علوم آب و خاک

---

در این مطالعه، تأثیر ناهمگنی‌های مکانی بارندگی بر پیش‌بینی هیدروگراف سیلاب در سه حوضه آبریز کوهستانی در جنوب غرب ایران مورد ارزیابی قرار گرفت. جهت شبیه‌سازی هیدروگراف سیلاب خروجی از حوضه‌های آبریز، از مدل شبکه محصور زیرحوضه‌ها (WBNM) استفاده گردید. هم‌چنین، جهت درونیابی هیتوگراف بارندگی ایستگاه‌های اطراف، دو روش درون‌یابی تیسن و عکس مجذور فاصله به‌کار گرفته شد و نتایج به دست آمده با هیتوگراف بارندگی نزدیک‌ترین ایستگاه مقایسه و مشاهده گردید که بهترین هیدروگراف شبیه‌سازی شده از هیتوگراف بارندگی نزدیک‌ترین ایستگاه حاصل می‌شود. نتایج به‌دست آمده هم‌چنین هیچ‌گونه رابطه‌ای بین تغییرات مکانی بارندگی و هیدروگراف خروجی به‌دست نداد. میدان دو بعدی نامانای بارندگی ناشی از توپوگرافی نامنظم باعث تشکیل الگوهای مختلف بارندگی در منطقه شده که دخالت این الگوها در فرآیند درونیابی باعث ایجاد انحرافات زیاد در هیتوگراف‌های درونیابی شده توسط روش‌های تیسن و عکس مجذور فاصله گردید. نتیجه‌گیری شد که انحرافات مشاهده شده بیشتر از آن‌که ناشی از عدم وجود رابطه بین تغییرات مکانی بارندگی و پاسخ حوضه آبریز باشد، ناشی از عدم برآورد صحیح میانگین هیتوگراف‌های بارندگی در بین ایستگاه‌ها می‌باشد. در نتیجه، در حوضه‌های آبریز کوهستانی با توپوگرافی نامنظم، فقدان داده‌های کافی ناشی از شبکه غیرمتراکم ایستگاه‌ها را می‌توان مهم‌ترین عامل عدم قطعیت در مدل‌سازی تغییرات مکانی بارندگی قلمداد نمود.

---

انتخاب تکنیک درون‌یابی بهینه جهت تخمین پارامترهای کیفی آبخوان در نقاط اندازه‌گیری نشده نقش مهمی در مدیریت کمی و کیفی منابع آب ایفا می‌کند. هدف اصلی این تحقیق ارزیابی دقت روش‌های درون‌یابی متداول با استفاده از GIS و مدل شبکه عصبی مصنوعی می‌باشد. بدین‌منظور تخمین سه پارامتر کیفی CL، EC و pH آبخوان دشت قروه- دهگان واقع در استان کردستان توسط هر یک از مدل‌ها مورد ارزیابی قرار گرفت. در این تحقیق از داده‌های کیفی 56 چاهک مشاهداتی که دارای پراکندگی مناسبی در کل دشت هستند، استفاده گردید. در این تحقیق داده‌های 46 چاهک مشاهداتی جهت واسنجی و داده‌های 10 چاهک دیگر جهت صحت‌ سنجی مدل‌ها استفاده شدند. نتایج نشان داد که روش‌های شبکه عصبی مصنوعی، IDW و کریجینگ (spherical) به‌ترتیب جهت تخمین پارامترهای کیفی CL، PH و EC از دقت بیشتری نسبت به سایر مدل‌ها برخوردار بوده‌اند. البته مدل شبکه عصبی در تخمین هر سه پارامتر دارای دقت بسیار خوبی می‌باشد.در صورت کمبود وقت و همچنین نیاز به‌دقت قابل‌ قبول و ریسک کمتر در تخمین پارامترهای کیفی، استفاده از این مدل نسبت به سایر مدل‌های آماری به‌کار رفته ارجحیت دارد.