علوم آب و خاک

---

وسعت مراتع و ‌هم‌چنین راهکارهایی که برای توسعه کشاورزی استان خوزستان ‌به‌صورت افزایش سطح زیر کشت دیم و آبی پیشنهاد شده همگی به میزان بارندگی بستگی دارد، بنابراین وجود مدل‌هایی به منظور پیش بینی بارندگی برای تصمیم گیری های مدیریتی لازم به نظر می‌رسد. بنابراین در این پژوهش با استفاده از آمار دراز مدت بارندگی روزانه 15 ایستگاه در منطقه مورد مطالعه ارتباط بین زمان وقوع رگبارهای زودرس پاییزه با بارندگی سالانه بررسی شد. نتایج حاکی از آن است که این ارتباط معکوس بوده و هرچه شروع بارندگی‌ها به تأخیر بیفتد در نتیجه مقدار بارندگی سالانه کاهش می‌یابد. برای افزایش ضریب تعیین مــدل‌ها از متغیرهای اقلیمی مانند میانگین دراز مدت بارندگی، دمای سطح آب خلیج فارس و مشخصه‌های جغرافیایی ایستگاه‌ها استفاده گردید که به‌جز میانگین دراز مدت بارندگی و ارتفاع ایستگاه‌ها، دیگر متغیرها ضریب تعیین مدل‌های ارائه شده را به طور معنی داری افزایـش ندادند. مدل ساده نهایی چنیـن می‌باشد: P_a=184.787-1.891t_42.5+0.855P_m و R²=0.704 که در این رابطه، P_a کل بارندگی سالانه(‌میلی‌متر‌)، t_42.5 زمان وقوع 5/42 ‌میلی‌متر‌ باران از ابتدای پاییز(روز)، P_m میانگین دراز مدت بارندگی ایستگاه (‌میلی‌متر‌) می باشد.

---

در ایران، حدود 75% از تولیدات برنج داخلی در ‌‌‌‌استان‌های‌‌ گیلان و مازندران، که از پر بارش ترین نواحی کشورند، تهیه می‌شود. پیش‌بینی‌های فصلی بارش تأثیر مهمی در تولید محصول و کاهش خطرهای حوادث اقلیمی در این ناحیه ‌‌حاصل‌خیز از کشور دارد. با ‌‌‌به‌کارگیری مدل تحلیل ‌‌‌هم‌بستگی متعارف (Canonical Correlation Analysis, CCA)، امکان پیش بینی بارش زمستانه این استان‌ها براساس وضـعیت پدیده النینیو- نوسـانات جنوبی (ELNino-Southern Oscillation, ENSO ) مورد ارزیابـی قرار گرفت. سری‌های زمانی شاخص ‌‌‌نوسان‌های‌ جنـوبی (Southern Oscillation Index, SOI) و دمای سطح آب در نینوها (Nino's SST) ‌‌‌‌به‌عنوان‌ پیشگو کننده‌ها و بارش در بندر انزلی و نوشهر ‌‌‌‌به‌عنوان‌ پیشگو شونده در نظر گرفته شدند. به‌منظور کاهش تعداد متغیرهای پیشگو کننده اولیه به تعداد معدودی از ‌مؤلفه‌های اصلی از روش توابع متعامد تجربی (Empirical Orthogonal Function,EOF ) اسـتفاده گـردید. از مجـمـوع بیسـت سـری زمانـی پیـش‌گـوکننـده، چـهار‌مـؤلـفه‌ اصلـی(EOF1, EOF2, EOF3, EOF4) از مجموعه داده‌های پیشگو کننده که 92% از کل واریانس این مجموعه داده‌ها را شرح می‌دادند، انتخاب شده و بقیه ‌مؤلفه‌ها ‌‌‌‌به‌عنوان‌ اختلال ( Noise ) در نظر گرفته شدند. بر مبنای EOF های انتخاب شده و سری‌های زمانی بارش، مدل CCA برای پیش بینی بارش زمستانه بندر انزلی و نوشهر ‌‌‌به‌کار برده شد. نتایج نشان داد که پیشگو کننده‌های در نظر گرفته شده در حدود 45% از کل واریانس سری زمانی بارش را شرح می‌دهند. ضرایب ‌‌‌هم‌بستگی بین مقادیر بارش مشاهده و شبیه سازی شده در سطح 5% معنی دار بودند. در 70% از موارد، علائم مقادیر نرمال دیده شده و شبیه‌سازی شده یکسان بودند که توانایی معقول مدل برای پیش‌بینی خشکسالی و ترسالی را نشان می‌دهد. در پیش‌بینی بارش، ‌‌‌نوسان‌های‌ Nino's SST (به‌خصوص (Nino4 حدود 10% موثرتر از SOI تشخیص داده شد.

---

در این تحقیق توانایی مدل‌های شبکه عصبی مصنوعی جهت شبیه سازی رفتار هیدرولوژیکی آب در حوزه‌های آبخیز مورد بررسی قرار گرفته است. هدف اصلی تحقیق بررسی کاربرد انواع مختلف شبکه‌های عصبی مصنوعی جهت شبیه سازی جریان در یک حوزه آبخیز با چند ایستگاه هیدرومتری و پیش بینی بهنگام جریان‌های سیلابی در پایین دست بوده است. منطقه مورد بررسی قسمت فوقانی رودخانه درونت (Derwent) می‌باشد که یکی از شاخه‌های اصلی رودخانه ترنت (Trent river)در ناحیه مرکزی انگلستان است. جریان سیلاب رودخانه 3، 6، 9 و 12 ساعت قبل از وقوع در محل ایستگاه هیدرومتری واتستندول (Whatstandwell) با استفاده از داده‌های اندازه‌گیری شده در بالا دست پیش بینی گردیده است. سه نوع شبکه عصبی مختلف که عبارت‌اند از شبکه پرسپترون چند لایه(MLP network) ، شبکه برگشتی (Recurrent network)و شبکه برگشتی با تأخیر زمانی(Time lag recurrent network) به‌صورت جداگانه مورد استفاده و ارزیابی قرار گرفتند. هم‌چنین جهت بررسی تأثیر طول داده‌های ورودی در کارایی مدل‌های شبکه عصبی، شبیه سازی‌های مختلف با استفاده از داده‌های هیدرولوژیکی با طول و تعداد متفاوت مورد استفاده قرار گرفت. داده‌های با فاصله اندازه‌گیری 30 دقیقه‌ای با طول دوره‌های 1 ماه، 6 ماه و سه سال ( که تولید تعداد مشاهده‌های متفاوتی را می‌نماید) بدین منظور مورد استفاده واقع شد. براساس نتایج به‌دست آمده هرچند شبکه‌های عصبی مصنوعی به‌صورت عمومی و کلی کارایی مناسبی را در شبیه سازی و پیش بینی دبی جریان از خود نشان داده‌اند ولی نوع شبکه عصبی مصنوعی و نیز خصوصیات داده‌های ورودی مدل خصوصاً داده‌های آموزشی پارامترهای بسیار مهمی هستند که تأثیر عمده‌ای را روی خروجی‌های مدل دارند.