration variability in furrow irrigation. Irrigation and Drainage Engineering. 128(1): 26-33.
14
Seyedzadeh, A., S. Maroufpoor, E. Maroufpoor, J. Shiri, O. Bozorg-Haddad and F. Gavazi. 2020. Artificial intelligence approach to estimate discharge of drip tape irrigation based on temperature and pressure. Agricultural Water Management. 228.
15
Smith, R. J., S. R. Raine and J. Minkevich. 2005. Irrigation application efficiency and deep drainage potential under surface irrigated cotton. Agricultural Water Management. 71(2): 117-130.
16
Strelkoff, T.S. and N. D. Katopodes. 1977. Border-irrigation hydraulics with zero-inertia. Irrigation and Drainage Division, 103(3): 325-342.
17
Walker, W. R. and G. V. Skogerboe. 1987. Surface irrigation: theory and practice. Prentice-Hall, Inc, Englewood Cliffs, NJ.
18
Welker, CAD., M. R. McKain, M. S. Vorontsova, M. C. Peichoto and E. A. Kellogg. 2019. Plastome phylogenomics of sugarcane and relatives confirms the segregation of the genus Tripidium (Poaceae: Andropogoneae). Taxon, 68(2): 246-267
19
ORIGINAL_ARTICLE
بررسی خصوصیات ساختگاه سد زیرزمینی رمشک با تاکید بر نقش گسلها در محور انتخابی
دهستان رمشک از توابع شهرستان قلعه گنج در استان کرمان، که دارای اقلیم خشک میباشد. یکی از راهکارهای مفید در مبارزه با بحران آب و کم آبی خصوصا در اقلیمهای خشک، احداث سدهای زیر زمینی میباشد. برای اینکه یک سد زیرزمینی از بازدهی مناسب برخوردار باشد تلفیقی صحیح و بهینه از محل قرار گیری سد و مهندسی سازه سد زیرزمینی لازم میباشد، چرا که وجود نقصان و اشتباه در تخمین هریک از این دو عامل باعث کاهش کارایی سدزیرزمینی به نحو چشمگیر میگردد. در این پژوهش بر اساس مهمترین فاکتورهای مورد نیاز در انتخاب یک مکان مناسب برای احداث سد زیرزمینی، محور پیشنهاد شده برای سد زیرزمینی رمشک، با توجه به مطالعات دفتری، بررسی های صحرایی، انجام مطالعات زمین شناسی مهندسی و اکتشافات ژئوفیزیکی، مورد بررسی قرار گرفته است. بر اساس تصاویر ماهوارهای و دادههای حاصل از حفاری و روشهای ژئوفیزیکی، در محل محور انتخابی یک گسل وجود دارد که ضخامت آبرفت در محل تقاطع گسل و محور انتخابی 32 متر میباشد. بر اساس طبقه بندی متحد آبرفت در محل محور، عمدتا SC میباشد که با افزایش عمق و بر اساس نتایج SPT و لوفران، بسیار متراکم شده و از نفوذ پذیری آن کاسته شده است. فشردگی عمقی آبرفت و وجود سیمان کلسیتی دانهها از عمق 15 متر به پایین و بالا بودن سطح آب تا 7 متری سطح زمین، نشان دهنده این است که گسل محل محور، قدرت آبکشی زیادی نداشته و محور پیشنهاد شده اگر چه یک گزینه ایده آل نیست ولی با توجه به شرایط منطقهای و اقتصادی برای ساخت سد زیرزمینی مناسب است
https://www.waterjournal.ir/article_128200_eaba9c13b54851fbbe95a976b2eb4e7a.pdf
2021-03-21
179
203
10.22125/iwe.2021.128200
سد زیرزمینی
اقلیم خشک
رمشک
گسل
ایمان
آقاملایی
imaneng189@gmail.com
1
گروه زمین شناسی ، دانشکده علوم، دانشگاه شهید باهنر کرمان
AUTHOR
محمد رضا
امینی زاده
ab.aminizadeh@gmail.com
2
کارشناس منابع طبیعی و آبخیزداری استان کرمان
AUTHOR
شهرام
شفیعی بافتی
shafiee_shahram@gmail.com
3
گروه زمین شناسی، دانشکده علوم، دانشگاه شهید باهنر
LEAD_AUTHOR
آقاملایی، ا.، غ.ر. لشکری پور. م. غفوری. 1393. بررسی فاکتورهای مؤثر در اجرای سدهای زیرزمینی (مطالعه موردی: سد زیرزمینی میان رود راور در استان کرمان). فصلنامه علمی پژوهشی مهندسی آبیاری و آب، شماره 17 ص 82-67.
1
امینی زاده بزنجانی، م. ر. 1379. سد خاکی زیر زمینی کندر کهنوج الگویی مناسب جهت کاهش اثرات خشکسالی، اولین کنفرانس ملی بررسی راهکارهای مقابله با کم آبی و خشکسالی. صفحه 519-509.
2
Basmaci, Y. 1983. Underground dams for groundwater development, Summary of paper to be presented at the groundwater technology divisions education section, International water well exposition St Louis, USA, Ground Water, 522 PP.
3
Dahlin, t., M. hallberg and C. Hasteen. 1984. The water situation around Chabwira. mberengwa district.-Midlands province, Zimbabwe. University of lund, LUTWDG/ TVTG, 80 PP.
4
Dortaj, A., S. Maghsoudy, F. Doulati Ardejani and Z. Eskandari. 2019. A hybrid multi-criteria decision making method for site selection of subsurface dams in semi-arid region of Iran. Groundwater for Sustainable Development.
5
Forzieri, G, Gardenti, M, Caparrini, F and Castelli, F., 2008. "A methodology for the pre-selection of suitable sites for surface and underground small dams in arid areas: A case study in the region of Kidal", Mali. Physics and Chemistry of the Earth 33, pp 74–85.
6
Garagunis, C.N. 1981. Construction of an impervious diaphragm for improvement of a Subsurface water reservoir and simulations protection from migrating salt water, Bulletin of International Association Engineering Geology, 24, 169-172.
7
Giovanni, F., G. Marco and C. Fabio. 2008. A methodology for the pre-selection of suitable sites for surface and underground small dams in arid areas, A case study in the region of Kidal, Mali. Physics and Chemistry of the Earth, 33, 74–85.
8
Hansson, G. and A. Nilsson. 1986. Groundwater dams for rural supplies in developing countries. Ground water, 24, 497-506.
9
Helweg, O.J. and G. Smith. 1978. Appropriate technology for artificial aquifers. Ground water, 16, 144-148.
10
Ishida, S., T. Tsuchihara, S. Yoshimoto and M. Imaizumil. 2011. Review Sustainable Use of Groundwater with Underground Dams. JARQ 45, 51 – 61.
11
Nilsson, A. 1988. Ground water dam for small-scale water supply. Intermediate technology publication ltd.
12
Ouerdachi, L., H. Boutaghane, R. Hafsi, T. Boulmaiz Tayeb. And F. Bouzahar. 2012. Modeling of underground dams Application to planning in the semiarid areas (Biskra, Algeria). Energy Procedia 18, 426 – 437.
13
Pavlin, B. 1973. Establishment of subsurface Dams and utilization of natural subsurface Barriers for realization of underground storage in the coastal karst spring zones and their protection against seawater intrusion. In Trans. 11 th Int. Congress on large dams, 1, 487- 501.
14
Stengel, H.V. 1968. Wasserspeicherung inden sanden eines riuers, Wissenschaftliche forschung in sudwestafrika (7. Folge). John Meinert (Pty) Ltd., Windhoek, S.W.A., 54 pp.
15
ORIGINAL_ARTICLE
بهینهسازی چند هدفه شبکه پایش آبهای زیرزمینی با بهرهگیری از الگوریتم ژنتیک(NSGA-II) و روش کریجینگ بیزین تجربی(EBK) (مطالعه موردی دشت سیلاخور)
پژوهش حاضر به توسعه یک مدل بهینه شبکه پایش با دو هدف کمینه کردن هزینههای پایش شبکه و بیشینه نمودن دقت مکانی شبکه پایش بر اساس کمینه کردن مقدار جذر میانگین خطا پرداخته است. به عنوان مطالعه موردی، طراحی بهینه شبکه پایش آبهای زیرزمینی در دشت سیلاخور واقع در استان لرستان مورد ارزیابی قرار گرفته است. بدین منظور دادههای مورد استفاده در این پژوهش بر اساس روش کریجینگ بیزین تجربی(EBK) در محیط نرمافزار ArcGIS تولید و توابع هدف و فرآیند بهینه سازی در محیط نرمافزار Matlab کد نویسی شد تا بر اساس قیود درنظر گرفته شده در نسخه دوم الگوریتم ژنتیک(NSGA-II) بتوان بهینهترین حالت شبکه را شناسایی نمود. مدل بهینه، از روش درونیابی وزندهی معکوس فاصله(IDW) برای تولید سطح آب زیرزمینی استفاده مینماید و سپس با مقادیر دادههای مشاهداتی مقایسه میگردد. نتایج بدست آمده از پژوهش کفایت یک شبکه با دوازده ایستگاه پایش را با توزیع مکانی بهینه برای آبخوان دشت سیلاخور مناسب میداند در حالی که شبکه پایش فعلی بیست و نه ایستگاه پایش دارد. همچنین مقدار جذر میانگین مربعات خطا(RMSE) برای شبکه بهینه 605/0 متر برآورد گردید. شبکه پایش بهینه در مقایسه با شبکه مشاهداتی موجود توانسته است تعداد ایستگاههای شبکه پایش به میزان 60 درصد کاهش داده، توزیع مکانی ایستگاهها را بهبود ببخشد و پهنهبندی مناسبی را نیز برای نقاط فاقد آمار پیشبینی نماید.
https://www.waterjournal.ir/article_128201_94d28af3772fe55b6c3d20b3c080d7b0.pdf
2021-03-21
204
220
10.22125/iwe.2021.128201
شبکه پایش
بهینهسازی چند هدفه
الگوریتم ژنتیک
کریجینگ بیزین تجربی
دشت سیلاخور
مهدی
کماسی
komasi@abru.ac.ir
1
دانشیار، دکتری مهندسی آب و سازههای هیدرولیکی ،گروه مهندسی عمران، دانشگاه آیت اله بروجردی(ره)، بروجرد، ایران
LEAD_AUTHOR
حسام
گودرزی
hesam.goudarzi@abru.ac.ir
2
دانشجو، کارشناسی ارشد مهندسی آب و سازههای هیدرولیکی، گروه مهندسی عمران، دانشگاه آیت اله العظمی بروجردی(ره)، بروجرد، ایران
AUTHOR
جعفرزاده، م.، خاشعی سیوکی، ع.، 1397، ارزیابی عملکرد مدل بهینهسازی شبکه پایش آب زیرزمینی بر پایه شبکه عصبی و جست و جوی گرگ خاکستری، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 31، 139-121.
1
صابری، ع.، سلطانی گردفرامرزی، س.، 1396، ارزیابی روشهای زمینآمار در پهنهبندی شدت خشکسالی استان آذربایجان غربی، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 27، 165-151.
2
صفوی گردینی، م.، محمدرضاپور، ا.، بهرامی، ع.، محمدی صدیق، م.، سالاری جزی، م.، 1397، بررسی و ارزیابی تغییرات مکانی متغیرهای کیفی آب زیرزمینی جنوب دشت قروه و دهگلان با استفاده از روشهای زمین آمار، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 33، 182-167.
3
فروغی، ف. رضایی، م. 1392، بهینهسازی شبکه پایش سطح آب زیرزمینی در دشت تبریز با استفاده از روش زمین آمار، فصلنامه زمینشناسی محیط زیست (نشریه علمی-پژوهشی دانشگاه آزاد اسلامی واحد اسلامشهر). دوره 7، شماره22، 103-93.
4
قربانی، خ، سلاریجزی، م، فرنیا، ا. 1397، ارزیابی روش کریجینگ بیزین تجربی در پهنهبندی تراز آب زیرزمینی، پژوهشهای حفاظت آب و خاک، دوره25، شماره1، صفحه 165-182.
5
کماسی، م.، شرقی، س.، 1396، روندیابی عوامل موثر بر کاهش تراز آب زیرزمینی با بهرهگیری از تبدیلات موجک متقابل و ارتباطی، نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، شماره 28، 151-138.
6
گنجی خرم دل، ن. کیخانی، ف. 1395. طراحی بهینه چاههای مشاهدهای در یک شبکه پایش سطح آب زیرزمینی با استفاده از الگوریتم فوق ابتکاری ژنتیک، پژوهشنامه مدیریت حوزه آبخیز (نشریه علمی-پژوهشی دانشگاه علوم کشاورزی و منابع طبیعی ساری). دوره 7، شماره 14، 166-159.
7
میرزایی ندوشن، ف. بزرگ حداد، ا. خیاط خلقی، م. 1395، طراحی دو هدفه شبکه پایش سطح آب زیرزمینی با استفاده از NSGA-II در دشت اشتهارد، مجله تحقیقات آب و خاک ایران (نشریه پردیس کشاورزی و منابع طبیعی دانشگاه تهران). دوره 47، شماره2، 354-345.
8
Bashi-Azghadi, S.N. and Kerachian, R., 2010. Locating monitoring wells in groundwater systems using embedded optimization and simulation models. Science of the Total Environment, 408(10), pp.2189-2198.
9
Bhat S, Motz LH, Pathak C and Kuebler, L, 2015. Geostatistics-based groundwater-level monitoring network design and its application to the Upper Floridan aquifer, USA. Environmental monitoring and assessment, 187(1): 4183.
10
Dhar A, and Patil RS, 2012. Multiobjective design of groundwater monitoring network under epistemic uncertainty. Water resources management, 26(7): 1809-1825.
11
Esquivel, J.M., Morales, G.P. and Esteller, M.V., 2015. Groundwater monitoring network design using GIS and multicriteria analysis. Water resources management, 29(9), pp.3175-3194.
12
Hosseini, M. and Kerachian, R., 2017. A Bayesian maximum entropy-based methodology for optimal spatiotemporal design of groundwater monitoring networks. Environmental monitoring and assessment, 189(9), p.433.
13
Huang, Z., Wang, H. and Zhang, R., 2012. An improved kriging interpolation technique based on SVM and its recovery experiment in oceanic missing data. American Journal of Computational Mathematics, 2(01), p.56.
14
Khader, A.I. and McKee, M., 2014. Use of a relevance vector machine for groundwater quality monitoring network design under uncertainty. Environmental modelling & software, 57, pp.115-126.
15
Konak A, Coit DW, Smith AE, 2006. Multi-objective optimization using genetic algorithms: A tutorial. Reliab. Eng. Syst. Saf. 91, 992–1007.
16
Krivoruchko, K., 2012. Empirical bayesian kriging. ArcUser Fall, pp.6-10.
17
Leach JM, Coulibaly P, Guo Y, 2016. Entropy based groundwater monitoring network design considering spatial distribution of annual recharge. Advances in water resources. 96(1):108-19.
18
Loaiciga HA, Charbeneau RJ, Everett LG, Fogg GE, Hobbs BF, and Rouhani S, 1992. Review of ground-water quality monitoring network design. Journal of Hydraulic Engineering, 118(1), 11-37.
19
Luo Q, Wu J, Yang Y, Qian J, and Wu J, 2016. Multi-objective optimization of long-term groundwater monitoring network design using a probabilistic Pareto genetic algorithm under uncertainty. Journal of Hydrology, 534, 352-363.
20
Pourshahabi, S., Talebbeydokhti, N., Rakhshandehroo, G. and Nikoo, M.R., 2018. Spatio-Temporal Multi-Criteria Optimization of Reservoir Water Quality Monitoring Network Using Value of Information and Transinformation Entropy. Water Resources Management, pp.1-16.
21
ORIGINAL_ARTICLE
یک حل تحلیلی برای تجزیه و تحلیل جریان دائمی آب زیرزمینی در آبخوانهای نشتی نامحدود و محدود
آگاهی از مقادیر و تغییرات پارامترهای هیدرولوژیکی آبخوانها در راستای مدیریت پایدار و حفاظت از منابع آب های زیرزمینی بسیار مهم و حیاتی است. از جمله پارامترهای هیدرولوژیکی آبخوان نشتی در جریان آب های زیرزمینی، ضریب قابلیت انتقال و نشت ویژه میباشد. نوآوری این تحقیق بررسی تاثیر تغییرات این پارامترها بر روی جریان دائمی آب زیرزمینی آبخوان های نشتی محدود و نامحدود با استفاده از روابط دقیق و جدید ارائه شده در این پژوهش میباشد. در این تحقیق آبخوان های نشتی نامحدود و محدود در حالت جریان دائمی آب های زیرزمینی مورد بررسی قرار گرفتند و با استفاده از یک روش تحلیلی، روابطی جدید و دقیق برای محاسبه مقدار افت سطح پیزومتریک در هر کدام از آبخوان ها به دست آمده است. همچنین با استفاده از این روابط آنالیز حساسیت ضریب قابلیت انتقال و نشت ویژه آبخوان ها انجام شده است.
https://www.waterjournal.ir/article_128202_4beaeae2ecc7e519cb51b709abfee63e.pdf
2021-03-21
221
235
10.22125/iwe.2021.128202
تحلیل حساسیت
جریان دائمی آب زیرزمینی
حل تحلیلی
ضریب قابلیت انتقال
نشت ویژه
ایرج
سعیدپناه
saeedpanah@znu.ac.ir
1
استادیار گروه عمران دانشکده مهندسی، دانشگاه زنجان
LEAD_AUTHOR
سیامک
طاهری
siamaktaheri@znu.ac.ir
2
دانشجوی کارشناسی ارشد مهندسی عمران ، دانشگاه زنجان
AUTHOR
. Cobb, P., C. McElwee, and M. Butt. 1982. Analysis of leaky aquifer pumping test data: An automated numerical solution using sensitivity analysis. Ground Water. 20(3): 325-333.
1
Ferris, J.G., et al. 1962. Theory of aquifer tests: US Government Printing Office Washington.
2
.Feng, Q. and H. Zhan. 2015. On the aquitard–aquifer interface flow and the drawdown sensitivity with a partially penetrating pumping well in an anisotropic leaky confined aquifer. Journal of Hydrology. 521: 74-83.
3
.Jacob, C.E. 1946. Radial flow in a leaky artesian aquifer. Eos, Transactions American Geophysical Union. 27(2): 198-208.
4
.Hantush, M.S. and C.E. Jacob. 1955. Non-steady radial flow in an infinite leaky aquifer. Eos, Transactions American Geophysical Union. 36(1): 95-100.
5
.Hantush, M.S. 1959. Nonsteady flow to flowing wells in leaky aquifers. Journal of Geophysical Research. 64(8): 1043-1052.
6
Huang, C.S., S.Y. Yang, and H.D. Yeh. 2014. Groundwater flow to a pumping well in a sloping fault zone unconfined aquifer. Water Resources Research. 50(5): 4079-4094.
7
.Li, H. and J.J. Jiao. 2001. Tide-induced groundwater fluctuation in a coastal leaky confined aquifer system extending under the sea. Water Resources Research. 37(5): 1165-1171.
8
.Lin, G.F. and G.R. Chen. 2005. Determination of aquifer parameters using radial basis function network approach. Journal of the Chinese Institute of Engineers. 28(2): 241-249
9
..Lin, Y.-C., M.-H. Li, and H.-D. Yeh. 2017. An analytical model for flow induced by a constant-head pumping in a leaky unconfined aquifer system with considering unsaturated flow. Advances in Water Resources
10
.Li, P., et al. 2014. Determining the optimal pumping duration of transient pumping tests for estimating hydraulic properties of leaky aquifers using global curve-fitting method: a simulation approach. Environmental earth sciences. 71(1): 293-299
11
.Lohman, S.W. 1972. Ground-water hydraulics: US Government Printing Office.
12
..Chuang, M.-H. and H.-D. Yeh. 2007. An analytical solution for the head distribution in a tidal leaky confined aquifer extending an infinite distance under the sea. Advances in water resources. 30(3): 439-445.
13
Tang, Z. and J.J. Jiao. 2001. A two-dimensional analytical solution for groundwater flow in a leaky confined aquifer system near open tidal water. Hydrological processes. 15(4): 573-585.
14
Saeedpanah, I. and R. Golmohamadi Azar. 2017. New Analytical Solutions for Unsteady Flow in a Leaky Aquifer between Two Parallel Streams. Water Resources Management. 31(7): 2315-2332.
15
Yu, C.-C., S.-Y. Yang, and H.-D. Yeh. 2013. Semi-analytical solution of groundwater flow in a leaky aquifer system subject to bending effect. Journal of hydrology. 486: 395-402.
16
.Wen, Z., et al. 2011. Constant-head test in a leaky aquifer with a finite-thickness skin. Journal of hydrology. 399(3): 326-334
17
Wen, Z., F. Wu, and Q. Feng. 2016. Non-Darcian Flow to a Partially Penetrating Pumping Well in a Leaky Aquifer Considering the Aquitard–Aquifer Interface Flow. Journal of Hydrologic Engineering. 21(12): 06016011.
18
.Zhao, Y., Y.-K. Zhang, and X. Liang. 2016. Analytical solutions of three-dimensional groundwater flow to a well in a leaky sloping fault-zone aquifer. Journal of Hydrology. 539: 204-213.
19
ORIGINAL_ARTICLE
تحلیل روند تغییرات برخی پارامترهای سینوپتیک با استفاده از روش رگرسیون چندک در بابلسر
رویدادهای اقلیمی مانند سیل، طوفان و خشکسالی اغلب از آب و هوای حدی حاصل میشوند. بیشتر مطالعاتی که در زمینهی تشخیص روند صورت گرفته است بر اساس تحلیل تغییرات در میانگین دادهها میباشند و اطلاعاتی در مورد نحوهی تغییرات در محدودههای متفاوت از دامنهی دادههای مورد مطالعه در اختیار قرار نمیدهند؛ لذا برای بررسی روند تغییرات در محدودههای مختلف از سری زمانی دادههای اقلیمی روش رگرسیون چندک پیشنهاد گردید. رگرسیون چندک این توانایی را دارد که روند تغییرات در چندکهای مختلف از سری داده را بررسی کند؛ لذا در این پژوهش روند تغییرات در چندکهای مختلف از سری زمانی دادههای کمینه و بیشینهی دما، بارش و حداکثر سرعت باد روزانه در ایستگاه سینوپتیک بابلسر برای دورهی زمانی 62 ساله (1399-1338) به صورت فصلی و سالانه تحلیل گردید. نتایج نشان داد که کمینه و بیشینهی دما و سرعت باد در تمام فصلهای سال به صورت معنیدار افزایش یافته است. شدت این روندهای افزایشی در چندکهای پایینی حدی از کمینه دما و چندکهای بالایی حدی از بیشینهی دما در فصل زمستان بیشتر بوده است. اما دادههای سرعت باد در چندکهای بالایی خصوصاً بالایی حدی با شدت بسیار بیشتری نسبت به چندکهای پایینی خصوصاً در فصل پاییز افزایش یافتهاند. متغیر بارش نیز تغییرات محسوسی در دورهی 62 ساله نداشته است. در مقیاس سالانه بیشترین افزایش برای کمینه و بیشینهی دما در چندکهای پایینی حدی به ترتیب 28/4 و 85/2 درجهی سانتیگراد و برای سرعت باد در چندکهای بالایی حدی به اندازهی 24/8 متر بر ثانیه بوده است
https://www.waterjournal.ir/article_128203_5569e061ff568428efefcc95ebdc8937.pdf
2021-03-21
236
252
10.22125/iwe.2021.128203
تغییر اقلیم
روند
دادههای اقلیمی
رگرسیون چندک
بابلسر
کریم
سلیمانی
solaimani2001@yahoo.co.uk
1
استاد گروه مهندسی آبخیزداری، دانشگاه علوم کشاورزی ومنابع طبیعی ساری
AUTHOR
اسدزاده، ف.، م. کاکی و س. شکیبا. 1396. بررسی و تحلیل روند تبخیر-تعرق گیاه مرجع با استفاده از آزمون اسپیرمن در ایستگاههای سینوپتیک استان کردستان. تحقیقات منابع آب ایران، دوره 13، شماره 1، ص 216-222.
1
باب الحکمی، ع.، م.ع. غلامی سفیدکوهی و ع.ر. عمادی. 1399. اثر تغییر اقلیم بر تبخیر-تعرق مرجع در استان مازندران. تحقیقات آب و خاک ایران، دوره 51، شماره 2، ص 387-401.
2
برارخانپور، ص.، خ. قربانی، م. سالاری جزی و ل. رضایی قلعه. 1399. مطالعه روند تغییرات فصلی و سالانه بارش با روش رگرسیون چندک (مطالعه موردی: ایستگاه هاشمآباد گرگان). پژوهش های اقلیم شناسی، سال دهم، شماره سی و نهم، ص 89-104.
3
جلالی، م. و ح. کارگر. 1390. تحلیل و مدل سازی آماری دمای ایستگاه بوشهر(2005-1951). نشریه فضای جغرافیایی، دوره 11، شماره 33، ص 173-149.
4
زارعی، ی.، ع.م. خورشیددوست، م. رضایی بنفشه و ه. رستم زاده. 1399. ارزیابی اثرات تغییرات جهانی اقلیم بر عناصر اقلیمی دما و بارش در نواحی مختلف آب و هوایی ایران با استفاده از سناریوهای RCP.نشریه علمی جغرافیا و برنامه ریزی.
5
علیپور، ح. و آ. ملکیان. 1398. تحلیل همگنی و روند بارشهای آستانه با رویکرد آماری ناپارامتری در شمال غرب ایران. مهندسی و مدیریت آبخیز، دوره 11، شماره 4، ص917-928.
6
فتاحی، فرهاد. 1384. رگرسیون چندک بیزی. پایاننامهی کارشناسی ارشد، دانشگاه تربیت مدرس.
7
قربانی، خ. 1393. الگوی فصلی و مکانی تغییر اقلیم دمای هوا در ایران، نشریه پژوهشهای حفاظت آب و خاک، دوره 21، شماره 5، ص 270-257.
8
قربانی، خ.، ا. ولیزاده و ص. برارخانپور. ۱۳۹۷. بررسی روند تغییرات مکانی-زمانی شاخص دو متغیره خشکسالی هواشناسی SPEI در ایران. نشریه مدیریت بیابان، دوره 6، شماره 11، ص ۲۵-۳۸.
9
کریمی، م.، ف. ستوده و س. رفعتی. 1397. تحلیل روند تغییرات و پیش بینی پارامترهای حدی دمای ناحیه جنوبی دریای خزر. نشریه تحقیقات کاربردی علوم جغرافیایی، دوره 18، شماره 48، ص ۷۹-۹۳.
10
موسوی، ع.ر.، ک. سلیمانی، ف. شکریان و س.ح. روشان. 1399. بررسی روند تغییرات زمانی و مکانی پارامترهای کیفیت آب زیرزمینی با استفاده از روشهای زمین آمار (مطالعه موردی: دشت لردگان، استان چهارمحال و بختیاری). نشریه علمی پژوهشی مهندسی آبیاری و آب ایران، دوره 10، شماره 3، ص 262-275.
11
Donner, R.V., R. Ehrcke, S.M. Barbosa, J. Wagner, J.F. Donges and J. Kurths. 2012. Spatial patterns of linear and nonparametric long-term trends in Baltic sea-level variability. Nonlinear Processes Geophys, 19: 95–111.
12
Dunn, R.H., K.M. Willett and E.P. Parker. 2019. Changes in statistical distributions of sub-daily surface temperatures and wind speed. Journal of Eearth System Dynamics, 10(4): 765-788.
13
Haugen, M.A., M.L. Stein and E.J. Moyer. 2018. Estimating Changes in Temperature Distributions in a Large Ensemble of Climate Simulations Using Quantile Regression. Journal of CLIMATE, 31: 8573-8588.
14
Hidalgo, G.J.C., M. De Luı ́s, J. Ravento and J.R. Sa ́nchez. 2003. Dailyrainfall trend in the Valenciaregion ofSpain. Theoretical and Applied Climatology, 75: 117-130.
15
Kendall, M.G. 1975. Rank Correlation Methods. Charles Griffin, London.
16
Koenker, R. 2005. Quantile Regression. first ed, New York, Cambridge University Press, 2005, 1-25.
17
Koenker, R. 2006. Quantile regression in R: A vignette. [Available online at http://www.econ.uiuc.edu/~roger/research/rq/vig.pdf.]
18
Koenker, R. and G. Bassett. 1978. Regression Quantiles. Econometrica, 46: 33-50.
19
Kuriqi, A., A. Raushan, Q.B. Pham, J.M. Gambini, V. Gupta, A. Malik, N.T.T. Linh, Y. Joshi, D.T. Anh, V.T. Nam and X. Dong. 2020. Seasonality shift and streamflow flow variability trends in central India. Acta Geophysica, 68(5): 1461-1475.
20
Kyselý, J. and R. Beranová. 2009. Climate-change effects on extreme precipitation in central Europe: uncertainties of scenarios based on regional climate models. Theoretical and Applied Climatology, 95(3-4): 361-374.
21
Latif, Y., M. Yaoming, M. Yaseen, S. Muhammad and M.A. Wazir. 2020. Spatial analysis of temperature time series over the Upper Indus Basin (UIB) Pakistan. Theoretical and Applied Climatology, 139(1): 741-758.
22
Lee, K., H. Beak and C. Cho. 2013. Analysis of Changes in Extreme Temperatures Using Quantile Regression. Korean Meteorological Society, 49: 313-323.
23
Mann, H.B. 1945. Nonparametric Tests Against Trend. Econometrica, 13(3): 245–259.
24
Mohsenipour, M., S. Shahid, G.F. Ziarh and Z.M. Yaseen. 2020. Changes in monsoon rainfall distribution of Bangladesh using quantile regression model. Theoretical and Applied Climatology, 142(3): 1329-1342.
25
Norouzi, N. 2020. Climate change impacts on the water flow to the reservoir of the Dez Dam basin. Water Cycle, 1: 113-120.
26
Nyikadzino, B., M. Chitakira and S. Muchuru. 2020. Rainfall and runoff trend analysis in the Limpopo river basin using the Mann Kendall statistic. Physics and Chemistry of the Earth, Parts A/B/C, 117: 102870.
27
Reich, B.J. 2012. Spatiotemporal quantile regression for detecting distributional changes in environmental processes. Journal of the Royal Statistical Society: Series C (Applied Statistics), 61(4): 535-553.
28
Sen, P.K. 1968. Estimates of the regression coefficients based on Kendall’s tau, Journal of the American Statistical Association, 63: 1379-1389.
29
Villarini, G. and L.J. Slater. 2017. Examination of Changes in Annual Maximum Gauge Height in the Continental United States Using Quantile Regression. Journal of Hydrologic Engineering, 23(3): 1-11.
30
Zhang, S., T.Y. Gan and A.B. Bush. 2020. Variability of Arctic Sea Ice Based on Quantile Regression and the Teleconnection with Large-Scale Climate Patterns. Journal of Climate, 33(10): 4009-4025.
31
ORIGINAL_ARTICLE
کاربرد الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات-نهنگ (LSSVM_WOA) جهت ریزمقیاسنمایی و پیشبینی بارش تحت شرایط تغییر اقلیم (مطالعه موردی: حوضه کارون 3)
در پژوهش حاضر، با استفاده از روشهای یادگیری شامل الگوریتم هیبریدی ماشین بردار پشتیبان حداقل مربعات و الگوریتم بهینهسازی نهنگ (LSSVM_WOA)، K نزدیکترین همسایه (KNN) و شبکه عصبی مصنوعی (ANN) اقدام به ریزمقیاس نمایی بارش در شش ایستگاه حوزه کارون 3 پرداخته شده است. برای ریزمقیاس نمایی بارش، ابتدا روزهای سال با استفاده الگوریتمهای MARS و درخت مدل M5 به روزهای تر و خشک تقسیم میشوند. سپس، مقدار بارش برای روزهای تر با استفاده از هر یک از روشهای LSSVM_WOA، KNN و ANN تخمین زده میشود. نتایج پژوهش حاکی از برتری الگوریتم MARS نسبت به M5 میباشد. همچنین، براساس میانگین بارش شش ایستگاه الگوریتم ANN با 5/0 درصد ضریب نش بیشتر، اندکی بهتر از الگوریتم LSSVM_WOA عمل میکند. در حالی که با در نظر گرفتن میانگین انحراف معیار مقدار ضریب نش برای الگوریتم ANN تا 04/5 درصد دقیقتر از الگوریتم LSSVM_WOA است. در نهایت مقدار بارش برای افقهای 2020-2040 و 2070-2100 تحت سناریوهای مدل CanESM2 شامل RCP2.6، RCP4.5 و RCP8.5 پیشبینی شده است. نتایج حاصل از الگوریتم LSSVM_WOA حاکی از کاهش بارش نسبت به دوره پایه (1972-2001) تحت هر سه سناریو میباشد. بیشترین مقدار کاهش بارش برابر با 18 درصد و برای سناریو RCP8.5 در افق 2070-2100 محاسبه شده است. کمترین مقدار کاهش بارش (1 درصد) نیز مربوط به سناریو RCP2.6 در افق 2020-2040 میباشد. اما مقدار تغییرات بارش پیشبینی شده توسط ANN در دوره آینده نسبت به دوره پایه از 43- درصد تا 72 درصد تغییر میکند. بنابراین، جوابهای حاصل از LSSVM_WOA به دلیل عدم قطعیت کمتر، قابل اعتمادتر است.
https://www.waterjournal.ir/article_128204_8346086b9cb8b3290c1936a66f8e0715.pdf
2021-03-21
253
271
10.22125/iwe.2021.128204
LSSVM_WOA
بارش
ریزمقیاسنمایی
پیشبینی
تغییر اقلیم
مهدی
ولیخان
mvalikhan@semnan.ac.ir
1
کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه سمنان.
AUTHOR
سعید
فرزین
saeed.farzin@semnan.ac.ir
2
گروه مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
LEAD_AUTHOR
سید فرهاد
موسوی
fmousavi@semnan.ac.ir
3
مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان، سمنان، ایران
AUTHOR
حجت
کرمی
hkarami@semnan.ac.ir
4
استادیار گروه مهندسی عمران- مهندسی آب و سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه سمنان
AUTHOR
آبکار، ع، ج.، م. حبیب نژاد، ک. سلیمانی و ه. نقوی. بررسی میزان کارایی مدل SDSM در شبیهسازی شاخصهای دمایی در مناطق خشک و نیمهخشک. 1392. نشریه مهندسی آبیاری و آب. سال چهارم، شماره 14، ص 1-17.
1
Ahmadi, A., A. Moridi, E. K. Lafdani and G. Kianpisheh. 2014. Assessment of climate change impacts on rainfall using large scale climate variables and downscaling models–A case study. Journal of Earth System Science, 123(7): 1603-1618.
2
Al-Shammari, E. T., K. Mohammadi, A. Ab. Keivani, Sh. Hamid, S. Akib, S. Shamshirband and D. Petković. 2016. Prediction of daily dewpoint temperature using a model combining the support vector machine with firefly algorithm. Journal of Irrigation and Drainage Engineering, 142(5): 04016013.
3
Ashofteh, P. S., O. Bozorg Haddad and MA. Mariño. 2012. Climate change impact on reservoir performance indexes in agricultural water supply. Journal of Irrigation and Drainage Engineering, 139(2): 85-97.
4
Beheshti, Z., M. Firouzi, SM. Shamsuddin, M. Zibarzani and Z. Yusop. 2016. A new rainfall forecasting model using the CAPSO algorithm and an artificial neural network,.Neural Computing and Applications, 27(8): 2551-2565.
5
Chen, S.T., P. S. Yu and Y. H. Tang. 2010. Statistical downscaling of daily precipitation using support vector machines and multivariate analysis. Journal of Hydrology, 385(1-4): 13-22.
6
Devak, M., C. T. Dhanya and A. K. Gosain. 2015. Dynamic coupling of support vector machine and K-nearest neighbour for downscaling daily rainfall. Journal of Hydrology, 525: 286-301.
7
Du, P., J. Wang, W. Yang and T. Niu. 2018. Multi-step ahead forecasting in electrical power system using a hybrid forecasting system.Renewable Energy, 122: 533-550.
8
Friedman, J.H. 1991. Multivariate adaptive regression splines. The Annals of Statistics, 19(1): 1-67.
9
Hadi, S. J and M. Tombul. 2018. Streamflow forecasting using four wavelet transformation combinations approaches with data-driven models: A comparative study. Water Resources Management, 32(14): 4661-4679.
10
Harpham, C and R. L. Wilby. 2005. Multi-site downscaling of heavy daily precipitation occurrence and amounts. Journal of Hydrology, 312(1-4): 235-255.
11
Kundu, S., D. Khare and A. Mondal. 2017. Future changes in rainfall, temperature and reference evapotranspiration in the central India by least square support vector machine. Geoscience Frontiers, 8(3): 583-596.
12
Lee, K. T., Hung, W. C and Meng, C. C. 2008. Deterministic insight into ANN model performance for storm runoff simulation. Water Resources Management. 22(1), 67-82.
13
Mekanik, F., M. A. Imteaz, S. Gato-Trinidad and A. Elmahdi. 2013. Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate models. Journal of Hydrology. 503:11–21.
14
Mirjalili, S and A. Lewis. 2016. The whale optimization algorithm. Advances in Engineering Software, 95: 51-67.
15
Modaresi, F., S. Araghinejad and K. Ebrahimi. 2018. A comparative assessment of artificial neural network, generalized regression neural network, least-square support vector regression, and k-nearest neighbor regression for monthly streamflow forecasting in linear and nonlinear conditions. Water Resources Management, 32(1), 243-258.
16
Mujumdar, P. P and S. Ghosh. 2008. Modeling GCM and scenario uncertainty using a possibilistic approach: Application to the Mahanadi River, India. Water Resources Research, 44(6): W06407.
17
Nourani, V., A. H. Baghanam and H. Gokcekus. 2018. Data-driven ensemble model to statistically downscale rainfall using nonlinear predictor screening approach. Journal of Hydrology, 565: 538-551.
18
Quinlan, J. R. 1992. Learning with continuous classes, In 5th Australian Joint Conference on Artificial Intelligence, 92, 343-348.
19
Rezaie-Balf, M., Z. Zahmatkesh and S. Kim. 2017. Soft computing techniques for rainfall-runoff simulation: local non–parametric paradigm vs. model classification methods. Water Resources Management, 31(12): 3843-3865.
20
Singh, K. K., M. Pal and V. P. Singh. 2010. Estimation of mean annual flood in Indian catchments using backpropagation neural network and M5 model tree. Water Resources Management 24(10): 2007-2019.
21
Suykens, J. A. 2001. Nonlinear modelling and support vector machines. 2001. In Instrumentation and Measurement Technology Conference. Proceedings of the 18th IEEE 1, 287-294.
22
Tavakol-Davani, H., M. Nasseri and B. Zahraie. 2013. Improved statistical downscaling of daily precipitation using SDSM platform and data-mining methods. International Journal of Climatology, 33(11): 2561-2578.
23
Wilby, R. L., L. E. Hay and G. H. Leavesley. 1999. A comparison of downscaled and raw GCM output: Implications for climate change scenarios in the San Juan River basin, Colorado. Journal of Hydrology, 225(1-2): 67-91.
24
Wu. C. L., K. W. Chau and C. Fan. 2010. Prediction of rainfall time series using Modular Artificial Neural Networks coupled with data preprocessing techniques. Journal of Hydrology, 389: 146–167
25
ORIGINAL_ARTICLE
مدلسازی تبخیر از سطح آزاد آب با استفاده از ماشین بردار پشتیبان و حداقل مربعات ماشین بردار پشتیبان
تبخیر یکی از فرایندهای مهم و تأثیرگذار در چرخه آبی است. تشت تبخیر به علت سهولت تفسیر دادههای آن در سراسر دنیا بهعنوان شاخصی برای تعیین تبخیر از دریاچهها و مخازن استفاده میشود. بنابراین با ثبت درست مقدار تبخیر از تشت میتوان تبخیر و تعرق گیاه مرجع را تخمین زد. روابط تجربی ارائهشده برای تخمین تبخیر از سطوح آزاد با در نظر گرفتن پارامترهای هواشناسی بهعنوان ورودی، دارای تنوع زیاد است. دقت روابط تجربی در مناطق مختلف متفاوت است و در هر منطقه نیاز به واسنجی دارد. همچنین از دقت بالایی برخوردار نبوده و دسترسی به تمام پارامترهای ورودی مشکل و یا اندازهگیری آنها محتاج صرف هزینه و زمان زیادی میباشد. هدف از این تحقیق ارزیابی کارایی مدلهای ماشین بردار پشتیبان و حداقل مربعات ماشین بردار پشتیبان جهت تخمین تبخیر از سطح آزاد آب در استان گلستان میباشد. در این تحقیق از دادههای هواشناسی روزانه سه ایستگاه سینوپتیک (کلاله، گرگان و بندر ترکمن) به مدت 17 سال (1376-1393) استفاده شد. نتایج نشان داد بین الگوهای ورودی به مدلهای SVM و LSSVM، الگوی 16 با پارامترهای ورودی رطوبت نسبی کمینه، رطوبت نسبی بیشینه، سرعت باد و ساعات آفتابی دارای بیشترین R2 و کمترین RMSE و MBE بود. مدل LSSVM در ایستگاه بندر ترکمن دارای بهترین پیشبینی نسبت به دو ایستگاه دیگر بوده است. همچنین در همه ایستگاههای موردمطالعه مدل LSSVM دارای R2 بیشتر و RMSE و MBE کمتری نسبت به مدل SVM بوده است.
https://www.waterjournal.ir/article_128205_622443db986646ee86a0ec319e023742.pdf
2021-03-21
272
288
10.22125/iwe.2021.128205
تبخیر از سطح آزاد آب
مدل SVM
مدل LSSVM
تشت تبخیر
معصومه
فراستی
farasati2760@gmail.com
1
دانشیار گروه مرتع و آبخیزداری، دانشکده کشاورزی، دانشگاه گنبدکاووس، گنبد، ایران
LEAD_AUTHOR
مرتضی
سیدیان
s.m.seyedian@gmail.com
2
گروه مهندسی آب، دانشگاه گنبد کاووس
AUTHOR
کیمیا
داب
daab@gmail.com
3
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه گنبدکاووس
AUTHOR
احمدی، ف.، س. آیشم، ک. خلیلی و ج. بهمنش. 1396. ارزیابی عملکرد شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) در تخمین مقادیر روزانه تبخیر ) مطالعه موردی: ایستگاههای هواشناسی تبریز و مراغه(. نشریه آبوخاک (علوم و صنایع کشاورزی)، پژوهشهای جغرافیای طبیعی.1(49): 168-151.
1
اسکندری، ع.، ر. نوری، ح. معراجی و ا. کیا قادری.1391. توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیشبینی بهنگام اکسیژن خواهی بیوشیمیایی 5 روزه، محیط شناسی.38(61).82-71.
2
رضایی، ا.، ع. خاشعی سیوکی و شهیدی، ع. 1393. طراحی شبکه پایش سطح آب زیرزمینی با استفاده از مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM)، تحقیقات آبوخاک ایران (علوم کشاورزی ایران).45(4)،389-396.
3
رضایی، ا.، ع. شهیدی و ع. خاشعی سیوکی. 1392. ارزیابی کارایی مدل حداقل مربعات ماشین بردار پشتیبان در پیشبینی سطح ایستابی ) مطالعه موردی: دشت رامهرمز (، نشریه آبیاری و زهکشی ایران.4(7):520-510.
4
زارع ابیانه، ح.، ح. نوری، ع م. لیاقت، ح. نوری و و ا. کریمی. 1390. مقایسهی روش پنمن مانتیث فائو و تشت تبخیر کلاس A با دادههای لایسیمتری در برآورد تبخیر و تعرّق گیاه برنج در منطقهی آمل، پژوهشهای جغرافیای طبیعی. 43(76): 83-71.
5
شادمانی، م و ص. معروفی.1390. مقایسه چند روش برآورد تبخیر روزانه از تشتک مطالعه موردی منطقه کرمان. مجله علوم -و فنون کشاورزی و منابع طبیعی، علوم آبوخاک. 15 (55):83-69.
6
شایان نژاد، م. 1385. مقایسه روشهای شبکههای عصبی مصنوعی و پنمن مانتیث در محاسبه تبخیر و تعرق پتانسیل، همایش ملی مدیریت شبکههای آبیاری و زهکشی، دانشگاه شهید چمران اهواز. 537-531.
7
Allen, R. G., L. S. Preira., D. Raes and M. Smith, 1998. Crop evapotranspiration guidelines for computing crop water requirement. FAO Irrigation and Drainage Paper, NO.56.
8
Asefa, T., M. W. Kemblowski. M. Mckee and A. Khalil. 2006. Multi-time scale stream flow prediction: The support vector machine approach. Hydrology. 318:7-16.
9
Asefa, T., M. W. Kemblowski. M. Mckee and A. Khalil. 2004. Support vector-based groundwater head observation networks design. Water Resource Research. 40. W11509.
10
Behzad, M., K. Asghari M. Eazi and M. Pallhang. 2009. Generalization performance of support vector machines and neural networks in runoff modeling. Expert Systems with Applications. 36: 7624-7629.
11
Chang F. J., K. Y. Chang and L. C. Chang. 2008. Counter-propagation fuzzyneural network for city flood control system. J. Hydrol. 358: 24-34.
12
Dibike, Y., S. Velickov, D. Solomatine and M. Abbott. 2001. Model induction with of support vector machines: Introduction and applications, J. Computing in Civil Engineering, 15(3): 208-216.
13
Eslamian, S. S., J. Abedi-Koupai., M. J. Amiri and S. A. Gohari.2009. Estimation of daily reference evapotranspiration using support vector machines and artifical neural networks in greenhouse. Environmental Sciences. 4: 439-447.
14
Guo, x., x. Sun and x. Ma. 2011. Prediction of daily crop reference evapotranspiration value through a least- square support vector machine model. Hydrology Reserch. 42(4). 268- 274.
15
Guven, A and Kişi, O. 2011. Daily pan evaporation modeling using linear genetic programming technique, 29 (2):135-145.
16
Kisi, O. and M. Cimen.2010. Evapotranspiration modelling using support vector machines. Hydrological Sciences.54 (5): 918-928.
17
Kisi, O. and M. Zounemat-Kermani. 2014. Comparison of Two Different Adaptive Neuro-Fuzzy Inference Systems in Modelling Daily Reference Evapotranspiration. Water Resources Management, 28: 2655-2675.
18
Khemchandani, R., S. Jayadeva and S. Chandra.2009. Regularized least squares fuzzy support vector machine time series forecasting. Expert System with Application. 36: 132-138.
19
Liong,SY. And C Sivapragasam. 2002. Flood stage forecasting with support vector machines. American Water Resource Association. 38:173-186.
20
Liu, S., J. Bai., Z. Jia., L. Jia, H. Zhou, and L. Lu. 2010. Estimation of evapotranspiration in the Mu Us Sandland of China. Hydrology and Earth System sciences. 14: 573-584.
21
Moghadamnia, A., M. Ghafari., J. Piri., and D. Han. 2008. Evaporation estimation using support vector machines technique. Engineering and Technology. 33:14-22.
22
Pai, P., F. and W. C. Hong. 2007. A recurrent support vector regression model in rainfall forecasting. Hydrological Process. 21:819-827.
23
Singh, H. and A. Sankarasubramanian.2014. Systematic uncertainty reduction strategies for developing streamflow forecasts utilizing multiple climate models and hydrologic models. Water Resources Research. 50(2): 1288-1307.
24
Suykens, J. A. K and J. Vandewalle .1999. Least Squares Support Vector Machine Classifiers. Kluwer Academic Publishers. Printed in the Netherlands.
25
Tezel, G and M. Buyukyildiz. 2015. Monthly evaporation forecasting using artificial neural networks and support vector machines. Theoretical and Applied Climatology.
26
Tezal, G and M. Buyukyildiz, M. 2015. Modeling of daily pan evaportation in subtropical climate ANN LS-SRV fuzzy logic and ANFIS. Thero Appl Climatol.
27
Valyon, J. and Horvath, G. 2005. A robust LS-SVM regression. World Academy of Science, Engineering and Technology. 7:148-153.
28
Vapnik, V.N. 1998. Statistical Learning Theory. Wiley. New York.
29
Wang, L. Kisi, M. Zounemat-Kermani and H. Li. 2016. Pan evaporation modeling using six different heuristic computing methods in different climates of China.
30
Yu, P. S., S. T. Chen and I. F. Chang. 2006. Support vector regression for real-time flood stage forecasting. Hydrology. 328: 704-716.
31
ORIGINAL_ARTICLE
ارزیابی تأثیرات تغییرات اقلیم و خشکسالی بر شاخص فقر آب در دشت فسا
تغییرات اقلیمی و بروز خشکسالی با شدت های مختلف، مدیریت نامناسب و برداشت بی رویه از منابع آب و عدم توجه به بیلان منابع آب، باعث بروز بحران آب در دهههای اخیر شده است. در این مطالعه با استفاده از شاخص فقر آب (WPI[1]) بر مبنای پنج مؤلفه وزنی منابع، دسترسی، ظرفیت، مصارف و محیط زیست، وضعیت منابع آب سطحی و زیرسطحی در دشت فسا طی سالهای 1387 الی 1397 بررسی شده است. در مرحله بعد با توجه به اهمیت نقش تغییرات اقلیمی و همچنین بروز خشکسالی با شدت های مختلف بر منابع آب، با استفاده از مقدار ضریب همبستگی به بررسی همبستگی بین تغییرات اقلیمی و تغییرات خشکسالی با شاخص فقر آب در منطقه مورد مطالعه اقدام شد. نتایج نشان داد آنچه نقش تعیین کننده در شاخص فقر آبی دشت فسا دارد، وضعیت مصارف منابع آبی است و ظرفیت منابع آبی این دشت دارای کمترین نقش در این شاخص میباشد. بر اساس نتایج مطالعه، مقدار شاخص فقر آب در دشت فسا در دامنه 678/0 در سال 1389 تا 297/0 در سال 1393 نوسان دارد و بدترین وضعیت فقر آبی در دشت فسا در سال 1393 رخ داده است. همچنین نتایج نشان داد که، در کوتاه مدت، وابستگی شاخص فقر آبی در دشت فسا به تغییرات خشکسالی در مقایسه با تغییرات اقلیمی بیشتری بوده است. در نهایت به نظر می رسد در راستای مقابله با فقر آب در دشت فسا، مدیریت مصارف منابع آب این دشت، به ویژه در شرایط خشکسالی، بسیار حائز اهمیت است. [1] . Water poverty index
https://www.waterjournal.ir/article_128206_024a2a37177bb2f925f41aa47cba18b0.pdf
2021-03-21
289
304
10.22125/iwe.2021.128206
شاخص فقر آب
تغییرات اقلیمی
تغییرات خشکسالی
مصارف منابع آب
دشت فسا
نبی اله
یزدی
yazdi8560@gmail.com
1
AUTHOR
سید نعمت اله
موسوی
seyed_1976mo@yahoo.com
2
دانشیار، گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه آزاد اسلامی واحد مرودشت، شهر مرودشت، ایران
LEAD_AUTHOR
عبدالرسول
شیروانیان
rasoolshirvanian@yahoo.com
3
استادیار ، بخش تحقیقات اقتصادی، اجتماعی و ترویجی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس، سازمان تحقیقات، آموزش و ترویج کشاو
AUTHOR
عبدالرسول
زارعی
ar_zareiee@fasau.ac.ir
4
عضو هیئت علمی، گروه مهندسی منابع طبیعی (مرتع و آبخیزداری)، دانشکده کشاورزی، دانشگاه فسا
AUTHOR
آسیایی هیر، ر.،ر. مصطفی زاده، م. رئوف، الف. اسمعلی عوری. 1396. ارزیابی چندمعیارۀ تغییرات مکانی شاخص فقر آب در تعدادی از حوضه های آبخیز استان اردبیل، اکوهیدرولوژی، سال چهارم، شماره 4، ص 1009-997.
1
رجبی هشجین، م.، د. عرب. 1385. شاخص فقر آبی، ابزاری کارآمد برای ارزیابی وضعیت منابع آبی جهان، دومین همایش مدیریت منابع آب، دانشگاه صنعتی اصفهان. ایران. یهمن ماه 85.
2
طالبی، ح.، ع. امینی. 1397. بررسی ابعاد کم آبی با استفاده از روش شاخص فقر آبی (WPI) و تحلیل مقایسه ای آن در بخش های شهرستان قم. آمایش سرزمین، سال دهم، شماره 2. ص 366-345.
3
نسترن، م.، ف. ابوالحسنی، م. ایزدی. 1389. کاربرد تکنیک تاپسیس در تحلیل و اولویت بندی توسعه پایدار مناطق شهری (مطالعه موردی: مناطق شهری اصفهان، جغرافیا و برنامه ریزی محیطی، سال بیست و یکم ، شماره 2. ص 83-100.
4
Alessa, L., Kliskey, A., Lammers, R., Arp, C., White, D., Hinzman, L. and Busey, R. 2008. The arctic water resource vulnerability index: an integrated assessment tool for community resilience and vulnerability with respect to freshwater. Environmental Management. 42: 523-541.
5
Allen, R.G., Pereira, L.S., Raes, D and Smith, M .1998. Crop Evapotranspiration. Guidelines for Computing Crop Water Requirements. FAO Irrigation and Drainage Paper 56, Roma, Italy.
6
Alwan, I.A., Ziboon, A.R.T. and Khalaf, A.G. 2019. Utilization of reconnaissance drought index (RDI) for monitoring of meteorological drought over middle Euphrates region during the period from 1988 to 2017. In IOP Conference Series: Materials Science and Engineering (Vol. 518, No. 2, p. 022035). IOP Publishing.
7
El-Gafy, I. K. 2018. The water poverty index as an assistant tool for drawing strategies of the Egyptian water sector. Ain Shams Engineering Journal. 9: 173–186.
8
Farsani, I. F., Farzaneh, M. R., Besalatpour, A. A., Salehi, M. H. and Faramarzi, M. 2019. Assessment of the impact of climate change on spatiotemporal variability of blue and green water resources under CMIP3 and CMIP5 models in a highly mountainous watershed. Theoretical and Applied Climatology. 136(1-2): 169-184.
9
Givati, A., Thirel, G., Rosenfeld, D. and Paz, D. 2019. Climate change impacts on streamflow at the upper Jordan River based on an ensemble of regional climate models. Journal of Hydrology: Regional Studies. 21: 92-109.
10
Liu, W.X., Sun, C.Z., Zhao, M.J. and Wu, Y.J. 2019. Application of a DPSIR Modeling Framework to Assess Spatial–Temporal Differences of Water Poverty in China. JAWRA Journal of the American Water Resources Association. 55(1): 259-273.
11
Maiolo, M. and Pantusa, D. 2019. Sustainable Water Management Index, SWaM Index. Cogent Engineering, 6(1), p.1603817.
12
Mishra, A.K., and Singh, V.P. 2010, a review of drought concepts. Journal of Hydrology. 391: 202– 216.
13
Mokarram, M. and Zarei, A.R. 2018. Landslide susceptibility mapping using fuzzy-AHP. Geotechnical and Geological Engineering, 36(6):3931-3943.
14
Nouri, M. and Bannayan, M. 2019. Spatiotemporal changes in aridity index and reference evapotranspiration over semi-arid and humid regions of Iran: trend, cause, and sensitivity analyses. Theoretical and Applied Climatology. 136(3-4): 1073-1084.
15
Nosrati, K., and Zareiee, A.R. 2011. Assessment of meteorological drought using SPI in West Azarbaijan Province, Iran. Journal of Applied Sciences and Environmental Management. 15(4): 563-569.
16
United Nations Environmental Programme (UNEP). 1992. World Atlas of Desertification.
17
Wurtz, M., Angeliaume, A., Herrera, M.T.A., Blot, F., Paegelow, M. and Reyes, V.M. 2019. A spatial application of the water poverty index (WPI) in the State of Chihuahua, Mexico. Water Policy. 21(1): 147-161.
18
Ye, L., Shi, K., Zhang, H., Xin, Z., Hu, J. and Zhang, C., 2019. Spatio-Temporal Analysis of Drought Indicated by SPEI over Northeastern China. Water. 11(5). P. 908.
19
Zarei, A.R. and Mahmoudi, M.R. 2021. Evaluation and Comparison of the Effectiveness Rate of the Various Meteorological Parameters on UNEP Aridity Index Using Backward Multiple Ridge Regression. Water Resources Management, 35(1): 159-177.
20
Zarei, A. R. and Moghimi, M. M. 2019a. Modified version for SPEI to evaluate and modeling the agricultural drought severity. International Journal of Biometeorology. Doi: 10.1007/s00484-019-01704-2.
21
Zarei, A.R. and Moghimi, M.M. 2019b. Environmental assessment of semi-humid and humid regions based on modeling and forecasting of changes in monthly temperature. International Journal of Environmental Science and Technology, 16(3): 1457-1470.
22
Zarei, A. R, Shabani, A, Mahmoudi, M. R. 2019. Comparison of the climate indices based on the relationship between yield loss of rain-fed winter wheat and changes of climate indices using GEE model. Science of the Total Environment. 661: 711–722.
23
ORIGINAL_ARTICLE
بررسی تأثیر مؤلفههای اقتصاد دانشبنیان بر بهرهوری و مصرف آب در بخش کشاورزی ایران
امروزه، اقتصاد دانش بنیان، بهعنوان راهکار برون رفت از مسائل و مشکلات مختلف، مطرح شده است. با توجه به اینکه، بیش از 90 درصد مصرف آب به بخش کشاورزی اختصاص دارد، دانشبنیان شدن کشاورزی که یکی از مؤلفههای آن، نوآوری و توسعه سیستمهای آبیاری نوین در اراضی کشاورزی میباشد؛ باعث افزایش راندمان مصرف آب و تولید میشود. لذا؛ در این مطالعه به بررسی تأثیر مولفههای مختلف اقتصاد دانش بنیان بر بهرهوری و مصرف آب در بخش کشاورزی ایران طی دوره 96-1381، با استفاده از شبکه علیبیزین در قالب 4 سناریو پرداخته شده است. نتایج مطالعه نشان داد مؤلفه دانش و سرمایه انسانی، کمترین اثر را بر نرخ رشد مصرف آب در بخش کشاورزی ایران دارد و احتمال افزایش نرخ رشد سطح اراضی مجهز به آبیاری تحت فشار با اجرای چهار سناریوی مؤلفه دانش و سرمایه انسانی، رژیم نهادی و محرک اقتصادی، زیرساختهای اطلاعات و ارتباطات و نوآوری بهترتیب برابر با 9/59%، 55%، 60% و 60% و احتمال کاهش نرخ رشد مصرف آب در بخش کشاورزی 80% میباشد. لذا حرکت به سمت دانش بنیان شدن اقتصاد میتواند به بهبود راندمان آب در بخش کشاورزی ایران کمک نماید.
https://www.waterjournal.ir/article_128209_68b2fd887b8727c7562befe733e52fea.pdf
2021-03-21
305
318
10.22125/iwe.2021.128209
: بخش کشاورزی
بهرهوری آب
شبکه علّیبیزین
سونا
پور علی مقدم
sona.moghadam72@gmail.com
1
دانش ‏آموخته کارشناسی ارشد اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران
AUTHOR
محمدرضا
زارع مهرجردی
zare@uk.ac.ir
2
دانشیار گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران
LEAD_AUTHOR
سمیه
امیرتیموری
amirtaimoori@uk.ac.ir
3
استادیار گروه اقتصاد کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران
AUTHOR
سمیه
نقوی
somnaghavi@ujiroft.ac.ir
4
استادیار گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه جیرفت، جیرفت، ایران
AUTHOR
اشراقی، ف. و س. قاسمیان. 1391. بررسی بهرهوری اقتصادی مصرف آب در استان گلستان. مجله پژوهش آب در کشاورزی، جلد 26، شماره 3، ص 322-317.
1
بهبودی، د.، ن. میرانی و ن. محرم جودی. 1394. بررسی اثر اقتصاد دانشبنیان بر رشد تولیدات در ایران با استفاده از الگوریتم جستجوی گرانشی و الگریتم کرم شبتاب. فصلنامه سیاستگذاری پیشرفت اقتصادی دانشگاه الزهرا، سال سوم، شماره 8، ص 93-65.
2
.پوران، ر.، ح. راغفر، ع. قاسمی و ف. بزازان. 1396. محاسبه ارزش اقتصادی آب مجازی با رویکرد حداکثرسازی بهرهوری آب آبیاری. مطالعات اقتصادیِ کاربردی ایران، سال ششم، شماره 21، ص 212-189.
3
زرگرپور، ر.، حاتمی، ح.ر.، حیدری، ن.، زارع، ع و مرسلی، ا. 1396.نقش علم و فناوری در ارتقای بهرهوری آب کشاورزی ایران 1404. مطالعات بین رشتهای دانش راهبردی، شماره 27، ص 132-103.
4
سرائی، س.، افراخته، ح.، ریاحی، و و جلالیان، ح. 1396. ارزیابی کاربرد فناوری اطلاعات و ارتباطات در بهینهسازی مصرف آب کشاوری با رویکرد سیستمی نرم. فصلنامه مطالعات میان رشتهای در علوم انسانی، دوره 9، شماره 4، ص 70-49.
5
سلطانی ذوقی، ا. 1396. جایگاه راهکارهای دانشبنیان در مدیریت بحران آب. چهارمین کنفرانس و نمایشگاه محیطزیست، تهران.
6
.طرازکار، م.ح.، م. زیبایی و غ.ر. سلطانی. 1395. بهرهبرداری بهینه از مخزن سد درودزن با تأکید بر بهرهوری آب کشاورزی. اقتصاد کشاورزی و توسعه، سال بیست و چهارم، شماره 96، ص 55-25.
7
.عزیزی، ف و مرادی، م. 1397. محاسبه شاخصهای اصلی و فرعی اقتصاد دانشبنیان برای ایران (سالهای 2014-1996). فصلنامه پژوهشها و سیاستهای اقتصادی، شماره 85، ص 270-243.
8
فرداد، ح. و ر. ضیغمی گل. 1384. بهینهسازی مصرف آب برای آبیاری پنبه در منطقه گرگان. مجله علوم کشاورزی ایران. جلد ٣٦، شماره ٥، ص 1206-1197.
9
کریمی، م. و جلینی، م. 1396. بررسی شاخصهای بهرهوری آب کشاورزی در محصولات مهم زراعی. مطالعه موردی: دشت مشهد (یادداشت فنی). سال چهارم، شماره 1، ص 138-133.
10
.موسایی، ر و دوستی، م. 1394. بررسی فناوریهای نوین در جهت افزایش بهرهوری آب در بخش کشاورزی. کنفرانس بینالمللی توسعه با محوریت کشاورزی، محیط زیست و گردشگری، تبریز.
11
وزیری، آزیتا.، م.ح. وکیلپور و س.ا. مرتضوی. 1395. بررسی اثر قیمتگذاری اقتصادی آب آبیاری بر الگوی کشت در دشت دهگلان. مجله تحقیقات کشاورزی، جلد 8، شماره 3، ص 100-80.
12
.AQUASTAT. 2004. FAO’s Global Water Information System Website. AQUASTAT. http://www.fao.org/nr/water/aquastat/data/query/results.html.
13
.AQUASTAT. 2015. FAO’s Global Water Information System Website. AQUASTAT. http://www.fao.org/nr/water/aquastat/data/query/index.html?lang=en.
14
AQUASTAT. 2016. FAO’s Global Water Information System Website. AQUASTAT. http://www.fao.org/nr/water/aquastat/data/query/results.html.
15
.Caball, R. and Sh. Malekpour. 2019. Decision making under crisis: Lessons from the Millennium Drought in Australia. International Journal of Disaster Risk Reduction, 34: 387–396.
16
.Cameira, M.A and Pereira, L.S. 2019. Innovation Issues in Water, Agriculture and Food. Water, 11:1-7.
17
. Craig, C.A., S. Feng and S. Gilbertz. 2019. Water crisis, drought, and climate change in the southeast United States. Land Use Policy, 88: 104-110.
18
.Davies, P. 2007. Bayesian Decision Networks for Management of High Conservation, Report to the Conservation of Freshwater Ecosystem Values Project. Department of Primary Industries and Water, Hobart, Tasmania.
19
.Gilbertz, S.J., D. Hall and L. Ward. 2013. Yellowstone River Basin Advisory Council: Membership & Report of 2013 Scoping Activities. Report and appendices available at: Sponsored by the Montana Department of Natural Resources Conservation and Montana State University Billings. An effort of the 2015 Montana Water Supply Initiative. http://www.dnrc.mt.gov/wrd/water_mgmt/state_water_plan/yellowstone/scoping_report/default.asp.
20
.Heckerman, D. 1997. Bayesian networks for data mining, data mining and knowledge. Discovery, 1 (1): 79-119.
21
https://www.mporg.ir/FileSystem/View/File.aspx?FileId=f4afa150-ee8b-4237-b169-f16f8b2c532b
22
.Mack D.L., G. Biswas., X.D. Koutsoukos and D. Mylaraswamy. 2017. Learning Bayesian network structures to augment aircraft diagnostic reference models. IEEE Transactions on Automation Science and Engineering, 14(1):358-69.
23
.Makurira, H., H. Savenije and Uhlenbrook, S. 2011. The effect of system innovations on water productivity in subsistence rainfed agricultural systems in semi-arid Tanzania. Agricultural Water Management, 98(11):1696-1703.
24
.Mitchell, T. M. 1997. Does machine learning really work?. AI magazine, 18(3): 11.
25
Nadkarni, S. and Shenoy, P. P. 2001. A Bayesian network approach to making inferences in causal maps. European Journal of Operational Research, 128(3): 479-498.
26
.Rosenthal, U. and A. Kouzmin. 1997. Crises and crisis management: toward comprehensive government decision making. Journal of Public Administration Research and Theory, 7 (2): 277-304.
27
ORIGINAL_ARTICLE
کاربرد حسابداری ردپای آب رنگی در الگوی کشت محصولات ویژه مناطق خشک (مطالعه موردی: دشت بیرجند)
ﺷﺎﺧﺺ ردﭘﺎی آب ﺑﻪ ﻋﻨﻮان ﯾﮏ ﺷﺎﺧﺺ ﺟﻬﺎﻧﯽ ﻧﺸﺎن دﻫﻨﺪه ﻣﻘﺪار واﻗﻌﯽ آب ﻣﺼﺮﻓﯽ ﺑﺮ اﺳﺎس ﺷﺮاﯾﻂ و اﻗﻠﯿﻢ ﻫﺮ ﻣﻨﻄﻘﻪ ﻣﯽﺑﺎﺷﺪ. ﺷﻨﺎﺳﺎﯾﯽ و ارزﯾﺎﺑﯽ ﻣﻘﺪار آب واﻗﻌﯽ ﻣـﻮرد اﺳـﺘﻔﺎده ﻣﺤـﺼﻮﻻت ﻣﺨﺘﻠـﻒ ﮐـﺸﺎورزی دارای اﻫﻤﯿﺖ ﺑﺎﻻﯾﯽ ﺑﻮده و ﭼﻨﯿﻦ ارزﯾﺎﺑﯽ میتواند در ﺷﻨﺎﺧﺖ و اراﺋﻪ راﻫﮑﺎرﻫﺎی ﻣﻨﺎﺳﺐ ﺑﺮای ﮐﺎﻫﺶ ﻣﺼﺮف آب ﮐـﺸﺎورزی ﺑﺴﯿﺎر ﻣﻮﺛﺮ ﺑﺎﺷﺪ. هدف از این پژوهش محاسبه ردپای اقصادی آب محصولات اصلی دشت بیرجند در سال 1395 میباشد. در اﯾﻦ ﭘﮋوﻫﺶ ﺑﺮای بررسی ردﭘﺎی آب و حسابداری ردپای آب ﻣﺤﺼﻮﻻت کشاورزی، نه ﻣﺤﺼﻮل ﻋﻤﺪه در دشت بیرجند شامل جو، گندم، زعفران، سبزیجات، محصولات جالیزی، پنبه، یونجه، عناب و زرشک مورد بررسی قرار گرفته و این شاخصها محاسبه گردید. نتایج در این پژوهش نشان داد که مجموعحجمردپایآبدر تولیدمحصولاتاصلیحدود 22 میلیون مترمکعب در سال 1395 برآورد شد. بیشترسهمردپایآباقتصادیمربوطبه ردپایآبآبیاست. در بین محصولات کشاورزی، حجم تجارت آب مجازی محصولات صادراتی زعفران، زرشک و عناب به ترتیب 27/0، 26/0 و 017/0 میلیون مترمکعب می باشد.
https://www.waterjournal.ir/article_128211_edb8ecc0ed64976787bda43afcfe2afe.pdf
2021-03-21
319
331
10.22125/iwe.2021.128211
تجارت اقتصادی آب
دشت بیرجند
ردپای اقصادی آب
فهیمه
شریفان
fahime.sharifan@yahoo.com
1
AUTHOR
عباس
خاشعی سیوکی
abbaskhashei@birjand.ac.ir
2
روه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، ایران،
LEAD_AUTHOR
اداره گمرک خراسان جنوبی، بیرجند. 1395
1
اردکانیان، ر.، و ر، سهرابی. 1385. تجارت آب مجازی: کاربردها و ادبیات جهان. کنفرانس مدیریت منابع آب ایران، اصفهان
2
اژدری.ا (مترجم). 1390. ردپای آب (آب سبز، آبی و خاکستری) از مرحله تولید تا مصرف و شاخصی از تأثیر الگوی مصرف ملل. ﻣﺠﻤﻮﻋﻪ ﮔﺰارﺷﺎت ﭘﮋوﻫﺸﯽ ﺷﻤاره 50 یونسکو
3
سازمان جهاد کشاورزی، خراسان جنوبی، بیرجند. 1395
4
شهیدی، ع. 1394. خبرگزاری جمهوری اسلامی، ایرنا، استان خراسان جنوبی. 28 دی 1394
5
عربی یزدی، ا.، ا. علیزاده، و ف. محمدیان. 1388. ﺑﺮرﺳﯽ ردﭘﺎی اﮐﻮﻟﻮژﯾﮏ آب در ﺑﺨﺶ ﮐﺸﺎورزی اﯾﺮان. ﻧﺸﺮﯾﻪ آب و ﺧﺎک (علوم و صنایع کشاورزی).23(4):15-1
6
Ababaei, B., and H. Ramezani Etedali. 2014. Estimation of water footprint components of Iran’s wheat production comparison of global and national scale estimates. Journal of Environmental Process1:193205.
7
Ababaei, B., and H Ramezani Etedali. 2016. Water Footprint components of cereal production in Iran. Agricultural Water Management
8
Chapagain, A.K., Hoekstra, A.Y., and H. H. G. Savenije. 2006. Water saving through international trade of agricultural products. Hydrology Earth System Science 10:455–468.
9
Hoekstra, A.Y., and A. K. Chapagain. 2008. Globalization of water: Sharing the planet’s freshwater resources. Blackwell Publishing, Oxford, UK.
10
Hoekstra, A. Y., and. P. Q. Hung. 2002. Virtual water trade: A quantification of virtual water flows between nations in relation to international crop trade. Value of the Water Research Report Series No. 11, UNESCO-IHE, Delft.
11
Pahlow, M., Snowball, J., and G. Fraser. 2015. Water footprint assessment to inform water management and policy making in South Africa, Water SA. 41(3):301-305.
12
Hoekstra, AY., Chapagain, AK., Aldaya, MM., and M. M. Mekonnen. 2011. The water footprint assessment manual: setting the global standard, Water Footprint Network, Enschede, the Netherlands.
13
Wang, Y. D., Leeb, J.S., Agbemabiesea, L., Zamea, K., and S. Kang. 2015. Virtual water management and the water– energy nexus: A case study of Three Mid-Atlantic. Resources, Conservation and Recycling, 98(3):76–84.
14
Zhang, G.P., Hoekstra, A.Y., and R. E. Mathew. 2013. Water footprint assessment (WFA) for better water governance and sustainable development. Journal of Water Resources and Industry, 1-2:1-6.
15
ORIGINAL_ARTICLE
بررسی کارایی جاذبهای رزین آنیونی،پرلیت و زئولیت کلینوپتیلولیت در کاهش ورود فلزات سنگین به تالاب میقان
تالاب میقان اراک یکی از زیستگاههای مهم پرندگان مهاجر میباشد که در سالهای اخیر حیات آن با چالشهای جدی مواجه بوده است. در این پژوهش به بررسی وضعیت فلزات سنگین آب ورودی به تالاب و راهکارهای کاهش آنها پرداخته شد. در ابتدا آزمایش ICP برای تعیین وضعیت فلزات سنگین آب تالاب انجام گردید. سپس برای بررسی کاهش فلزات سنگین (سرب، نیکل و کروم) از سه تیمار رزین آنیونی، زئولیت کلینوپتیلولیت و پرلیت با دو تکرار استفاده شد. بدین منظور، از یک سری ستونهایی به ارتفاع یک متر و قطر 160 میلیمتر استفاده شد. لولهها تا ارتفاع 70 سانتیمتر از مواد جاذب پر شدند و از منبعی که پساب مصنوعی در آن ساخته شده، پساب وارد هر یک از ستونهای آزمایش شد. سپس در زمانهای پنج دقیقه، 30 دقیقه، یک ساعت، دو ساعت، چهار ساعت از ورودی و خروجی آب استوانهها نمونهبرداری صورت گرفت. نمونهها به آزمایشگاه منتقل و با دستگاه جذب اتمی مقادیر فلزات سنگین ورودی و خروجی اندازهگیری شد. نتایج نشان داد که در اکثر ستونهای آزمایشی، در ابتدای آزمایش روند جذب افزایشی و در آخر روند کند و حتی کاهشی داشته است. همچنین درصد جذب هر سه فلز سنگین در رزین به نسبت دو جاذب دیگر بیشتر و حدود 90 درصد میباشد. بیشترین درصد جذب برای زئولیت 44 درصد و برای پرلیت در حدود 30 درصد بوده است. بههرحال در جذب فلزات سنگین عملکرد تیمارها متفاوت بوده است اما بهنظر میرسد که تمام تیمارهای مورد استفاده کارآیی نسبی در جهت حذف فلزات سنگین را دارا هستند.
https://www.waterjournal.ir/article_128212_0a5f63fae89aa84d7ea465eb225cf498.pdf
2021-03-21
332
344
10.22125/iwe.2021.128212
فلزات سنگین
زئولیت
پرلیت
رزین
سمیه
علیمیری
alimiri_s@yahoo.com
1
دانشجوی کارشناسی ارشد علوم و مهندسی آب، دانشگاه اراک
AUTHOR
جواد
مظفری
javad_370@yahoo.com
2
گروه علوم و مهندسی آب دانشگاه اراک
LEAD_AUTHOR
آزاده
کاظمی
a-kazemi@ut.ac.ir
3
گروه محیط زیست، دانشگاه اراک
AUTHOR
اسدی، ت.، و ن. ماهانی. 1396. حذف فلزات سنگین از فاضلاب توسط کلینوپتیولیت زئولیت طبیعی. اولین کنفرانس ملی پژوهشهای کاربردی جدید در علوم و مهندسی. مؤسسه آموزش عالی اقبال لاهوری، مشهد.
1
احمدی، م.، جرفی، س.، تکدستان.، ا. و ن. جعفرزاده. 1394. بررسی کارایی زئولیت طبیعی کلینوپتیولولیت در حذف فلز کادمیوم از محلولهای آبی و تعیین ایزوترمهای جذب. مجله علمی پژوهشی دانشگاه علوم پزشکی ایلام، 23(2): 95- 102.
2
انصاریان, ف.، کاظمی،. ا. و ح. صالحی ارجمند. ۱۳۹۵. اندازهگیری میزان فلزات سنگین رسوبات سطحی تالاب میقان جهت بررسی اثرات تصفیه خانه فاضلاب اراک. دومین کنفرانس علوم، مهندسی و فناوری های محیط زیست، تهران، دانشکده محیط زیست دانشگاه تهران، کرج.
3
جعفری, ا. و ا. اسماعیلیان. ۱۳۹۲. کاربرد زئولیت سنتزی 13x برای حذف آلاینده های آب. اولین همایش ملی آلایندههای کشاورزی و سلامت غذایی، چالشها و راهکارها، اهواز، دانشگاه رامین خوزستان.
4
جوانمردی، پ.، تکدستان.، ا.، جلیل زاده، ر. و ج. محمدی. 1395. آمادهسازی و کاربرد زئولیت طبیعی کلینوپتیلولیت ایرانی در حذف روی از محلولهای آبی و تعیین سنتیک و ایزوترم جذب. مجله مهندسی بهداشت محیط، 4(1): 43-57.
5
خسروی، م.، بهرامیفر، ن. وم. قاسم پوری. 1390. بررسی آلودگی فلزات سنگین در رسوب سه بخش تالاب انزلی. مجله سلامت و محیط، 4(2): 223-232.
6
صفری، ا. و ج. مظفری. 1396. بررسی آزمایشگاهی اثر پرلیت، زئولیت و رزین بر کاهش نیترات و فسفات پساب برای استفاده در کشاورزی؛ مطالعه موردی پساب شهر محلات. مجله علمی پژوهشی مهندسی آبیاری و آب، 7(2): 112-126.
7
فرزی، س.، فراستی، م.، فرهادی، ب. و م. پیرصاحب. 1397. حذف کادمیم از محلول آبی توسط نانوساختار پوشال نیشکر. مجله علمی پژوهشی مهندسی آبیاری و آب، 8(3): 210-223.
8
مرتضوی، س.ب.، رسولی، ل. و ح. کاظمیان. 1389. حذف کرومات از محلولهای آبی بوسیله زئولیت اصلاح شده با سورفاکتانت کاتیونی، مجله سلامت و محیط ، 4 (1): 37-46.
9
Misaelides, P. 2011. Application of natural zeolites in environmental remediation: A short review. Journal of Micropouous and Mesoporous Materials, 144(1-3), 15-18.
10
Tao, Y.F., Fang, S., Qiu, Y. and Z. Liu. 2010. Trapping the lead ion in multi-components aqueous solution by natural clinoptilolite. J of Hazardous Materials, 180:282-288.
11
ORIGINAL_ARTICLE
کارایی مصرف آب و پاسخ کمی و کیفی کینوا به کاربرد غلظتهای مختلف سالیسیلیک اسید تحت شرایط کمآبیاری
در سالهای اخیر، سطح زیر کشت کینوا (Chenopodium quinoa Willd.) و مصرف غذایی دانه آن بهدلیل خصوصیات تغذیهای و قابلیت رشد آن در شرایط سخت محیطی نظیر خشکی، افزایش یافته است. هدف از این مطالعه، ارزیابی رشد، عملکرد کمی و کیفی، کارایی مصرف آب و تعیین واکنش گیاه کینوا رقم ʼتیتیکاکاʻ به غلظتهای مختلف سالیسیلیک اسید (0، 5/0، 1 و 2 میلی مولار) در سطوح مختلف آبیاری (100، 75 و 40 درصد ظرفیت زراعی) بود. این آزمایش مزرعه ای در قالب طرح کرتهای خرد شده در قالب سه بلوک در مزرعه تحقیقاتی دانشگاه شهید باهنر کرمان در طول فصل رشد 1398 اجرا شد. نتایج نشان داد در حالیکه اعمال کمآبیاری موجب کاهش سرعت رشد، عملکرد زیستی و عملکرد و اجزای عملکرد دانه شد، کاربرد غلظت بالای سالیسیلیک اسید منجر به بهبود معنیدار پارامترهای مذکور شد. در شرایط آبیاری نرمال، اعمال غلظتهای متوسط و در شرایط شدید کمآبیاری اعمال غلظت بالای سالیسیلیک اسید منجر به بهبود رشد، کارایی مصرف آب و عملکرد پروتئین دانه شد. بیشترین کارایی مصرف آب در شرایط اعمال کمآبیاری و غلظت بالای سالیسیلیک اسید حاصل شد. اعمال کمآبیاری میزان پروتئین دانه را افزایش داد، در حالیکه افزایش غلظت سالیسیلیک اسید موجب کاهش آن شد. در مقابل، کمآبیاری موجب کاهش عملکرد پروتئین و اعمال سالیسیلیک موجب بهبود آن شد. بهطور کلی نتایج نشان داد که براساس قابلیت دسترسی به منابع آب در مزارع کینوا، میتوان از غلظتهای مختلف سالیسیلیک اسید در جهت بهبود عملکرد و بهرهوری آب در مناطق خشک و نیمه خشک بهره برد.
https://www.waterjournal.ir/article_128214_7b41582034bd3edec671943d68a7d971.pdf
2021-03-21
345
359
10.22125/iwe.2021.128214
بهرهوری آب
خشکی
سالیسیلیک اسید
عملکرد
محتوای پروتئین
Chenopodium quinoa
حمید
صادقی زاده
r.sadeghizadeh11@gmail.com
1
دانشجوی کارشناسی ارشد، گروه زراعت و اصلاح نباتات، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان
AUTHOR
غلامرضا
خواجویی نژاد
khajoei@uk.ac.ir
2
گروه زراعت و اصلاح نباتات دانشکده کشاورزی، دانشگاه شهید باهنر کرمان
LEAD_AUTHOR
جلال
قنبری
jalalghanbari@agr.uk.ac.ir
3
گروه زراعت و اصلاح نباتات دانشکده کشاورزی، دانشگاه شهید باهنر کرمان
AUTHOR