علوم آب و خاک

توسعه شبکه‌ آبیاری دشت عباس و انتقال آب سد کرخه بدون توجه به منابع آب زیرزمینی دشت، باعث ماندابی شدن اراضی کشاورزی دشت در سال‌های اخیر شده است. هدف از این مطالعه بهینه‌سازی تلفیق منابع آب سطحی و زیرزمینی دشت عباس برای حداقل کردن مشکلات ماندابی شدن اراضی و دستیابی به حداکثر درآمد خالص دشت بود. برای این منظور ابتدا رفتار آبخوان دشت با استفاده از روش پویایی سیستم‌ها شبیه‌سازی شد. سپس با استفاده از روش بهینه‌سازی چندمعیاره مدل Vensim تلفیق آب‌های سطحی و زیرزمینی با تابع هدف حداکثرسازی درآمد خالص دشت بهینه‌سازی شد. زمان شروع مدل‌سازی سال ۱۳۸۰ و پایان آن سال ۱۴۱۰ و به‌مدت ۳۰ سال است. مدل با استفاده از داده‌های زمانی سال ۱۳۸۰ تا ۱۳۸۸ واسنجی و با استفاده از داده‌های زمانی سال ۱۳۸۸ تا ۱۳۹۵ صحت‌سنجی شد. نتایج ارزیابی‌ها نشان داد که مدل قادر است متغیر‌های کلیدی تراز آب زیرزمینی (ME برابر ۶۰ سانتی‌متر، R^۲ برابر ۹۷ درصد وRMSE  برابر ۴۷ سانتی‌متر) و شوری آب زیرزمینی (ME برابر۰/۱۲۳ میکروموس بر سانتی‌متر، R^۲  برابر ۷۴ درصد و RMSE برابر ۱۰۰ میکروموس بر سانتی‌متر) را با دقت مناسب شبیه‌سازی کند. همچنین نتایج مدل بهینه‌سازی نشان داد که بهینه‌ترین نسبت مصرف آب سطحی و زیرزمینی برای تأمین نیاز کشاورزی دشت عباس به‌ترتیب ۶۵ و ۳۵ درصد است. به‌طور کلی می‌توان نتیجه گرفت که با بهینه‌سازی تلفیق آب سطحی و زیرسطحی با صرفه‌جویی سالانه حدود ۱۰ میلیون متر مکعب آب می‌توان ۸۰۰ هکتار اراضی جدید را آبیاری کرد.

پیش‌بینی دقیق و قابل اعتماد از سطح آب زیرزمینی در یک منطقه برای استفاده پایدار و مدیریت منابع آب بسیار مهم است. این پژوهش با هدف ارزیابی شبکه‌های عصبی مصنوعی (ANNs)؛ پیش‌رونده عمومی (GFF) و تابع پایه شعاعی (RBF)  در پیش‌بینی ماهانه تراز سطح آب زیرزمینی در دشت دزفول- اندیمشک در جنوب غربی ایران انجام شد. برای تعیین متغیرهای مؤثر ورودی در ANNs از الگوریتم اطلاعات متقابل جزئی (PMI) استفاده شد. نتایج به‌کارگیری الگوریتم PMI نشان می‌دهد که متغیرهای ورودی مؤثر بر پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای تحت تأثیر برداشت و تغذیه آب، فقط شامل تراز سطح آب در ماه فعلی است. همچنین متغیرهای ورودی مؤثر بر پیش‌بینی تراز سطح آب برای پیزومترهای تحت تأثیر فقط برداشت آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، مختصات عرضی پیزومتر به UTM، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل و مختصات طولی پیزومتر به UTM است. علاوه بر این متغیرهای ورودی مؤثر بر پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای نه تحت تأثیر برداشت و نه تغذیه آب، به ترتیب شامل تراز سطح آب در ماه فعلی، تراز سطح آب در یک ماه قبل، تراز سطح آب در دو ماه قبل، تراز سطح آب در سه ماه قبل، تراز سطح آب در چهار ماه قبل، تراز سطح آب در پنج ماه قبل، تراز سطح آب در شش ماه قبل، مختصات عرضی پیزومتر به UTM و مختصات طولی پیزومتر به UTM است. نتایج نشان می‌دهد که شبکه GFF از دقت بیشتری نسبت به شبکه RBF، در پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل برداشت و تغذیه آب و پیزومترهای شامل فقط برداشت آب برخوردار است. علاوه بر این شبکه RBF دقت بیشتری در پیش‌بینی ماهانه تراز سطح آب زیرزمینی برای پیزومترهای شامل نه برداشت و نه تغذیه آب نسبت به شبکه GFF برخوردار است.