ORIGINAL_ARTICLE
صفحات آغازین
https://ije.ut.ac.ir/article_54584_da73f3b21001b7fe05db1f3ca2e602e3.pdf
2014-12-22
1
3
10.22059/ije.2014.54584
ORIGINAL_ARTICLE
بررسی کیفیت آب زیرزمینی برای شرب و کشاورزی و انتخاب مناسبترین روش میانیابی مکانی آن (مطالعۀ موردی: غرب شهرستان مریوان)
تعیین کیفیت آبهای زیرزمینی و انتخاب و دقت روشهای مناسب پهنهبندی به شرایط منطقه و وجود آمار و اطلاعات کافی بستگی دارد. از طرفی انتخاب روش صحیح میانیابی مکانی کیفیت آب زیرزمینی، گامی مهم در مدیریت منابع آب زیرزمینی هر منطقه بهشمار میآید. هدف این تحقیق، بررسی کیفیت آبهای زیرزمینی غرب شهرستان مریوان برای شرب و کشاورزی است. بههمین منظور از دادههای سالهای 1364 تا 1391 و پارامترهای مقدار شوری، کلر، غلظت مواد محلول، سولفات، سختی آب، سدیم و نسبت سدیم قابل جذب استفاده شد. برای مقایسۀ تیمارها از تجزیۀ واریانسANOVA و برای آزمون تفاوت بین ایستگاههای مختلف از آزمون LDS استفاده شد. همچنین برای تعیین مناسبترین روش میانیابی مکانی و پهنهبندی پارامترهای یادشده، سامانۀ اطلاعات جغرافیایی (GIS) بهکار گرفته شد. بدین منظور، از روش میانیابی زمینآمار کریجینگ ساده، و روشهای معین مانند وزندهی عکس فاصله، تابع شعاعی، تخمینگر موضعی و تخمینگر عام بهصورت سالانه و فصلی استفاده شد. نتایج نشان داد که آب زیرزمینی منطقه از نظر کیفی برای شرب در محدودۀ مناسب و پذیرفتنی قرار دارد. همچنین برای آبیاری، بیشتر منطقه در محدودۀ پذیرفتنی قرار دارد. نتایج میانیابی مکانی براساس معیارهای ریشۀ دوم میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و بیشترین مقدار ضریب تعیین (R2) نشان داد که از بین روشهای مختلف میانیابی، روش تخمینگر موضعی برای پارامترهای سولفات، غلظت مواد محلول و شوری؛ روش تابع شعاعی برای پارامترهای سدیم و نسبت جذب سدیم؛ روش تخمینگر عام برای پارامتر کلر؛ و روش کریجینگ ساده برای پارامتر سختی آب، مناسبترین برآورد سالانه را دارند.
https://ije.ut.ac.ir/article_54218_15f9de4172cf5b649997576bfc1e2c88.pdf
2014-12-22
153
166
10.22059/ije.2014.54218
پهنهبندی
شرب و کشاورزی
شهرستان مریوان
کیفیت آب زیرزمینی
میانیابی
حسین
صالحی
ho.salehi67@gmail.com
1
دانشجوی کارشناسی ارشد مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی دانشگاه لرستان
AUTHOR
حسین
زینی وند
hzeinivand@gmail.com
2
استادیار گروه مهندسی مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان
LEAD_AUTHOR
1- خدائی، کمال؛ شهسواری، علیاکبر؛ اعتباری، بهروز؛ هاتفی، راحله، 1384، پهنهبندی آسیبپذیری ذاتی آبخوان دشت جوین در مقابل آلودگی با استفاده از روشهای DRASTIC و GODS، کمیتۀ تحقیقات شرکت سهامی آب منطقهای خراسان.
1
2- مهدوی، محمد، هیدرولوژی کاربردی، جلد دوم، انتشارات دانشگاه تهران، 1378، ص 301.
2
3- لالهزاری، رضا؛ طباطبائی، سیدحسن، 1389، خصوصیات شیمیایی آب زیرزمینی دشت شهرکرد، محیطشناسی، سال سی و ششم، شماره 5. ص. 7.
3
4- حسنی، قاسم؛ محوی، امیرحسین؛ ناصری، سیمین؛ عربعلیبیگ، حسین؛ یونسیان، مسعود؛ قریبی، حامد، 1391، طراحی شاخص کیفی آبهای زیرزمینی با استفاده از منطق فازی، مجلة سلامت و بهداشت اردبیل، دورة سوم، شمارۀ 1، بهار: 31-18.
4
5- نادی، مهدی؛ خلیلی، علی؛ پورطهماسی، کامبیز؛ بذرافشان، جواد، 1389، ارزیابی برخی از روشهای زمینآمار برای میانیابی دادههای بارندگی در منطقۀ چهارباغ، چهاردهمین کنفرانس ژئوفیزیک ایران، تهران.
5
6- ذبیحی، علیرضا، سلیمانی، کریم، شعبانی، مرتضی، و آبروش، صادق، 1390، بررسی توزیع مکانی بارش سالانه با استفاده از روشهای زمین آماری (مطالعۀ موردی: استان قم) پژوهشهای جغرافیای طبیعی، شمارۀ 78، زمستان: 112-101.
6
7- سازمان زمینشناسی و اکتشافات معدن کشور، 1370، نقشۀ زمینشناسی مریوان- بانه. 1:2500000.
7
8- حسنی پاک، علیاصغر، زمین آمار (ژئواستاتیستیک)، انتشارات دانشگاه تهران، 1377، ص 314.
8
9- عساکره، حسین، 1387، کاربرد روش کریجینگ در میانیابی بارش، جغرافیا و توسعه، شمارۀ 12: 42-25.
9
10- قهرودیتالی، منیژه؛ باباییفینی، امالسلمه، 1391، درآمدی بر سیستمهای اطلاعات جغرافیایی، انتشارات دانشگاه پیام نور، ص 232.
10
11- Pourmoghadas, H. 2002, Investigation of groundwater quality in Lenjan city. Journal of School of Public Health and Institute of Public Health Research Quarterly, 4:31-40.
11
12- Samin, M. Soltani J., Zeraatcar Z., Moasheri S.A., and Sarani N, 2012, Spatial estimation of groundwater quality parameters based on water salinity data using kriging and cokriging methods. International Conference on Transport, Environment and Civil Engineering. 25-26 August, Kuala Limpur, Malaysia.
12
13- Taghizade-Mehrjardi, R., M., Zareian Mahmodi S.h., and Heidari A. 2008, Spatial distribution of groundwater quality with geostatistics (case study: Yazd-Ardakan plain). World Applied Science Journal, 4(1): 9-17.
13
14- Soltani, J., Khodabakhshi, F. and Dadashi, M. 2014, Classification of water quality of Gharasoo River for different uses in the wet and dry years. Journal of River Engineering. V. 2, Issue 3.
14
15- Gibbs, R.J. 1970, Mechanisms controlling world water chemistry, Science, 1090-1088: 170.
15
16- Schoeller, H. 1964, La classification geochimique des eaux. LASH Publication no. 64, Gen. Assembly of Berkeley. V. 4, pp. 16-24.
16
17- Wilcox LV, 1955 .Classification and use of irrigation waters. USDA Circ. 969, Washington, DC.
17
18- Davis, J.C. 1973. Statistics and Data Analysis in Geology, John Wiley & Sons, New York. 550pp.
18
19- Johnston, K., Ver Hoef, J. M., Krivoruchko, K. and Lucas, N. 2001, Using ArcGIS Geostatistical Analyst. ESRI, Redlands, CA.
19
ORIGINAL_ARTICLE
پیش بینی دبی جریان رودخانه با استفاده از داده کاوی و سری زمانی
شبیهسازی جریان رودخانه بهمنظور آگاهی از دبی رودخانه در دورههای زمانی آینده از مسائل مهم و کاربردی است. با توجه به اهمیت اطلاع از دبی جریان در سالهای آینده، در این مطالعه دبی جریان در سه ایستگاه حاجیقوشان، قرهشور و تمر در حوضۀ آبخیز گرگانرود برای سالهای آبی 90-1381 شبیهسازی شد. بهمنظور شبیهسازی از روش آماری سری زمانی در قالب الگوی اتورگرسیون (AR) و دادهکاوی در قالب ماشین بردار پشتیبان (SVM) به دو صورت ماهانه و هفتگی استفاده شد. نتایج در مقیاس ماهانه نشان داد هر دو روش در ایستگاه تمر، دقت کم و در ایستگاه حاجیقوشان، دقت خوبی دارند. در ایستگاه قرهشور SVM توانست ضریب تعیین سری زمانی ماهانه را بهمقدار 29/0 افزایش و خطای RMSE را 35 درصد کاهش دهد و شبیهسازی دقیقتری انجام دهد. هر دو روش در ایستگاههای تمر و قرهشور دبی هفتگی را با دقت کمی پیشبینی کردند. در ایستگاه حاجیقوشان ضریب تعیین روش سری زمانی هفتگی 91/0 و SVM برابر 86/0 است. آمارۀ DDR نشان داد در ایستگاه حاجیقوشان در مقیاس ماهانه روش SVM نسبت به سری زمانی دارای دقت بیشتری است و در مقیاس هفتگی دقت این دو روش برابر است. نتایج این مطالعه نشان داد که روش SVM در هر دو مقیاس ماهانه و هفتگی دقت بیشتری نسبت به سری زمانی دارد؛ همچنین دقت هر دو روش در مقیاس ماهانه بیشتر از مقیاس هفتگی است.
https://ije.ut.ac.ir/article_54219_3f477a386499dda25326dc49236d2386.pdf
2014-12-22
167
179
10.22059/ije.2014.54219
دادهکاوی
دبی رودخانه
سری زمانی
گرگانرود
ماشین بردار پشتیبان
سید مرتضی
سیدیان
s.m.seyedian@gmail.com
1
استادیار، دانشکدۀ کشاورزی، دانشگاه گنبد کاووس
LEAD_AUTHOR
مریم
سلیمانی
smorteza61@yahoo.com
2
دانشجوی کارشناسی ارشد آبخیزداری، دانشگاه آمل
AUTHOR
مجتبی
کاشانی
smorteza62@yahoo.com
3
مربی، دانشکدۀ علوم، دانشگاه گنبد کاووس
AUTHOR
اکانل، باورمن، 1375، پیشبینی سری های زمانی: شناسایی، تخمین و پیشبینی، ترجمۀ رضا شیوا، مؤسسۀ مطالعات و پژوهشهای بازرگانی، تهران.
1
خزایی، مجید؛ میرزایی، محمدرضا، 1392، مقایسۀ کارایی پیشبینی دبی ماهانه با استفاده از روشهای شبکۀ عصبی مصنوعی و سریهای زمانی. نشریۀ علمی- پژوهشی مهندسی و مدیریت آبخیز، جلد 5، شمارۀ 2، 1392: 84-74.
2
خلیلی، کیوان؛ فاخریفرد، احمد؛ حصاری، بهزاد، 1386، آنالیز منحنیهای شدت- مدت و فراوانی خشکسالی و طرح مخازن برای کشاورزی و شرب، سومین کنگرۀ عمران، 13-11 اردیبهشت، دانشگاه تبریز.
3
سبزیپرور، علیاکبر؛ مختار، بهناز؛ صادقیفر، مجید؛ سقائی، صبا؛ ارشاد فتح، فرناز؛ نوروز ولاشدی، رضا، 1392، برآورد تبخیر روزانه از تشت با استفاده از مدلهای موجود سری زمانی. نشریۀ علمی پژوهشی مهندسی و مدیریت آبخیز، جلد 6، شمارۀ 1،1393: 51-42.
4
صباغیان، رضا؛ شریفی، محمدباقر، 1388، استفاده از مدلهای اتفاقی در شبیهسازی جریان رودخانه و پیشبینی دبی متوسط سالانۀ رودخانه توسط تحلیل سریهای زمانی، اولین کنفرانس بینالمللی مدیریت منابع آب، 27-25 مرداد، دانشگاه صنعتی شاهرود.
5
موسوی، سعید؛ بنیحبیب، محمد؛ بندری، ریحانه،1390، پیشبینی جریان روزانۀ ورودی به مخزن سد دز با استفاده از مدلهای سری زمانی، یازدهمین سمینار سراسری آبیاری و کاهش تبخیر، کرمان، ایران.
6
نوری، روحالله؛ خاکپور، امیر؛ دهقانی مجید؛ فرخنیا، اشکان، 1389، پیشبینی ماهانۀ جریان با استفاده از ماشین بردار پشتیبان بر مبنای آنالیز مؤلفۀ اصلی، مجلۀ آب و فاضلاب، دورۀ 22، شمارۀ 77: 123-118.
7
Behzad, M., Asghari, K. Eazi, M. and Palhang, M. 2009. Generalization performance of support vector machines and neural networks runoff modeling. Expert System with Applications, 36: 7624-7629.
8
Bray, M., and Han, D. 2004. Identification of support vector machines for runoff modeling. Journal of Hydroinformatics, 6: 265-280.
9
Chen, S.T., Yu, P.Sh. and Tang, H.Y. 2010. Statistical downscaling of daily Precipition using support vector machines and multivariate analysis. Journal of Hydrology, 385: 13-23.
10
Choy, K.Y. and Chan, C.W. 2003. Modelling of river discharges and rainfall using radial basis function networks based on support vector regression. International Journal of Svstems Science, 34:763-773.
11
Ckersik N. 2001. Hydrogeology and groundwater modeling to solve problems. Translate: Manoucher Chitchian, Heidar Ali Kashkooli. Shahid Chamran University Press.
12
Dibike, Y.B., Velickov, S., Solomatine, D.P. and Abbott, M.B. 2001. Model induction with support vector machines: Introduction and applications. Journal of Computing in Civil Engineering, 15: 208-216.
13
El-Shafie, Reda Taha, A. and Noureldin, A. 2007. A neuro-fuzzy model for inflow forecasting of the Nile river at Aswan high dam. Water Resour Manage. 21: 533-556.
14
Hipel, K.W. and McLeod, A.I. 1994. Time series modeling of water resources and environmental systems. Elsvier, Amsterdam.
15
Hsu, C., Chang, C. and Lin, C. 2003. A practical guide to support vector classification. User manuall.
16
Jain, A. and Indurthy, S.K. 2003. Comparative analysis of event based rainfall-runoff modeling techniques-deterministic, statistical, and artificial neural network. Journal of Hydrologic Engineering, 8: 93-98.
17
Laux P., Vogl, S., Qiu, W., Knoche, H.R. and Kunstmann, H. 2011. Copula-based statistical refinement of precipitation in RCM simulations over complex terrain Hydrol. Earth System Science, 15: 2401-2419
18
Liong, S.Y. and Sivapragasam, C. 2002. Flood stage forecasting with support vector machins. Journal of the American Water Resources Association, 38: 173-196.
19
Mahjoobi, J. and Mosabbeb, A. 2009. Prediction of significant Wave height using regressive support vector machines. Ocean Engineering, 36: 339–347.
20
Méndezm, C., Manteiga, G., Bandem, F., Sànchez, P. and Caldeŕon, L. 2004. Modelling of the monthly and daily behavior of the runoff of the Xallas River using Box-Jenkins and Neural Networks methods. Journal of Hydrology, 296:38–58.
21
Mohandes, M.A., Halawani, T.O., Rehman, S.A. and Hssain, A.A. 2004. Support vector machines for Wind speed prediction. Renewable Energy, 29: 939–947.
22
Nayak, P.C., sudheer, K.P., Rangan, D.M. and Ramasastri, K.S. 2004. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291: 52-66.
23
Noori, R., Karbassi, A., Farokhnia, A. and Dehghani. M. 2009. Predicting the longitudinal dispersion coefficient using support vector machine and adaptive neuro-fuzzy inference system techniques. Environmental Engineering Science, 26: 1503-1510.
24
Noori, R., Karbassi, A.R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M.H., Forokhnial, A. and Ghafari- Goushesh, M. 2011. Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. Journal of Hydrology, 401: 177–189.
25
Sakhare, S. and Deo, M.C. 2009. Derivation of wave spectrum using data driven methods. Marine Structures, 30: 1-16.
26
Shin, S., Kyung, S., Lee, T. and Kim, J.H. 2005. An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28: 127-135.
27
Thomas, H.A. and Fiering, M.B. 1962. Mathematical synthesis of stream flow sequences for the analysis of river basin by simulation. Harward university press, Cambrige, 751 pp.
28
Thompstone, R.M., Hipel, K.W. and Mcleod, A.I. 1985. Forecasting quarter-monthly river flow. Water ResourcesBulletin, 21: 731-741.
29
Tripathi, Sh., Srinivas, V.V. and Nanjundiah, R.S. 2006. Downscaling of precipitation for climate change scenarios: A support vector machine approach. Journal of Hydrology, 330: 62-640.
30
Tsonis, A.A. 2001. Probing the linearity and nonlinearity in the transitions of the atmospheric circulation. Nonlinear Proceesses Geophysics. 8: 341-345.
31
Vapnik, V.N. 1995. The nature of statistical learning theory, Springer-Verlag, New York.
32
Wang, W., Van Gelder, P.H., Vrijling, J.K. and Ma, J. 2005. Testing and modeling autoregressive conditional heteroskedasticity of streamflow processes. Nonlinear Processes Geophysics, 12: 55-66.
33
Wang, W.J., Xu, Z.B., Lu, W.Z. and Zhang, X.Y. 2003. Determination of the spread parameter in the Gaussian kernel for classification and regression. Neurocomputing, 55: 643–663.
34
Yu, X., Liong, S.Y. and Babovic, V. 2004. EC-SVM approach for realtime hydrologic forecasting. Journal of Hydroinformatics, 6: 209-23.
35
Yurekli K., Kurung A. and Ozturk F. 2005. Testing the Residuals of an ARIMA Model on the Cekerek Stream Watershed in Turkey. Turkish Journal of Enviromental Science, 29: 61-74.
36
ORIGINAL_ARTICLE
پهنهبندی خطر سیل و معرفی راهکارهای مدیریتی در مناطق 1 و 3 شهرداری تهران
در این مطالعه سعی شده است با بررسی عوامل مؤثر بر سیلخیزی و شناسایی نقاط آسیبپذیر از نظر مخاطرات سیل در مناطق 1 و 3 شهرداری تهران، راهکارهای مناسب مدیریتی برای مقابله با این پدیده بیان شود. مخاطرۀ سیل، بهویژه در مناطق شهری ممکن است خسارات جانی و مالی زیادی در پی داشته باشد. برای کاهش این خسارات و تعدیل آسیبهای ناشی از آن در این مناطق، عوامل هیدرولوژیکی، توپوگرافیکی، ویژگیهای انسانی و ... بهصورت لایههای اطلاعاتی جداگانه در محیط GIS پهنهبندی شده و با روشهای وزندهی مثل روش AHP اولویتبندی شد و در نهایت محدودههای پرخطر شناسایی شد. در این تحقیق مشخص شد که کدام مناطق در برابر سیلاب آسیبپذیرترند و کدام مناطق کمتر آسیبپذیرند. در مجموع منطقۀ تحقیق به پنج کلاس طبقهبندی و مساحت هر یک از آنها مشخص شد. 21/16 کیلومتر مربع از این منطقه دارای خطر بسیار زیاد سیلاب است و بهترتیب مساحتهای 11/19، 06/17، 67/9 و 84/1 در محدودههای با خطر زیاد، متوسط، کم و خیلیکم قرار میگیرند که با بهرهگیری از این اطلاعات میتوان برنامهها و راهکارهای مناسبی را برای کنترل سیلاب و حتی استفاده از آن بهمنظور بهرهبرداری بهینه و کاربردی اعمال کرد.
https://ije.ut.ac.ir/article_54221_e6a861d391812b61308dc9dba5552e7b.pdf
2014-12-22
181
193
10.22059/ije.2014.54221
سیلاب شهری
شهرداری تهران
مدیریت سیلاب
AHP
GIS
حسین
یوسفی
hosseinyousefi@ ut.ac.ir
1
استادیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران
AUTHOR
یونس
نوراللهی
noorollahi@ut.ac.ir
2
استادیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران
LEAD_AUTHOR
کیوان
سلطانی
keyvan.soltani@ut.ac.ir
3
دانشجوی کارشناسی ارشد مهندسی طبیعت، دانشکدۀ علوم و فنون نوین، دانشگاه تهران
AUTHOR
زهرا
جوادزاده
zahra.javadzade@ut.ac.ir
4
دانشجوی کارشناسی ارشد مهندسی طبیعت، دانشکدۀ علوم و فنون نوین، دانشگاه تهران
AUTHOR
اصغری مقدم، محمدرضا، 1386، جغرافیای طبیعی شهر (اقلیم، آب و سیلخیزی) دانشگاه آزاد اسلامی، واحد تهران مرکزی: 72-59
1
اکارت، جان، 1384، زمینشناسی کواترنری کاربردی، انتشارات جهاد دانشگاهی، چاپ اول، تهران، ص 466.
2
آقانباتی، سیدعلی، 1383، زمینشناسی ایران، انتشارات سازمان زمینشناسی و اکتشافات معدنی کشور، تهران: 48-25.
3
بهبهانی، ایران، 1381، بقای محیط درونشهری و نحوۀ استفاده بهینۀ از آن، پایاننامۀ کارشناسی ارشد دانشگاه آزاد اسلامی واحد تهران مرکزی، ص 176.
4
پاکسرشت، سیدکاویار، 1381، بررسی عوامل جغرافیایی مؤثر در تغییرات محلۀ فرحزاد با تأکید بر مجاورت تهران: 266-209.
5
پروازی، مهناز؛ کامیابی، سعید، 1385، تأثیر عملیات ساختمانی و پیامدهای زیستمحیطی آن در حریم رودخانۀ فرحزاد، طرح تحقیقاتی، دانشگاه آزاد اسلامی واحد تهران مرکز: 95-88.
6
درویشزاده، علی؛ محمدی، مهین، 1386، زمینشناسی ایران، انتشارات پیام نور ص 233.
7
رجایی، عبدالحمید؛ 1373، ژئومورفولوژی کاربردی در برنامه ریزی عمران ناحیهای، نشر قومس: 128-88.
8
رضاییزاده، کامران؛ 1387، بررسی پهنهبندی گسلهای تهران، انتشارات سمت، چاپ دوم: 122-101.
9
محمودی، فرجالله،1380، ژئومورفولوژی ساختمانی، انتشارات دانشگاه پیام نور: 78-44.
10
مخبری، مریم، 1389، بررسی فرایندهای مؤثر بر تحول ژئومورفیک دره فرحزاد بهمنظور بررسی و مدیریت قبل از بحران، انتشارات سمت، چاپ اول: 45-22.
11
Ghahroudi Tali, M.; Nezammahalleh, M. A.; (2012) Urban flooding management using natural drainage network, case study Tehran as Capital of Iran, IAHS
12
Goudie, Andrew, (1985) Encyclopedia dictionary of physical geography basal, Blackwell LtD. Oxford. U.K.
13
ORIGINAL_ARTICLE
صحت سنجی مقادیر دما و بارش مدلهای گردش عمومی در ایستگاههای کرمانشاه، روانسر و اسلام آباد غرب
هدف این مطالعه صحتسنجی مقادیر دما و بارش مدلهای گردش عمومی و سناریوهای انتشار در ایستگاههای کرمانشاه، روانسر و اسلامآباد غرب برای دورۀ آماری 2008-1989 است. ابتدا مقادیر دما و بارش مشاهداتی از سازمان هواشناسی و مقادیر دما و بارش مدلها و سناریوها از پایگاه دادۀ کانادا تهیه شد. سپس از آزمون نیکویی برازش، برای بررسی معناداری مدلها و از معیارهای ارزیابی ضریب تبیین (R2)، میانگین خطای مطلق(MAE) ، ضریب نش-ساتکلیف (NS)، اریبی (Bias) و ریشۀ میانگین مربعات خطا (RMSE) برای تعیین دقت مدلها استفاده شد. همچنین روش وزندهی، برای بررسی عدم قطعیت مدلها و سناریوها بهکار گرفته شد. مطابق نتایج آزمون نیکویی برازش، همۀ مدلها در هر سه ایستگاه معنادار بودند. نتایج حاصل از معیارهای ارزیابی و روش وزندهی نشان داد که در ایستگاه کرمانشاه، مدلهای HADGEM1 و BCM2 بهترتیب با میانگین خطای مطلق 8/0 و 85/0 بیشترین کارایی را در شبیهسازی دادههای دما و بارش این منطقه دارند. در ایستگاه روانسر نیز دو مدل ECHO-G و HADCM3 و در ایستگاه اسلامآباد مدل ECHO-G با کمترین میانگین خطای مطلق، دارای بیشترین توانمندی بهترتیب در شبیهسازی دما و بارش هستند. در مجموع برای هر سه ایستگاه، مدل ECHO-G با ضریب وزنی 20/0 و مدل HADCM3 با ضریب وزنی 15/0، مدلهای منتخب بهترتیب برای شبیهسازی دما و بارش حوضۀ آبخیز قرهسو هستند. همچنین سناریوی A2 با ضرایب وزنی 51/0 برای بارش و 75/0 برای دما و سناریوی A1B با ضرایب وزنی 57/0 برای بارش و 3/0 برای دما بهترتیب سناریوهای منتخب دو مدل ECHO-G و HADCM3 هستند.
https://ije.ut.ac.ir/article_54223_4bbffffd513696b13a751c3f12ceb47f.pdf
2014-12-22
195
206
10.22059/ije.2014.54223
تغییر اقلیم
سناریوی انتشار
عدم قطعیت
قرهسو
مدل گردش عمومی
منصور
حسینی خواه
hosseinikhah.m@yahoo.com
1
دانشجوی کارشناسی ارشد مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان
AUTHOR
حسین
زینی وند
hzeinivand@gmail.com
2
استادیار گروه مهندسی مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان
LEAD_AUTHOR
علی
حقی زاده
alihaghi20@gmail.com
3
استادیار گروه مهندسی مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان
AUTHOR
ناصر
طهماسبی پور
ntahmasebipour@yahoo.com
4
استادیار گروه مهندسی مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان
AUTHOR
1- اشرف، بتول؛ علیزاده، امین؛ موسوی بایگی، محمد؛ بنایان اول، محمد، 1393، صحتسنجی دادههای دما و بارش شبیهسازی شده توسط اجرای منفرد و گروهی پنج مدل AOGCM برای منطقۀ شمال شرق ایران، نشریۀ آب و خاک، جلد 28، شمارۀ 2: 266-253.
1
2- آشفته، پریسا سادات؛ مساح بوانی، علیرضا، 1391، بررسی تأثیر عدمقطعیت مدلهای چرخۀ عمومی جو و اقیانوس (AOGCM) و سناریوهای انتشار گازهایگلخانهای بر رواناب حوضۀ تحت تأثیر تغییر اقلیم، مجلۀ تحقیقات منابع آب ایران، سال هشتم، شمارۀ 2.
2
3- مساح بوانی، علیرضا؛ مرید، سعید؛ محمدزاده، محسن، 1389، مقایسه روشهای کوچک مقیاس کردن و مدلهای AOGCM در بررسی تأثیر تغییر اقلیم در مقیاس منطقهای، مجلة فیزیک زمین و فضا، دورۀ 36، شمارۀ 4: 110-99.
3
4- کمال، علیرضا؛ مساح بوانی، علیرضا، 1390، ارزیابی عدمقطعیت مدلهایAOGCM-AR4و مدلهای هیدرولوژی در تخمین دما، بارش و رواناب حوضۀ قرهسو تحت تأثیر تغییر اقلیم، مجلة پژوهش آب ایران، سال پنجم، شمارۀ نهم: 50-39.
4
5- جاهد، رضا؛ جلال کمالی؛ نوید؛ بابازاده، حسین، 1390، مجلۀ مهندسی منابع آب، سال چهارم: 64-51.
5
6- Christensen, N., Wood, A.W., Voisin, N., Lettenmaier, D.P., and Palmer, R. N., 2004, The effects of climate change on the hydrology and water resources of the Colorado River basin, Climatic Change, Volume 62, Issue 1-3, pp 337-363.
6
7- Department of Water Resources (DWR), 2006, Progress on incorporating Climate Change into Planning and Management of California’s Water Resources, Technical Memorandum Report, State of California.
7
8- Feng, J.M., WANG, Y.Li., and Fu, C.B, 2012, A multi-ensemble of regional climate simulation from RMIP for Asia. Report of key laboratory of regional climate-environment for East Asia, START regional center for temperature East Asia, IAP, CAS, pages 1-38.
8
9- Fowler, H. J., and Ekstrom, M., 2009, Multi-model ensemble estimates of climate change impacts on UK seasonal precipitation extremes. International Journal of Climatology, Volume 29, Issue 3, pages 385–416.
9
10- http://www.cccsn.ec.gc.ca
10
11- http://www.ipcc.ch
11
12- IPCC, Robert, T., Watson, R.T., Zinyowera, M.C., Moss, R.H. (Eds.), 1995, Impacts, Adaptations and Mitigation of Climate Change: Scientific-Technical Analyses, Cambridge University Press, UK p, 878.
12
13- IPCC, Watson, R.T., Zinyowera, M.C., Moss, R.H., Dokken, D.J., (Eds.), 2001, Special Report on the Regional Impacts of Climate Change, An Assessment of Vulnerability,Cambridge University Press, UK.
13
14- IPCC, Solomon, S., D. Qin, M., Manning, Z., Chen, M., Marquis, K.B., Averyt, M., Tignor and H.L., Miller (eds.), 2007, Summary for Policy makers, in: Climate Change, Cambridge University Press, Cambridge, PP 1-18.
14
15- IPCC, 2010, Meeting Report IPCC Expert Meeting on Assessing and Combining Multi Model Climate Projections, National Center for Atmospheric Research, Boulder Colorado, USA, pp 115.
15
16- Masanganise, J., Chipindu, B., Mhizha, T., Mashonjowa, E., Basira, K., 2013, An evaluation of the performances of Global Climate Models for predicting temperature and rainfall in Zimbabwe, International Journal of Scientific and Research Publications, (3)8:2250-3153.
16
17- Maurer E. P., 2007, Uncertainty in hydrologic impacts of climate change in the Sierra Nevada, California, under two emissions scenario, Climatic Change 82: pp 309–325.
17
18- Muttiah, R.S., and Wurbs, R.A., 2009, Modeling the impacts of climate change on water supply reliabilities, Water International, 27(3), pp 407-419.
18
19- New, M., and Hulme, M., 2000, Representing uncertainty in climate change scenarios: a Monte-Carlo approach, Integrated Assessment 1, pp 203–213.
19
20- Radic, V., and Clarke, G.K.C., 2011, Evaluation of IPCC Models’ Performance in Simulating Late-Twentieth-Century Climatologies and Weather Patterns over North America, Journal of climate, Vol. 24, pp 5257-5274.
20
21- Su, F., Duan, X., Chen, D., Hao, Z. and Cui, L., 2013, Evaluation of the Global Climate Models in the CMIP5 over the Tibetan Plateau, Journal of climate, Volume 26, pp 3187-3208.
21
22- Wilby, R., and Harris, I., 2006, A framework for assessing uncertainties in climate change impacts: low flow scenarios for the RiverThames, UK, Water Resources Research, Volume 42 Issue 2.
22
23- Xu, C.-y., 1999, From GCMs to river flow: a review of downscaling methods and hydrologic modeling approaches, Progress in Physical Geography, Volume 232, pp 229–249.
23
ORIGINAL_ARTICLE
ارزیابی کارایی مدلهای بارش- رواناب AWBM، Sacramento و تانک در شبیهسازی رواناب رودخانۀ ارازکوسۀ حوضۀ آبخیز گرگانرود استان گلستان
با توجه به دامنۀ وسیع مدلهای هیدرولوژیکی موجود، بررسی کارایی مدلها برای اهداف مختلف مدیریتی ضروری است. مدلهایی که در عین سادگی ساختار و با حداقل ورودی، نتایج قابل قبولی ارائه دهند، میتوانند بهعنوان ابزاری کارامد در خدمت مدیر حوضۀ آبخیز باشند؛ ازاینرو هدف از این تحقیق، ارزیابی عملکرد نسبی مدلهای بارش- رواناب یکپارچه و مفهومی AWBM، Sacramento و تانک در شبیهسازی رواناب روزانۀ ایستگاه هیدرومتری ارازکوسۀ حوضۀ آبخیز گرگانرود استان گلستان است. در تمامی مدلها، شبیهسازی بهصورت خودکار و در دورۀ زمانی واسنجی پنجساله (1988-1984) و اعتبارسنجی چهارساله (1995-1992) صورت گرفت. ارزیابی دقت مدلها با شاخصهای آماری ضریب تبیین (R2)، ریشۀ میانگین مربعات خطا (RMSE) و ضریب کارایی نش- ساتکلیف (ENS) نشان از موفقیتآمیز بودن تمامی مدلها در شبیهسازی رواناب روزانه دارد. نتایج آماری و نموداری نشان داد که مدل Sacramento با شاخص 677/0= ENS، 565/4= RMSEو 823/0= R2در طی دورۀ واسنجی و 669/0= ENS، 905/7= RMSE و 719/0= R2 در طی دورۀ اعتبارسنجی دارای بهترین کارایی در بین سایر مدلهاست. در تمام مدلها، شبیهسازی در طی دورۀ واسنجی نسبت به دورۀ اعتبارسنجی از دقت بیشتری برخوردار است. همچنین مدلها مقادیر کمینه و متوسط جریان را با دقت قابل قبولی شبیهسازی کردهاند و با وجود شبیهسازی خوب مقادیر اوج جریان، نتایج نشان میدهد مدلهای مورد نظر نمیتوانند تمام پیکها را بهخوبی شبیهسازی کنند. ازآنجا که این مدلها به دادههای ورودی زیادی نیاز ندارند، میتوان از این مدلها با توجه به نیاز در ارتقای سطح مدیریت منابع آب استفاده کرد.
https://ije.ut.ac.ir/article_54225_fd2da0bd0900bf176d6cc142fd77b864.pdf
2014-12-22
207
221
10.22059/ije.2014.54225
ارازکوسه
بارش-رواناب
شبیهسازی
گرگانرود
مدل
حسین
سلمانی
hsalmani@alumni.ut.ac.ir
1
دانشجوی دکتری آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
AUTHOR
عبدالرضا
بهره مند
abdolreza.bahremand@yahoo.com
2
دانشیار دانشگاه علوم کشاورزی و منابع طبیعی گرگان
LEAD_AUTHOR
کاظم
صابرچناری
saber.h64@gmail.com
3
دانشجوی دکتری آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
AUTHOR
محمد
رستمی خلج
rostami88@ut.ac.ir
4
دانشجوی دکتری آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج
AUTHOR
برهانی داریان، علیرضا؛ فرهمندفر، زینب، 1390، کالیبراسیون مدلهای بارش- رواناب بهکمک الگوریتمهای فراکاوشی، فصلنامۀ آبیاری و آب، سال اول، شمارۀ 4: 71-60.
1
بهمنش، جواد؛ جباری، آناهیتا؛ منتصری، مجید؛ رضایی، حسین، 1392، مقایسۀ مدلهای AWBM و SimHyd در مدلسازی بارش- رواناب (مطالعۀ موردی: حوضۀ آبریز نازلوچای استان آذربایجان غربی). مجلۀ جغرافیا و برنامهریزی محیطی. 52(4) : 168-155.
2
روحانی، حامد؛ فراهی مقدم، محسن، 1392، واسنجی خودکار دو مدل بارش- رواناب تانک و SIMHYD با استفاده از الگوریتم ژنتیک. نشریۀ مرتع و آبخیزداری. 66(4) : 533-521.
3
زرین، هدایتالله؛ مقدمنیا، علیرضا؛ نامدرست، جواد؛ مساعدی، ابوالفضل، 1392، شبیهسازی رواناب خروجی در حوزههای آبخیز بدون آمار با استفاده از مدل بارش-رواناب AWBM(مطالعۀ موردی: استان سیستان و بلوچستان). مجلۀ پژوهشهای حفاظت آب و خاک، (20)2: 208-195.
4
سلمانی، حسین، 1390، بهینهسازی پارامترهای مؤثر در بارش – رواناب در مدل نیمهتوزیعی SWAT(مطالعۀ موردی زیرحوزۀ قزاقلی حوزۀ گرگانرود استان گلستان)، پایاننامۀ کارشناسی ارشد. دانشکدۀ منابع طبیعی. دانشگاه تهران. 158 صفحه.
5
شریفی، فرود؛ صفارپور، شبنم؛ ایوبزاده، علی؛ وکیلپور، جعفر. 1383.بررسی عوامل مؤثر در تعیین آستانۀ شروع رواناب در مناطق خشک و نیمهخشک کشور بهکمک استفاده از شبیهسازی و دادههای بارش- رواناب. مجلۀ منابع طبیعی ایران، (1) 57: 45-33.
6
گودرزی، محمدرضا؛ ذهبیون، باقر؛ مساح بوانی، علیرضا؛ کمال، علیرضا، 1391، مقایسۀ عملکرد سه مدل هیدرولوژی SWAT، IHACRES و SimHyd در شبیهسازی رواناب حوزۀ قرهسو. مدیریت آب و آبیاری، (1) 2: 40-25.
7
محمدی قلعهنی، مهدی و ابراهیمی، کیومرث. 1391، ارزیابی الگوریتمهای جستجوی مستقیم و ژنتیک در بهینهسازی پارامترهای مدل غیرخطی ماسکینگام- یک سیلاب از کارون، مدیریت آب و آبیاری، 2(2) : 12-1.
8
هاشمی، مهدی؛ مهرابی، حمید، 1386، توسعۀ مدل بارش - رواناب با استفاده از GIS. همایش ژئوماتیک. 9 ص.
9
Audet, C., and Dennis Jr, J.E., 2002. Analysis of generalized pattern searches. SIAM Journal on Optimization, 13(3): 889-903.
10
Beven, K.J., 2001. Rainfall- Runoff modeling, the primer, Wiley, Chichester, UK: 361pp.
11
Boughton, W. 2002. AWBM Catchment Water Balance Model. Calibration and Operation Manual: 30p.
12
Chen, J. and Adams, B.J., 2006. Integration of artificial neural networks with conceptual models in rainfall-runoff modeling. Journal of hydrology. 318: 232-249.
13
Divya, B., and Ashu, J., 2010, Comparison of Various Optimization Methods for Calibration of Conceptual Rainfall-Runoff Models, EGU General Assembly: p.9463.
14
Gassman, P.W., Reyes, M.R., Green, C.H. and Arnold, J.G., 2007. The Soil and Water Assessment Tool: Historical Development, Applications, and Future Research Directions. Trans. ASABE: 50(4): 1211-1250.
15
Lowry, B., 2005. Evapotranspiration estimation methods for Sacramento Soil Moisture Accounting model streamflow prediction. Msc thesis university of New Hampshire.
16
Nash, J.E. and Sutcliffe, J. 1970. River flow forecasting through conceptual models, Part 1, A discussion of principles. Journal of Hydrology. 10: 282–290.
17
Rostamian, R., Jaleha, A., Afyunia, M., Mousavian, S.F., Heidarpour, M., Jalalian, A. and Abbaspour, K.C., 2010. Application of a SWAT model for estimating runoff and sediment in two mountainous basins in central Iran. Hydrological Sciences Journal: 53(5): 977 – 988.
18
Sanaeeiniya, Gh. 2000. Evaluation of AWBM Rainfall-Runoff Simulation model, M.Sc. Thesis of Irrigation and Drainage, Islamic Azad University, 145p.
19
Santhi C., Arnold JG., Williams JR., Dugas WA., Srinivasan R. and Hauck LM. 2001. Validation of the SWAT model on a large river basin with point and nonpoint sources. J. American Water Resour. 37:5: 1169-1188.
20
Sharifi, F., and Boyd, M.J. 1994. A Comparison of the SFB and AWBM Rainfall-Runoff Models, 25th Congress of the International Association of Hydrologeologists/ International Hydrology & Water Resources Symposium of the Institution of Engineers, Australia. ADELAIDE. 21-25 November: 491-495.
21
Spruill, C.A., Workman, S.R. and Taraba, J.L., 2000.Simulation of daily and monthly stream discharge from small watershed using the SWAT model. Soil and Water Division of ASAE: No.98-05-109: 1431-1440.
22
Sugawara, M., 1995. Tank model. In: Singh VP (Ed). Computer models of watershed hydrology. Water Resources Publication, Littleton, Colorado. 177-189.
23
Vaze, J., Chiew, F.H.S., Perraud, J.M., Viney, N., Post, D., Teng, J., Wang, B. and Goswami, M., 2010. Rainfall-runoff modeling across southeast Australia: Datasets, models and results, Australian Journal of Water Resources. 14(2): 101-116.
24
Vrugt, J.A., Gupta, H.V., Dekker S.C., Sorooshian S. and Wagener T.B.W., 2006. Application of stochastic parameter optimization to the Sacramento soil moisture accounting model. Journal of Hydrolog. 325(1): 288-307.
25
Wang, G., Zhang, J., and He, R., 2007, Comparison of hydrological models in the middle reach of the Yellow River. Methodology in hydrology: 158-163.
26
Willems, P., 2009. A time series tool to support the multi-criteria performance evaluation of rainfall-runoff models. Environmental Modeling Software 24(3), 311-321.
27
Yue, S., and Hashino, M., 2000. Unit hydrographs to model quick and slow runoff components streamflow. Journal of Hydrology. 227: 195-206.
28
ORIGINAL_ARTICLE
بررسی ایزوترم های تعادلی زئولیت و پرلیت در جذب نمک سدیم کلراید از محلول آبی
کمبود منابع آب در جهان و ایران همواره یکی از چالشهای مهم انسان بهحساب میآید. از طرفی وجود منابع آبی بزرگ نظیر دریاها و اقیانوسها از جمله دریای مازندران در شمال و خلیج فارس در جنوب ایران ممکن است یکی از راه حلهای مناسب در این زمینه باشد. در این تحقیق به بررسی جذب نمک NaCl توسط زئولیت طبیعی و پرلیت پرداخته شده است. به این منظور، اثر پارامترهای مختلفی نظیر غلظت و اندازة ذرات بررسی شد. برای بهدست آوردن اندازههای مختلف (در پنج اندازه) از الکهای استاندارد ASTM با قطر منافذ 20 (841 میکرومتر)، 40 (400 میکرومتر)، 80 (177میکرومتر)، 120 (125 میکرومتر) و 200 (74 میکرومتر)، برای دانهبندی استفاده شد. محلولهای آب نمک با غلظتهای در گسترۀ 25، 50، 100، 200،300،500،750، 1000، 3000، 5000، 7000 و 10000 میلیگرم بر لیتر تهیه شدند. بهمنظور تعیین مقدار کلر موجود در نمونهها از نیترات نقره با غلظت 02/0 مولار و کرومات پتاسیم بهعنوان معرف برای تیتراسیون کلرسنجی محلولها استفاده شد. نتایج آزمایشها حاکی از آن است که با کاهش اندازۀ ذرات، درصد حذف نمک افزایش مییابد. همچنین با افزایش مقدار جاذب بیشترین جذب صورت گرفته است. در ضمن از مدلهای فروندلیچ و لانگمویر برای بهدست آوردن ایزوترمهای تعادلی استفاده شد که نتایج نشان میدهد جذب نمک سدیم کلراید توسط جاذب معدنی زئولیت از مدل فروندلیچ با ضریب تبیین 97/0 و نمونۀ معدنی پرلیت با ایزوترم تعادلی لانگمویر با ضریب تبیین 96/0 تطابق بهتری را نشان میدهند.
https://ije.ut.ac.ir/article_54227_82533ec6ae1fa1a534a0415ccedb3b7c.pdf
2014-12-22
223
232
10.22059/ije.2014.54227
ایزوترمهای تعادلی
جاذبهای معدنی
زئولیت
فروندلیچ
لانگمویر
فاطمه
شکریان
1
دانشجوی دکتری مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری
AUTHOR
کریم
سلیمانی
solaimani2001@yahoo.co.uk
2
استاد، دانشکدة منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری
LEAD_AUTHOR
قربانعلی
نعمتزاده
3
استاد، پژوهشکدة ژنتیک و زیست فناوری طبرستان، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری
AUTHOR
پوریا
بیپروا
4
استادیار، گروه علوم پایه، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری
AUTHOR
1. ایمانشعار، فرهاد؛ جوکار، معصومه،1387، نگرشی بر چشمانداز مطلوب صنعت آب و فاضلاب در افق 20 سالة آینده با تأکید بر چالشها و مشکلات پیش رو، دومین همایش ملی آب و فاضلاب با رویکرد بهرهبرداری، مهر ماه، تهران، ایران.
1
2. پورواعظی روکرد، رضا؛ قربانی، بهزاد؛ نوری امامزادهای، محمدرضا؛ شاهمحمدی، شایان، 1391، بررسی کاربرد زئولیت در فیلتر شنی در کاهش یونهای کلسیم، منیزیم و کلر از آبهای شور، ششمین همایش ملی مهندسی محیط زیست، آبان ماه، تهران، ایران.
2
3. سعادتجو، نقی؛ رسولیفرد، محمدحسین؛ حیدری، اعظم، 1387، حذف رنگزای بازیک قرمز46 از آب آلوده با استفاده از جاذب ارزان قیمت تکههای سختشدة سیمان سفید پرتلند، نشریة علمی پژوهش علوم و فناوری رنگ، شمارة 2: 226-221.
3
4. ظریف معظم، ملیحه؛ مرادی، حمیدرضا، 1390، بررسی امکان استفاده از آب دریای خزر برای آبیاری دو گونه شبدر و یونجه، فصلنامة علمی پژوهشی مهندسی آبیاری و آب، شمارة 6: 57-47.
4
5. عابدی کوپایی، جهانگیر، 1382، وضعیت منابع آب در ایران ، استان اصفهان و مقایسة آن با شاخصهای جهانی بحران آب، مجموعه خلاصه مقالات سومین کنفرانس منطقهای و اولین کنفرانس ملی تغییر اقلیم، دانشگاه اصفهان، ص 107
5
6.کردوانی، پرویز، 1371، اکوسیستمهای آبی ایران، دریای خزر نشر قومس: ٣۵٢.
6
7. کشاورز، عباس؛ صادقزاده، کوروش، 1379، برآورد و تقاضای آب برای آینده، بحرانهای خشکسالی، وضعیت موجود، چشماندازهای آینده و راهکارهایی جهت بهینهسازی مصرف آب، مؤسسة تحقیقات فنی و مهندسی کشاورزی،کرج، 29 ص.
7
8. لاهیجانی، حمید، 1380، معرفی پدیدههای فیزیکی آب دریای خزر مجموعه دروس ارائه شده درکارگاه آموزشی خزر، جلد اول، مرکز ملی اقیانوسشناسی: ۵۳.
8
9. محلوجی، مهرداد، اکبری، م،1380، اثر شوری بر عملکرد ارقام مختلف گندم در آبیاری بارانی، مجلة نهال و بذر، شمارة 2: 182-172.
9
10. ملکوتیان، محمد؛ یوسفی، نادر؛ جعفرزاده حقیقی فرد، نعمتاله، 1390، مدلسازی ایزوترم و سینتیک جذب فسفات از محلولهای آبی با استفاده کلینوپتیلولایت اصلاحشده، فصلنامة آب و فاضلاب شمارة 4: 29-21.
10
11. مهدوی، علی، لیاقت، عبدالمجید، شیخ محمدی، یحیی، 1390، حذف نیترات از زهآب کشاورزی با استفاده از زئولیت اصلاحشده، مجلة پژوهش آب ایران شمارة 8: 124-117.
11
12. Akyil, S.G., Aslan, A.i., and Eral, M., 2003, Sorption characteristics of uranium onto composite ion exchangers, J. Radioanal Nucl Chem, Vol 256, pp. 45-51
12
13. Arpe, K., Leroy, S.A.G., Lahijani, H. and Khan., V, 2012, Impact of the European Russia drought in 2010 on the Caspian Sea level, Hydrology and Earth System Science, Vol 16, pp.19-27
13
14. Baghalian, K., Haghiry, A., Naghavi, M.R., and Mohammadi, A., 2008, Effect of saline irrigation water on agronomical and phytochemical characters of chamomile (Matricaria recutita L.), Scientia Hort,Vol 116, pp.437-41
14
15. Dogan, M., Alkan, M., Demirbas, O., Ozdemir, Y., and Ozmetin, C., 2006, Adsorption kinetics of maxilon blue GRL onto sepiolite from aqueous solutions, Chemical Engineering Journal, Vol 124, pp. 89-101
15
16. Freundlich, H.M.F. 1906, Phys. chem, Vol 57, p. 385
16
17. Ghadiri, H., Dordipour, I., Bybordi, M., and Malakouti, M.J., 2006, Potential use of Caspian Sea water for supplementary irrigation in Northern Iran, Agricultural Water Management, Vol 79, pp. 209-224
17
18. Ho, Y.S., Porter, J.F., and McKay, G., 2002, Water air soil pollut, Vol 141, p. 1.
18
19. Leroy, S.A.G., Marret, F., Giralt, S., and Bulatov, S.A., 2006, Natural and anthropogenic rapid changes in the Kara-Bogaz Gol over the last two centuries by palynological analyses, Quaternary International, Vol 150, pp. 52-70.
19
20. Lind, M.L., 2011, 715b Zeolite-Polyamide Nanocomposite Membranes for Sea-Water desalination, Annual Meeting, Arizona State University.
20
21. Liu, F., Ma, B.R., Zhou, D., Xiang, Y., Xue, L., 2014, Breaking through tradeoff of Polysulfone ultrafiltration membranes by zeolite 4A, Microporous and Mesoporous Materials, Vol 186, pp.113–120
21
22. Terziev, F.S., Maksimova, M.P., Jablinsko, E.A., 1996, Gidrometeorologiai Gidrokhimia Morey, VIKaspiskoy More, Sant-Peterburg Gidrometeoizdat, pp. 12- 17. (Russian).
22
23.Tudryn, A., Chalie, F., Lavrushin, Y.A., Antipov, M.P., Spiridonova, E.A., Lavrushin, V., Tucholka, P., Leroy, S.A.G., 2013, Late Quaternary Caspian Sea environment: Late Khazarian and Early Khvalynian transgressions from the lower reaches of the Volga River 11, Quaternary International, Vol 292, pp.193-204
23
24. Von-kiti, E., 2012, Synthesis of zeolites and their application to the desalination of seawater, M.Sc. Thesis, college of science department of physics, 102 pp.
24
25. Wagenet, R.J., Campbell, W.F. Bamatraf, A.M. Turner, D.L. 1980, Salinity, irrigation frequency, and fertilization effects of barley growth, Agron. J, Vol 72, pp.969-974.
25
26. Wajima, T., 2013, Ion Exchange Properties of Japanese Natural Zeolites in Seawater, Analytical Sciences, Vol 29, pp.139-141
26
27. Williams, C.J., Aderhold, D., Edyvean, R.G.J., 1998, Comparison between biosorbents for the removal of metal ions from aqueous solutions, Wat. Res,Vol 1, pp. 216- 22
27
ORIGINAL_ARTICLE
پایش کیفیت آبهای سطحی و زیرزمینی دشت موئیل مشکینشهر در حین عملیات حفاری چاههای اکتشافی عمیق نیروگاه زمینگرمایی سبلان
در این مقاله نتایج پایش کیفیت آبهای سطحی و زیرزمینی هنگام حفاری سه حلقه چاه اکتشافی عمیق نیروگاه زمینگرمایی مشکینشهر در شمال غرب سبلان تحلیل شده است. محققان مختلفی این منطقه را پیشتر بهمنظور تولید برق از انرژی زمینگرمایی بررسی کردهاند. حین حفاری چاههای عمیق پروژه زمینگرمایی سبلان، مواد مختلفی مانند سیمان، بنتونیت، باریت، خاکستر کربنات سدیم، سدیم کلرید و ... در زمان حفاری و تثبیت دیوارة چاه بهکار گرفته میشوند که در نتیجة آن، امکان ورود مقادیر زیادی آلاینده به آبخوانها وجود دارد. بر همین اساس، ممکن است این آلایندهها وارد رودخانة خیاو نیز بشوند. در این مطالعه تلاش شده است آثار احتمالی حفاری سه چاه مذکور بر رودخانة خیاو و چشمههای آب سرد و گرم منطقهای در سبلان شناسایی شود. کیفیت آب رودخانة خیاو بهعلت تأمین آب آشامیدنی مشکینشهر و مصارف کشاورزی این شهر و حومة آن با جمعیت 200000 نفر، اهمیت فراوانی دارد. ساکنان روستاها و خانوادههای عشایر در تابستان از آب چشمههای سرد برای آشامیدن استفاده میکنند و مسافران بسیاری بهعلت جاذبههای توریستی منطقه و استفاده از چشمههای آب گرم به این مناطق سفر میکنند و ممکن است تحت تأثیر تغییرات احتمالی ترکیب شیمیایی این چشمهها باشند. بنابراین پایش تغییرات احتمالی کیفیت چشمههای سرد و گرم منطقه اهمیت بسیاری دارد. نتایج پایش 18 ماهه نشان میدهد که حفاری اثر چندانی بر کیفیت آب رودخانة خیاوچای و چشمهها نداشته و تغییرات مشاهدهشده بهعلت تغییرات فصلی و حضور منابع زمین گرمایی است. بهجز چند فلز سنگین، غلظت سایر عناصر کمتر از حد استاندارد آب آشامیدنی است.
https://ije.ut.ac.ir/article_54228_598351593ee10891a189db816b3a249a.pdf
2014-12-22
233
241
10.22059/ije.2014.54228
آثار محیط زیستی
آلودگی آب
انرژی زمینگرمایی
بازبینی
حفاری اکتشاف
فلزات سنگین
یونس
نوراللهی
noorollahi@ut.ac.ir
1
دانشکدة علوم و فنون نوین دانشگاه تهران
AUTHOR
حسین
یوسفی
hosseinyousefi@ut.ac.ir
2
دانشکدة علوم و فنون نوین دانشگاه تهران
LEAD_AUTHOR
سعیده
صادقی
sadeghi.sa@ut.ac.ir
3
دانشکدة علوم و فنون نوین دانشگاه تهران
AUTHOR
سعید
محمد زاده بینا
s.mohammadzadeh66@gmail.com
4
دانشکدة انرژی و محیط زیست، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
AUTHOR
سارا
صادقی
vavan36@yahoo.com
5
دانشکدة علوم و فنون دریایی، دانشگاه آزاد اسلامی واحد تهران شمال
AUTHOR
1- Fotouhi, M. and Y. Nooroollahi, Updated geothermal Activities in Iran , 2000, Proceedings WorldGeothermalCcongress, Kyushu - Tohoku, Japan, May 28 - June 10, 183-185.
1
2- Yousefi H, Noorollahi Y, Ehara S, Itoi R., Yousefi A., Fujimitsua Y., Nishijimaa J., Sasaki K., 2010, Developing the Geothermal Resources Map of Iran, Geothermics 39, pp.140–151
2
3- Saffarzadeh. Amir Homayoon, and Noorollahi.Y., 2005, Geothermal activities in Iran, a country update, Proceeding of World Geothermal Congress 2005, Antalya, Turkey, 24-29 April 2005, pp. 1-7
3
4- Noorollahi. Y., Itoi. R., Fujii. H., and Tanaka. T., 2007, Geothermal resources exploration and wellsite selection with environmental considerations using GIS in Sabalan geothermal area, Iran, Proceedings, Thirty-Second Workshop on Geothermal Reservoir Engineering, Stanford University, Stanford, California, Jan. 22 - 24, 2007, 122-133,
4
5- SUNA (Renewable Energy Organization of Iran), 1998 “Sabalan geothermal project, stage 1, surface exploration, final exploration report”, , report number. 2505-RPT-GE-003, p. 83
5
6- Jonathan Wills, M.A., 2000, Drilling Waste Streams from Offshore Oil and Gas Installations, http://www.offshore-environment.com
6
7- Fotouhi, M., Geothermal Development in Sabalan-Iran., 1995, Proceedings of the World GeothermalConference, Florence, 1:191-196.
7
8- سازمان هواشناسی کشور، پایگاه اطلاع رسانی سازمان هواشناسی ایران، ( www.irimo.ir.) Accessed Date, Feb., 2015
8
ORIGINAL_ARTICLE
چکیده های انگلیسی
https://ije.ut.ac.ir/article_54390_7dc21871d899d11428d60514649e9b10.pdf
2014-12-22
1
7
10.22059/ije.2014.54390