1396 4 1 0 299

0 مقایسه مدلهای هوشمند در تخمین بارش ماهانه حوضه کاکارضا Compare intelligent models to Estimate monthly Precipitation Kakareza Basian https://ije.ut.ac.ir/article_60911.html 10.22059/ije.2017.60911 0 برآورد بارش برای اجرای طرح های مطالعات منابع آب، خشک‌سالی، طرح های آمایش سرزمین، محیط زیست، آبخیزداری و طرح های جامع کشاورزی ضروری می باشد. در این پژوهش جهت تخمین بارش ماهانه دشت کاکارضا واقع در استان لرستان از مدل برنامه ریزی بیان ژن استفاده شد و نتایج آن با سایرروشهای هوشمند از جمله سیستم استنتاج فازی_عصبی و شبکه عصبی مصنوعی مقایسه گردید. برای این منظور از پارامترهای میانگین دما، رطوبت نسبی، تبخیر، سرعت باد در مقیاس زمانی ماهانه در طی دوره آماری (1394-1384) بعنوان ورودی و بارش بعنوان پارامتر خروجی مدلها انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدلها مورد استفاده قرار گرفت. از لحاظ دقت، مدل برنامه ریزی بیان ژن با ضریب همبستگی 978/0 ، ریشه میانگین مربعات خطا (mm 026/0) و میانگین قدر مطلق خطا (mm 017/0) در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که روش برنامه ریزی بیان ژن توانایی بالایی در تخمین مقادیر کمینه و میانی و بارش دارد. 1 Precipitation is considered as one of the most important factures in water cycle. Prediction of monthly Precipitation is important for many purposes such as estimating torrent, drought, run-off, sediment, irrigation programming and also management of drainage basins.In this study we studied and evaluated gene expression programming to predict the Precipitation of the Kakareza river (in lorestan), and the results were compared with results of anfis and artificial neural network model. For this purpose, mean temperature, relative humidity, evaporation, wind speed rate at monthly scale during the period (2005-2015) as input and output parameters were selected as Precipitation . The criteria of correlation coefficient, root mean square error and of mean absolute error were used to evaluate and performance compare of models. The results showed that gene expression programming model has the highest correlation coefficient (0.978), the lowest root mean square error (0.026 mm) and the lowest mean absolute error (0.017mm) became a priority in the validation phase. The results showed that the gene expression programming model to estimate high minimum and maximum values of Precipitation . 1 11 حمیدرضا باباعلی - - هیات علمی دانشگاه آزاد خرم آباد ایران hr.babaali91@gmail.com رضا دهقانی - - دانشجو ایران reza.dehghani67@yahoo.com بارش برنامه‌ریزی بیان ژن سیستم استنتاج فازی_عصبی شبکه عصبی مصنوعی

0 تأثیر منابع آب در توسعۀ پایدار نواحی روستایی بخش ززوماهروی شهرستان الیگودرز The Rule of water resource in sustnable development of rural areas of the district Zazomahro of the Aligodarz https://ije.ut.ac.ir/article_60879.html 10.22059/ije.2017.60879 0 سکونتگاه‏های روستایی بیشتر در کنار منابع آبی اعم از آب‏های سطحی یا منابع آب‏های زیرزمینی شکل گرفته‏اند. هدف از این مطالعه، شناخت منابع آب و تأثیر آن در توسعۀ نواحی روستایی بخش ززوماهرو است. در مقالۀ حاضر با کاربست شیوۀ تحلیلی‌ـ توصیفی، ضمن بررسی مفاهیم توسعۀ ‏پایدار روستایی؛ تأثیر منابع آب در توسعۀ روستایی بررسی می‌شود. بدین‌منظور جمع‏آوری اطلاعات به دو صورت کتابخانه‏ای و میدانی صورت گرفته و برای ارزیابی توان اکولوژیکی از مدل مخدوم و از روش کیفی قیاسی برای تعیین اولویت کاربری‏ها و برای ترسیم نقشه‏ها از نرم‌افزار GIS استفاده شده است. نتایج نشان داد بیشتر آب سطحی موجود بدون استفادۀ مناسب برای فعالیت‏های اقتصادی به‌ویژه کشاورزی از منطقه خارج می‏شود. با ارزیابی توان اکولوژیکی مشخص شد که 8/2 درصد از مساحت بخش در سه طبقۀ ابتدایی کشاورزی قرار دارند؛ بدین‌معنا که زمین‏های کشاورزی در سطح بسیار خرد و پراکنده‏ای قرار دارند. توسعۀ آبزی‏پروری با توجه به وجود منابع آب غنی و سایر شرایط وضعیت مساعدی برای توسعۀ فعالیت‏های اقتصادی دارد به‌طوری که 5/1 درصد از مساحت بخش که برابر 3211 هکتار است، شرایط کاملاً مساعدی برای توسعۀ این نوع کاربری دارد و 59708 هکتار که معادل 5/26 درصد از اراضی بخش است، قابلیت مناسبی برای گسترش آبزی‏پروری در سطح بخش داشته است.                     1 سکونتگاههای روستاییRural settlementsoftennext to theReferenceswaterincludingof waterSurfaceorReferencesWatersundergroundShapeHave taken.The purpose of this studyRecognitionwater resource and its role in the development of rural areasSection ZazvmahrvIs.ArticleThe presentof methodsAnalyticalDescriptiveonItIsuntil theMeanwhile,CheckmeaningsSustainableDevelopmentrural;to address the role of water resources in rural development.AtThisTherefore,CollectedInformationto Two Library andAthleticsthe facewasand to assess the ecological potential modelandMakhdoomfrom Way Qualitative Deductive forDeterminationpriorityLand useandForGISmapping softwareUseByS.d.The results showed thatsurfacewaterwithout the useofappropriateeconomic activities, particularly agriculture from outside the area.The ecological capability evaluation found thatonly 2/8 percent of theagriculturalsectorin the first three floors ismeans thatagriculturallandin the areaisvery small and scattered.Aquaculture developmentdue to the rich water resources and other conditionsaresuitable condition for the development ofeconomicactivityso that 1/5 percent of the area of 3211 hectares is equivalent toa favorable condition for development of the user 59708 hektar, equivalent to 26/5% of the land suitable for development of the aquaculture sector hasbeen at the sector level.     13 27 محمد حسین بوچانی Mohammad Hossein Boochani دانشجوی دکتری جغرافیا و برنامه‏ریزی شهری، دانشگاه شهید بهشتی ایران boochani@yahoo.com محمد صادق افراسیابی راد Mohammad Sadegh Afrasiyabi Rad دانشجوی دکتری جغرافیا و برنامه‏ریزی شهری، دانشگاه شهید بهشتی ایران msafrasiyabi@yahoo.com حسین یوسفی Hossein Yousefi استادیار دانشکدۀ علوم و فنون نوین دانشگاه تهران ایران hyousefi2000@yahoo.com ناصر عبادتی Naser Ebadati استادیار دانشگاه آزاد اسلامی، واحد اسلام‌شهر ایران drebadati@yahoo.com بخش ززوماهرو توان اکولوژیکی توسعۀ پایدار سکونتگاه‏های روستایی مدیریت منابع آب‌ - Chauveau, M, Les qanatesdans les ostraca de Manawir. Paris. Seminairetenu au aucolloge de France. Persika.2006; pp. 10-14.##2- Haeri, M R.Kariz in Iran.Tehran.Office of Cultural preceding studies. 2008; 25 (4): 85-96.[Persian]##3- Azkia, M. Water resources in Iran. Tehran. Office of Cultural preceding studies. 2003; pp. 78-85.[Persian]##4- Asayesh, H. Water resources in Iran. Rural planning in Iran. Press: University of Payam Noor. Fifth Edition. Tehran. 2004; 51 (2);89-114.[Persian]##5- Zia Tavana, MH, Shamsodini, A. Urban functions in rural development, Case Study: Nourabad and surrounding villages, Human Geography Quarterly, Vol 2, N 3. 2011. pp. 45-61.[Persian]##6- Hamidian, A, Saravi, M.The Role of traditional systems of water resource management, waste prevention techniques National Conference,Vol 2, N 2. 2011. Pp.52-68.[Persian]##7- Falahi, E, Khalilian, S, Ahmadian, M. Optimization of culture with an emphasis on limited water resources, case study: Plain Saidan - Farouk, Journal of Agricultural Economics, Vol. V, No. 2. 2011. pp. 42-51 [Persian]##8- Taheri, J, Zadbagher, A, Dalalzade, AL. The results of the study area Kashan measurement of water resources, waste prevention methods National Conference. 2011. pp.25-38.[Persian]##9- Bazrafshan, O, Mojtabavi, HR, Ziarani, M, Ghavamarbani, M.Strategic planning and management of water resources management plan in the event of drought, the second national conference on prevention of waste of resources,. 2010. pp.78-91. [Persian]##10- Ebadati, N, Hoshmandzadeh, M. River water quality study dose hydrometric stations Dezful. Journal of Ecohidrologhy. No 2. 2012. Pp. 69-81.##11- Rajaei, Gh, Mahdinejad, M H, Hesarimotlagh, S. Brrsly chemical properties of water##Birjand plain and Cain in year 2008-2009. Journal of Health System. No 6. 2012. Pp. 737-745.##12- Heydari, N, Keshavarz, A. Reviewing the status of soil and water and the importance of equipping and modernization of agriculture land in this area, the second national conference on waste prevention techniques. 2006. Pp.18-32[Persian]##13- Statistical Center of Iran, the detailed results of the General Census of Population and Housing.Tehran. 2009; Vol 2, N 3.pp. 152-185[Persian]##14- Lorestan Governor, vice planning and development of the province, the province developed a national document. 2008; Vol 1, N 2. pp. 101-122.[Persian]##15- Report on ecosystems and tribal, Lorestan - Aligoudarz, 2007.pp. 99-152[Persian]##16- Regional water company city Aligudarz, 2016. pp. 51-73.[Persian]##17- Agriculture of the city Aligudarz, 2016. pp. 87-95.[Persian]##18- Radklift, M. Sustainable Development, Center Agriculture Ministry.1994; 51 (2); pp.113-151.##19- Makhdom, M. Environmental assessment and land use. Press of University Of Tehran. Seventh Edition. 2014. pp. 28-51.[Persian]##

0 تعیین اثر پیش ‏پردازش داده بر عملکرد شبکۀ عصبی مصنوعی به‏منظور پیش‏ بینی بارش ماهانه در شهرستان آباده Data Pre-Processing Effects on the Artificial Neural Network Performance to Predict Monthly Rainfall (Case Study: Abadeh County) https://ije.ut.ac.ir/article_60880.html 10.22059/ije.2017.60880 0 توابع تبدیل صورت می‏گیرد. در پژوهش حاضر با استفاده از اطلاعات میانگین بارش ماهانه، کمترین و بیشترین دما و رطوبت ایستگاه سینوپتیک شهرستان آباده در بازۀ زمانی 1355 تا 1392 به‏صورت نرمال‏شده و خام به‏عنوان ورودی‏های شبکۀ پرسپترون چند‏لایه، بارش ماه آیندۀ شهرستان پیش‏بینی شد. برای نرمال‏سازی داده‏های هواشناسی، پس از بررسی وجود داشتن یا نداشتن داده‏های گم‏شده و پرت از سه روش نرمال‏سازی مینیمم‌ـ ماکزیمم، رتبه‏ای و آمارۀ نرمال استاندارد استفاده شد. پس از به‏دست‏آوردن بهترین ساختار شبکه با استفاده از آزمون ‏و ‏خطا برای هر روش از مقایسۀ بهترین ساختارهای هر روش با یکدیگر، روش مینیمم‌ـ ماکزیمم با ساختار شبکۀ سه‏لایه و تعداد 13 نورون در لایۀ پنهان با مقدار 92/0=R و 12/0=MSE در مقایسه با دیگر روش‏ها به‏عنوان بهترین روش انتخاب شد. نتایج آنالیز حساسیت انجام‏شده نیز نشان داد مدل به حذف پارامتر بیشترین رطوبت بیشتر از سایر پارامترها حساسیت نشان داد. پس از آن نیز دمای حداکثر بیشترین تأثیر را بر پیش‏بینی بارش داشت. همچنین مقایسۀ عملکرد شبکه با تعداد ورودی‏های مختلف نشان داد شبکه با داشتن دو ورودی شامل کمترین دما و رطوبت با مقدار 13/0= MSE در مواقعی که کمبود داده وجود دارد نسبت به‏تعداد پنج ورودی به‏ نتیجۀ خوبی رسید.     1 Since many time series are not normal, it is required to normalize data by transformation functions prior to any analysis and modeling. In this study, the next month rainfall of Abadeh County station was predicted using the average monthly rainfall, minimum and maximum temperatures and minimum and maximum humidity as inputs of MLP network, both normally and raw, at period 1976 to 2013. After scrutiny the existence or nonexistence of missing and outlier data, meteorological data were normalized using three normalization methods: minimum-maximum, rank normalization and z- score. After obtaining the best network structure using try and error for each method, the minimum-maximum method with a three-layer network structure and 13 number of hidden layers of neurons chose as the best method with R=0.92 and MSE=0.13 compared to other methods. Also comparing the performance of the network in using raw and Pre-Processed data showed that Pre-Processing the data improved greatly network performance. The results of the sensitivity analysis showed the maximum sensitivity of model to remove maximum humidity parameter, and the second the maximum temperature had the greatest impact on precipitation forecast. Also comparing the performance of the network with the different numbers of inputs indicated that network with two inputs including minimum temperature and minimum humidity had good results (MSE = 0.13) compare with five inputs.               29 37 مهدی بهرامی Mehdi Bahrami استادیار، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه فسا ایران mehdibahrami121@gmail.com محمدجواد امیری Mohamad Javad Amiri استادیار، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه فسا ایران mjavad.amiri62@gmail.com فاطمه رضایی مهارلویی Fatemeh Rezaei Maharluei دانشجوی کارشناسی ارشد آبیاری و زهکشی، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه فسا ایران f.hemmati1990@yahoo.com کرامت الله غفاری Keramat Allah Ghaffari مربی گروه فناوری اطلاعات، دانشکدۀ مهندسی، دانشگاه فسا ایران ghaffary.keramat@ovi.com آمارۀ نرمال استاندارد بارندگی مینیمم‌ـ ماکزیمم نرمال ‏سازی داده نرمال‏ سازی رتبه ‏ای Lookzadeh S. Evaluation of some methods for reconstruction of rainfall data in Alborz region, MSc, thesis, Tehran University,2004; P. 96. [In Persian].##Kohzadi N, Boyd M, Kaastra I, Kermanshahi B, Scuse D. Neural networks for forecasting: an introduction. Canadian Journal of Agricultural Economics. 1995; 43: 463-474.##Naghdi R, Shayannejhad M, Sadatinejad S.J. Comparison of different methods for estimating of monthly discharge missing data in Grand Karoon River Basin. Journal of Watershed Management Research. 2010; 1(1): 59-73. [In Persian].##Mohammadi Takami M. The methods of data processing and pattern recognition. Faculty of electrical engineering. Khaje Nasireddin Toosi University. 2005.[In Persian].##Nazeri Tahrudi M, Khalili K, Abbaszade Afshar M, Nazeri Tahrudi Z. Compared to the normal mechanism becomes the normal monthly rainfall data from different regions of Iran. Journal of Water and soil. 2014; 28 (2): 365- 372. [In Persian].##Adab H, Fallah Ghalhari Gh, Mirzabayati R. Evaluation of interpolation methods of Kriging and linear regression based on the DEM to mapping annual rainfall in Khorasan Razavi province. Geomatics Conference. Tehran. National Cartographic Center, Iran. 2008.[In Persian].##Hamidi R, Emamgholizade S. Stochastic modeling of Maroon River annual discharge using ARMA model. The first National Conference of Applied Research of Iran Water Resources. Tehran. 2009. [In Persian].##Shafiei M, Ghahraman B, Ansari H, Sharifi M. B. Stochastic simulation of drought severity based on Palmer Index. Journal of Water and Irrigation Management. 2011; 1 (1).1-13. [In Persian].##Saghafian B, Razmkhah H, Ghermezcheshmeh B. Investigation of regional variations in annual rainfall by geostatistical methods, case study: Fars Province. Journal of Water Resources Engineering.2011; 4 (9): 29-38. [In Persian].##Ahmadi F, Dinpajouh Y, Fakherifard A, Khalili K. Modeling of river discharge using time series linear models (case study: Barandoozchay River). The first national conference of Strategies to achieve sustainable development in agriculture, natural resources and the environment. Tehran. 2012.[In Persian].##Nikmanesh M, Taleb Bidokhti N. Comparison of wavelet theory and time series in modeling of monthly rainfall of Saadatshahr and Arsenjan in Fars Province. Journal of Natural Geography.2012; 5 (16): 1-10. [In Persian].##Nazeri Tahrudi M, Khalili K, Ahmadi F, Nazeri Tahrudi Z. Modeling of temperature using periodic ARMA model (case study: Kerman Synoptic Station). Conference of applied researches in science and engineering. Tehran. 2012.[In Persian].##Nazeri Tahrudi M, Ahmadi F, Khalili K, Nazeri Tahrudi Z. Application of SAMS software to modeling of future climate of Kordestan Province (case study: Sanandaj Synoptic Station). The first conference of semi-arid regions hydrology. Sanandaj. 2013.[In Persian].##Nazeri Tahrudi M, Khalili K, Nazeri Tahrudi Z, Shahnazi M. Evaluation of ARIMA and PARMA models in modeling and forecasting maximum wind speed (case study: Bandar Abbas Synoptic Station). National conference of applied researches in science and engineering. Takestan. 2013.[In Persian].##Azadi S, Sepaskhah A. R. Annual precipitation forecast for west, southwest, and south provinces of Iran using artificial neural networks. Theoretical and Applied Climatology. 2012; 109(1): 175.##Leahy P, Kiely G, Corcoran G. Structural optimisation and input selection of an artificial neural network for river level prediction. J Hydrol,. 2008; 355:192–201.##Tabari H, Marofi S, Sabziparvar A.A. Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression. Irrigation Science. 2010; 28: 399-406.##Kim IS, Son JS, Park CE, Kim IJ, Kim HH. An investigation into an intelligent system for predicting bead geometry in Arc welding process. Int. J. of Materials Processing Technology. 2005; 159: 113–118.##Nasri M, Modarrs R, Dastoorani MT. Validation of ANN model of rainfall- runoff relationship in Zaynderood Dam Watershed. Journal of Watershed Researches.2010; 88: 17-26. [In Persian].##Hagan MT, Menhaj M. Training feed-forward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks. 1994; 5(6): 989-993.##Aksoy S, Haralick M. Feature Normalization and Likelihood-based Similarity Measures for Image Retrieval. Intelligent Systems Laboratory, Department of Electrical Engineering, University of Washington, Seattle, WA 98195-2500, U.S.A. 2000.##Nawi NM, Atomi WH, Rehman MZ. The Effect of Data Pre-Processing on Optimized Training of Artificial Neural Networks. Procedia Technology. 2003; 11: 32 – 39.##Willmotte CJ. Some comments on the evaluation of model performance. American Meteorological Society,1982; 63:1309-1313.##Haliban AH, Darand M. Forecasting rainfall using ANN. Journal of Applied Researches of Geographic Sciences. 2012; 12 (26): 47-63. [In Persian].##Amiri MJ, Abedi-Koupai J, Eslamian SS, Mousavi SF, Hasheminejad H. Modeling Pb(II) adsorption from aqueous solution by ostrich bone ash using adaptive neural-based fuzzy inference system, J. Environ. Sci. Health, Part A 48. 2013; 543–558.##Erfanian M, Ansari H, Alizade A. Forecasting monthly rainfall and average temperature using remote link templates with ANN (case study: Mashhad Synoptic Station). Geographical Studies of Arid Regions.2013; 3 (11): 53-73.[In Persian].##Golkar F, Farahmand A, Farahmand F. Evaluation of ANN application in prediction of Shiraz rainfall. National conference of Water Crisis Management. Islamic Azad University of Marvdasht. 2009.[In Persian].##

0 پراکنش و پایش کیفی آب قنوات شرق تهران به‌منظور مدیریت منابع آب Distribution and monitoring of aqueducts water quality for water resources management https://ije.ut.ac.ir/article_60881.html 10.22059/ije.2017.60881 0 امروزه، بسیاری از قنوات تهران در معرض و تهدید آلودگی زیست‌محیطی قرار گرفته‏اند. به همین‌دلیل بررسی‏های زیست‌محیطی و پایش کیفیت آب قنوات به‌عنوان موضوعی مهم در برنامه‌ریزی و مدیریت شهری مطرح است. هدف از این پژوهش، پایش کیفیت آب قنوات پهنۀ شرق تهران از نظر شاخص‌های زیست‌محیطی است. روش تحقیق این پژوهش، برای جمع‌آوری آمار و اطلاعات ابتدا برپایۀ مطالعات اسنادی و سپس بازدیدهای میدانی، نمونه‌برداری و همچنین آزمایش‌هایی استوار است که مراکز پژوهشی دیگر انجام داده‌اند. نتایج این پژوهش بیانگر آن است که قنوات پهنۀ شرق تهران از نظر کیفیت آب تقریباً تفاوت کمی دارند، ولی در برخی متغیرهای کیفی از نظر نوع مصرف آب براساس نوع طبقه‌بندی قابل تفکیک هستند. متغیرهای مهمی از کیفیت شیمیایی آب از قبیل نیترات، سولفات، فلزات سنگین،  NH3،EC،TDS، PH، DO نشان می‌دهند که کیفیت آب قنوات در بیشتر موارد نسبت به استانداردهای ملی و سازمان جهانی بهداشت برای شرب در حد مناسب و در برخی از جمله ده‌خیر شهر ری آلودگی بیولوژیکی بیش از حد مجاز ‌دارند. همچنین از نظر شاخص لازم برای مصارف کشاورزی نیز نتایج آزمایش‌ها حکایت از مطلوب‌بودن قنوات پهنۀ شرقی تهران دارد. به‌طور کلی، هرچه از مناطق شمال شرقی تهران به سمت جنوب شرق تهران پیش می‌رویم، به‌دلیل کاهش عمق سطح آب زیرزمینی بار آلودگی و املاح آب افزایش می‌یابد. 1 Today, many of the Subterranean and the threat of environmental pollution have been exposed Tehran's why environmental studies and water quality monitoring Subterranean as urban planning and management is an important issue. The purpose is of this research, monitoring water quality across the East Tehran Subterranean of environmental indicators. The research method to collect data primarily based on documentary research and field visits, sampling and testing done by other research groups are based. The results of this study indicate that, Subterranean Tehran East area in terms of water quality were comparable but somewhat more detailed look at some of the variables are qualitative differences. Important variables such as chemical water quality) cations, nitrate, sulfate, heavy metals (NH3 EC, TDS, PH, DO, shows that water quality in the Subterranean, in most cases than the WHO standards are desirable. And in some of the Dehkheyr Shahr Ray has no biological contamination are higher than allowed. The indices for agricultural purposes as well as test results indicate the desirability of its aqueducts Tehran East zone. Generally, the higher the Northeast to the South East of Tehran move forward due to the reduction of pollution of underground water and dissolve of water depth increases. 39 52 یاسمن جعفری اول Yasamaneh Jafari Aval دانشجوی کارشناسی ارشد مهندسی عمران، دانشگاه شاهد تهران ایران m.mirzaie19862000@gmail.com ناصر عبادتی Naser Ebadti استادیار گروه زمین‌شنا‌سی دانشگاه آزاد اسلامی واحد اسلام‌شهر ایران drebadati@yahoo.com حسین یوسفی Hossein Yousefi استادیار دانشکدۀ علوم و فنون نوین دانشگاه تهران ایران hosseinyousefi@ut.ac.ir بهرنگ کلانتری Behrang Kalantari دانشجوی دکتری برنامه‌ریزی شهری دانشگاه شهید بهشتی تهران ایران kalantari.b@ut.ac.ir محمد میرزایی Mohammad Mirzaei دانشجوی کارشناسی ارشد جغرافیا و برنامه‌ریزی شهری، دانشگاه علوم و تحقیقات تهران ایران پهنۀ شرق تهران سلامت کیفیت آب قنات [1].Abizadeh, E.; A View to Aqueducts centering on Training and Reviving Iranian Native Technology, Culture and Architecture. Armanshahr Journal.2011; Third Year (5), pp. 1-22.##[2]. Heydari, M, Bidgoli H.N.; Chemical Analysis of Drinking Water of Kashan District, Central Iran. World Applied Sciences Journal 2012;16(6):pp.799-805##[3].W.H.O.Guidelines for safe recreational water environments. Vol. 2: (Swimming pools and similar environment). Geneva: World Health Organization; 2006:pp.316-112.##[4] Sabetjo M.; Aqueduct important role in protecting the environment. Subterranean National Conference.2010.gonabad:pp.12-24.##[5] Toossab Consulting Engineers Company; Study of Qantas water quality of in Tehran, Report Number 430752 –5139,2011, Tehran221p.##[6] Edwards M.; Controlling Corrosion in Drinking Water Distribution System; A Grand Challenge for the21 St Century. Water Science & Technology 2002;4(9):58-68##[7] Jahad Keshavarzi organization; First Phase Studies on studies and identification of Subterranean, Tehran, to assess water quality testing Subterranean, Tehran.2003. p 312-152##[8] Ebadati,N. Hoshmandzade,M. Water Quality evaluation of Dez River in the Dezful hydrometric station,.jornal of Ecohydrology, Volume 1, Issue 2, Autumn 2014, Page 69-81##[9].Ishaku J M. Ezeigbo H I. 2010.Groundwater Quality monitoring in Jimeta-Yola area, North-eastern Nigeria. WATER RESOURCES Journal of the Nigerian Association of Hydrogeologists (NAH), 20(2): 1-14.##[10] Dahaghani M, Azam K. Mohamadi A.; An Investigation on Physico-Chemical and Microbiological Quality of Public Swimming Pools in Tehran City, Journal of research environmental health, 2015,Winter (1):29-35##[11] Yazdanbakhsh A. Eslami A. Rezaei S.; Quality assessment of Tehran’s Firoozabad Channel surface runoff for irrigation uses. Journal of Health in the Field. 2015: autumn (3):19-26##[12] Hashemi, H.; Organization plan of Tehran aqueducts, Water Region Company, Tehran.2006,pp..364-167. [13] Sadatinejad S. Razavi l. Shirani M.; dimensions of Social, economic and environmental the aqueduct, 2006, 1th Conference on optimum utilization of water resources. University Shahrekord, 2006, pp.124-138.##

0 ارزیابی آلودگی فلزات سنگین و عناصر کمیاب در فصل‏ های تر و خشک آب زیرزمینی شمال بروجرد، لرستان - ایران‌ Assessment of heavy metals and trace elements pollution in groundwater during wet and dry seasons, North Boroujerd, Iran https://ije.ut.ac.ir/article_60883.html 10.22059/ije.2017.60883 0 با توجه به آلودگی فزایندۀ منابع آب و اهمیت پایش مداوم آنها، در این تحقیق نسبت به بررسی جامع عناصر کمیاب و فلزات سنگین در آب‌های زیرزمینی دشت اشترینان در محدودۀ شمال بروجرد، به‌منظور بررسی تأثیر هوازدگی کانی‌ها، فعالیت‌های کشاورزی و صنعتی اقدام شد. نمونه‏های آب زیرزمینی از 10 حلقه چاه، پنج دهانه قنات و یک چشمه در دو فصل تر و خشک جمع‌آوری شدند. سپس با استفاده از طیف‌سنج جرمی آنالیز و بیشترین سطح آلایندگی توسط سازمان بهداشت جهانی مقایسه شدند. نتایج اندازه‏گیری‏ها نشان داد از تعداد 63 عنصر اندازه‏گیری‌شده، میزان بیشترین غلظت آهن، منیزیم، سرب، استرانسیم و وانادیم به‌ترتیب 4/0، 3/36، 9/62، 89/0، 5/195 و بیشتر از سطح مجاز است. بررسی میزان عنصر سرب، بر و آهن در آب زیرزمینی در محدودۀ مطالعه‌شده نشان می‏دهد غلظت این عناصر از شرق و غرب دشت به سمت مرکز در حال افزایش است. همچنین سطوح افزایشی غلظت Sr در آب زیرزمینی بیشتر ناشی از فرایندهایی همچون هوازدگی کانی‌هایی مانند فلدسپات‌های مربوط به گرانیت‌ها و گرانودیریت‌های شرق دشت تشخیص داده شد. از موارد محتمل آلایندگی می‌توان به موتورهای دیزلی چاه‌های آب در منطقه، چاه‌های دهانه‌گشاد متروک، صنایع فولاد آلیاژی در ورودی شمالی دشت و فعالیت‏های معدن‌کاری اشاره کرد که از پتانسیل‏های آلایندگی فلزات سنگین در آب زیرزمینی و تهدیدی برای محیط زیست منطقه است. با استفاده از تحلیل مؤلفۀ اصلی، سه عامل اصلی در تعیین کیفیت هیدروشیمیایی عبارت‌اند از تأثیر یون‌های اصلی، عناصر کمیاب و فلزات سنگین که درمجموع نزدیک به 68 درصد واریانس عوامل را به خود اختصاص داده‏اند.   1 During recent years there has been increasing consciousness of, and concern about, groundwater water pollution and monitoring in Iran. In this context, a comprehensive review of the trace elements and heavy metals in groundwater of Oshtorinan Plain in northern part of Boroujerd has carried out to investigate the effects of weathering minerals, agricultural and industrial activities. Groundwater samples from ten wells, five qanats and a spring in both wet and dry seasons were collected and analyzed using a mass spectrometer (ICP_MS). Then, the results were compared with World Health Organization (WHO) standards. The measurement results show that from 63 elements measured, only the concentrations of Fe, Mg, Pb, Sr, V(0.4, 36.3, 62.9, 0.89 and 195.5 ppm, respectively) were above the permitted level. The amount of Pb, B and iron in groundwater samples in the study area indicates that concentrations of these elements from East and West are increasing toward the center. Also,increasing concentration of Sr. in the groundwater samples is mainly caused by processes such as the mineral weathering that occurs to igneous rocks, locating in the eastern parts of the plain. Engines wells in the area, abandoned wells, the steel alloy (in the northern entrance) pollution and mining activities are likely sources of potential pollution of heavy metals in groundwater and environmental threat to the region. Using principal component analysis, three main factors determine the quality of hydro chemical include the impact of major ions, trace elements and heavy metals, which collectively account for nearly 68% of the variance factors.   53 64 منوچهر چیت سازان Manouchehr Chitsazan استاد گروه زمین‌شناسی، دانشکدۀ علوم زمین، دانشگاه شهید چمران اهواز ایران chitsazan_m@scu.ac.ir غلامرضا میرزاوند Gholamreza Mirzavand دانشجوی دکترای هیدروژئولوژی، دانشکدۀ علوم زمین، دانشگاه شهید چمران اهواز ایران mirzavand1088@gmail.com عادل ساکی Adel Saki دانشیار گروه زمین‌شناسی، دانشکدۀ علوم زمین، دانشگاه شهید چمران اهواز ایران adel_saki@scu.ac.ir آب زیرزمینی آلودگی تحلیل مؤلفۀ اصلی عناصر کمیاب فلزات سنگین 1.Mandour R, Azab Y. Toxic levels of some heavy metals in drinking groundwater in Dakahlyia Governorate, Egypt in the year 2010. The international journal of occupational and environmental medicine. 2011;2(2 April).##2.Vodela J, Renden J, Lenz S, McElhenney W, Kemppainen B. Drinking water contaminants (arsenic, cadmium, lead, benzene, and trichloroethylene). 1. Interaction of contaminants with nutritional status on general performance and immune function in broiler chickens. Poultry Science. 1997;76(11):1474-92.##3.Marcovecchio JE, Botté SE, Freije RH. Heavy metals, major metals, trace elements. Handbook of water analysis. 2007;2:275-311.##4.Pirsaheb M, Khosravi T, Sharafi K, Babajani L, Rezaei M. Measurement of Heavy Metals Concentration in Drinking Water from Source to Consumption Site in Kermanshah-Iran. World Applied Sciences Journal. 2013;21(3):416-23.##5.Jalali M. Application of multivariate analysis to study water chemistry of groundwater in a semi-arid aquifer, Malayer, western Iran. Desalination and Water Treatment. 2010;19(1-3):307-17.##6.Jalali M, Kolahchi Z. Groundwater quality in an irrigated, agricultural area of northern Malayer, western Iran. Nutrient Cycling in Agroecosystems. 2008;80(1):95-105.##7..            Jalali M. Phosphorous concentration, solubility and species in the groundwater in a semi-arid basin, southern Malayer, western Iran. Environmental Geology. 2009;57(5):1011-20.##8.Khaniki GRJ, Dehghani H, Mahvi A, Rafati L, Tavanfar F. Investigation of Nitrite and Nitrate in Ground Water Sources of Hamadan Province, Iran.##9.Rafati L, Mokhtari M, Fazelinia F, Momtaz S, Mahvi AH. Evaluation of Ground Water Fluoride Concentration in Hamadan Province West of IRAN (2012). Iranian journal of health sciences. 2013;1(3):71-6.##10.Rafiei B, Khodaei AS, Khodabakhsh S, Hashemi M, Nejad MB. Contamination assessment of lead, zinc, copper, cadmium, arsenic and antimony in Ahangaran mine soils, Malayer, West of Iran. Soil and Sediment Contamination. 2010;19(5):573-86.##11.Soltani N, Keshavarzi B, Moore F, Tavakol T, Lahijanzadeh AR, Jaafarzadeh N, et al. Ecological and human health hazards of heavy metals and polycyclic aromatic hydrocarbons (PAHs) in road dust of Isfahan metropolis, Iran. Science of the Total Environment. 2015;505:712-23.##12.Saeedi M, Hosseinzadeh M, Jamshidi A, Pajooheshfar S. Assessment of heavy metals contamination and leaching characteristics in highway side soils, Iran. Environmental monitoring and assessment. 2009;151(1-4):231-41.##13.Asarab. Hydrochemical study of Boroujerd basin. Iran Power Ministry2012.##14.Hajmollali A, Hosseini M, Farhadian MB, Sedaghat E, cartographers. Geological map of Borujerd quadrangle 5757: Geological Survey of Iran; 1991.##15.Khalaji AA, Esmaeily D, Valizadeh M, Rahimpour-Bonab H. Petrology and geochemistry of the granitoid complex of Boroujerd, Sanandaj-Sirjan Zone, Western Iran. Journal of Asian Earth Sciences. 2007;29(5):859-77.##16.Mokhtari ZG-S. CHEMICAL COMPOSITION OF TOURMALINE AS EXPLORATION GUIDE, A CASE STUDY: NORTHERN BOROUJERD, IRAN.##17.AHMADI KA, TAHMASBI Z, KESHTGAR S. A NEW VIEW ON THE METAMORPHIC ROCKS OF THE BOROUJERD AREA. 2008.##18.Association APH. Water Environment Federation. Standard methods for the examination of water and wastewater. 1995;19.##19.           Parizi HS, Samani N. Geochemical evolution and quality assessment of water resources in the Sarcheshmeh copper mine area (Iran) using multivariate statistical techniques. Environmental earth sciences. 2013;69(5):1699-718.##20.Güler C, Thyne GD. Delineation of hydrochemical facies distribution in a regional groundwater system by means of fuzzy c‐means clustering. Water Resources Research. 2004;40(12).##21.Yidana SM, Ophori D, Banoeng-Yakubo B. A multivariate statistical analysis of surface water chemistry data—The Ankobra Basin, Ghana. Journal of Environmental Management. 2008;86(1):80-7.##22.Mirzaei R, Sakizadeh M. Comparison of interpolation methods for the estimation of groundwater contamination in Andimeshk-Shush Plain, Southwest of Iran. Environmental Science and Pollution Research. 2016;23(3):2758-69.##23.Loucks DP, Van Beek E, Stedinger JR, Dijkman JP, Villars MT. Water resources systems planning and management: an introduction to methods, models and applications: Paris: Unesco; 2005.##24.Rollinson HR. Using geochemical data: evaluation, presentation, interpretation: Routledge; 2014.##25.Buccianti A, Pawlowsky-Glahn V. New perspectives on water chemistry and compositional data analysis. Mathematical Geology. 2005;37(7):703-27.##26.Krein A, Schorer M. Road runoff pollution by polycyclic aromatic hydrocarbons and its contribution to river sediments. Water Research. 2000;34(16):4110-5.##27.Ball JE, Wojcik A, Tilley J. Stormwater Quality from Road Surfaces: Monitoring of the Hume Highway at South Strathfield: University of New South Wales, School of Civil and Environmental Engineering, Water Research Laboratory; 2000.##28.Dannecker W, Au M, Stechmann H. Substance load in rainwater runoff from different streets in Hamburg. Science of the total environment. 1990;93:385-92.##29.WHO G. Guidelines for drinking-water quality. World Health Organization. 2011;216:303-4.##30.Grenthe I, Stumm W, Laaksuharju M, Nilsson A, Wikberg P. Redox potentials and redox reactions in deep groundwater systems. Chemical Geology. 1992;98(1):131-50.##31.Sirajudeen J, Abdul Jameel A. Studies on heavy metal pollution of Groundwater sources between Tamilnadu and Pondicherry India. J Ecotoxicol Environ Monit. 2006;16(5):443-6.##32.Wuana RA, Okieimen FE. Heavy metals in contaminated soils: a review of sources, chemistry, risks and best available strategies for remediation. Isrn Ecology. 2011;2011.##33.Förstner U, Wittmann GT. Metal pollution in the aquatic environment: Springer Science & Business Media; 2012.##34.Leung C-M, Jiao JJ. Heavy metal and trace element distributions in groundwater in natural slopes and highly urbanized spaces in Mid-Levels area, Hong Kong. Water Research. 2006;40(4):753-67.##35.           Vaze J, Chiew FH. Study of pollutant washoff from small impervious experimental plots. Water Resources Research. 2003;39(6).##

0 پیش ‏بینی و تحلیل روند پارامترهای کیفی آب رودخانه با استفاده از مدل سری زمانی AEIMA در حوضۀ آبخیز رودخانۀ کهمان Forecasting and Trend Analytics of Water quality parameters using ARIMA series Models in Kahman river watershed https://ije.ut.ac.ir/article_60885.html 10.22059/ije.2017.60885 0 رودخانۀ کهمان پرمنفعت‏ترین رودخانۀ شهرستان الشتر از نظر کشاورزی و پرورش ماهی است. به‌دلیل اینکه فرایندهای هیدرولوژی تصادفی‌اند، آمار و احتمال اساس تجزیه‏ و تحلیل پدیده‏های یادشده است، بنابراین از سری‏های زمانی استفاده می‏شود. در تحلیل سری ‏زمانی، مرحلۀ اول شامل نمایش نوسان پارامترها در طول زمان است، مرحلۀ دوم ایستا‌سازی داده‏ها، مرحلۀ سوم نرمال‏سازی و مرحلۀ چهارم شناسایی پارامترهای مدل است. درنهایت، برای سنجش دقت مدل در پیش‏بینی از شاخص مجذور میانگین مربعات خطا RMSE و معیار اطلاعاتی آکاییکه AIC استفاده شد. در این تحقیق روند تغییرات زمانی سه پارامتر ,pH HCO3 و Na که از پارامترهای مؤثر بر کیفیت آب شرب و کشاورزی هستند، در ایستگاه دره‌تنگ رودخانۀ کهمان طی سال‏های آماری 1366 تا 1392 ‌مطالعه شد. سپس بر‌اساس نمودار‏های سری زمانی داده‏ها و همچنین نمودار خود‌‏همبستگی جزئی، مدل ARIMA فصلی ضربی از بین مدل‏های سری زمانی انتخاب و در نرم‏افزارهای XLSTAT و MINITAB استفاده شد. برای HCO3 مدل بهینه برای پیش‏بینی 4(1،1،1)*(1،1،1) ARIMA و برای pH، 4(1،1،1)*(1،1،1) ARIMA تشخیص داده شد؛ ولی برای Na هیچ‏یک از مدل‏های ARIM مناسب تشخیص داده نشد. HCO3 معمولاً روند افزایشی دارد. محدودۀ تغییرات pH طبق نمودار سری‏های زمانی در محدودۀ بهینه 5/6 تا 5/8 قرار دارد. Na به‌دلیل نبود سازندهای نمکی در حوضۀ آبخیز رودخانۀ کهمان معمولاً روند ثابتی دارد و افزایشی نیست.     1 Kahman is the most beneficial river in Alashtar city for agriculture and aquiculture. As hydrology processes have random nature, statistics and probability are base of analysis of these processes and time series are used for this purpose. The first step in time series analysis includes parameters variation through time. Second step is to stationary data, third is normalization and forth is model parameters recognizing. Finally, for model accuracy evaluation in prediction, the root-mean square standardized error and Akaike information criteria are used. In this research, time variations trend of three parameters, PH, HCO3- and Na+ that are effective parameters on drinking and agriculture water, were studied at Darreh-tang station of Kahman river from 1366 to 1392 and then Based on the time-series graphs, as well as autocorrelation and partial autocorrelation plot, Multiplicative seasonal ARIMA model select and in XLSTAT and MINITAB software’s was used. For HCO3 and PH, ARIMA4(1،1،1)*(1،1،1) was recognized for prediction optimum model but for NA any of ARIMA models weren’t recognized suitable. HCO3 always have an ascending trend. On the base of time series diagram, optimum variations limit of PH is from 6.5 to 8.5. Because the formation in Kahman river watershed is calcareous and because of nonexistence of salty formations in studied region, Na+ has a constant trend and isn’t ascending.   65 73 علی حقی زاده Ali Haghizadeh1 استادیار، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان ایران haghizadeh.a@lu.ac.ir حسین یوسفی Hossein Yousefi استادیار، دانشکدۀ علوم و فنون و نوین، دانشگاه تهران ایران hosseinyousefi@ut.ac.ir یزدان یاراحمدی Yazdan Yarahmadi دانشجوی کارشناسی ارشد مهندسی اکو‌هیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران ایران yazdan.yarahmadi@ut.ac.ir پروین نورمحمدی 4Paravin Normohammadi دانشجوی کارشناسی ارشد مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان ایران alihagاi20@gmail.com رضوان علیجانی Rezvan Alijani دانشجوی دکتری مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان ایران hyousefi2000@yahoo.com پیش ‏بینی رودخانۀ کهمان سری زمانی مدل ARIMA منابع##Bashri, M. Vafahkhah, M. Compare Different Methods of Time Series Analaysis in the Prediction of Monthly Discharge Karkhe Watershed. Journal of Irrigation and Water Iran,1:2-2010.##Karamuz, M. Araqinejad, SH.. Advance Hydrology. Publishers Amirkabir Industrial University. 2005, 480 PP.##Lu, H. kurozawa, L.H. Li, Y. Wang, Y. and H. Nose. Climate Change , Humidity, and human health in Japaese Coastal City of Sanin. The seventh International Conference on Urban Climat. 29 June – 3July. 2009, Yokohama , Japan, 4 PP.##Salas JD, Delleur JW, Yevjevich VM, Lanewl. Applied Modeling of Hydrologic Time Series Water Resources Publications: Littleton, Co. 1980.##R. Modarres. S. Eslamian Stream Flow Time Series Modeling of Zayandeh Rud River. Isfahan University. Iranian Journal of Science and Technology, Transaction B, Engineering, 2006.Vol. 30, No. B4.##Ranjbar, M. Gholamrezaei, F. Khalediyan, M. Tajdari, Kh. Prediction of River Water Quality Parameters Sefidrud with Using Statistical Models ARIMA. Exhibitions Sixth National Conference of Environmental Engineering, 2012.##Veysipur, H. Masompur, J. Sahneh, B. Yousefi, Y. Analysis of Trend Forecasting of Rainfall and Temperature in Kermanshah Using Time ARIMA, Islamic Azad University of Kermanshah, 2010.##Branston, A.G. Correspondence Among the Correlation , RMSE, and hiedke Forecast Verification Measures, Refinement of The Heidke Score. Climat Analysis Center. 1992.Washington D.C, ll PP.##Box, G. E. P. and G. M. Jenkins, Time Series Analysis, Forecasting and Control, Revised Edition, Holden - Day, Sanfrancisco, California 1976.##Cryer, JD. Time Series Analysis of Stochastic Hydrology System. Water Resources Research, 1992.16: 1569 – 1582##Lite, SM. And, J.P, Peixoto. The Autoregressive Model of Climatologically Time Series An Application to The Langest Time Series in Portugal. International Journal of Climatology, 1996. Vol. 16 PP. 1165. 1173.##Mantua, N.J. Hare, S.R. Zhang, Y. Wallac, J. M and R. C. Francis. A Pacific inter decadal Climate Oscillation With impact on salmon Production Bulletin of the American Meteorological society. 1997. 37 PP.##Niromand, H. Bozorgniya, A. Introduction for Time Series Analysis (translation). Compilation Cryer. Publishers Mashhad Ferdowsi University, 1993.##

0 ارزیابی توانایی مدل ترکیبی SOM-FL برای پیش ‏بینی هدایت هیدرولیکی در محدودۀ متروی شهر تبریز Ability evaluation of hybrid SOM-FL model for hydraulic conductivity estimating in Tabriz city subway area https://ije.ut.ac.ir/article_60888.html 10.22059/ije.2017.60888 0 توسعۀ‏ روزافزون، ساخت پروژه‏های مهندسی ازجمله قطار شهری در کلان‏شهرها به بررسی، مدیریت و کنترل مناسب آب‏های زیرزمینی نیاز دارد. بنابراین، تخمین دقیق پارامترهای هیدروژئولوژیکی از جمله هدایت هیدرولیکی مهم‏ترین عامل در مطالعات و مدل‏سازی آب‏های زیرزمینی و همچنین مسائل ژئوتکنیک به‏حساب می‏آید. در دهۀ اخیر روش‏های مختلف آزمایشگاهی و صحرایی برای تخمین این پارامتر وجود داشته است، اما تخمین هدایت هیدرولیکی با استفاده از این روش‏ها با توجه به ناهمگنی و ناهمسانی محیط‏های هیدروژئولوژیکی، پرهزینه، وقت‏گیر و دارای عدم قطعیت ذاتی است. در این تحقیق از سه روش فازی مدل استنتاج فازی ساگنو (SFIS)، مدل استنتاج فازی ممدانی (MFIS) و سیستم استنتاج فازی لارسن (LFIS) که مناسب برای کار با داده‏های دارای عدم قطعیت هستند، برای تخمین هدایت هیدرولیکی محدودۀ متروی شهر تبریز استفاده شده است. سپس برای تدقیق مدل‏های منفرد و حل مشکل ناهمگنی زیاد آبخوان شهر تبریز، مدل ترکیبی SOM-FL ارائه شد. بر‌اساس معیارهای ارزیابی RMSE و R2 نتایج مدل‏های منفرد قابل ‏قبول است، ولی مدل ترکیبی ارائه‏شده توانست راندمان مدل (R2) را نسبت به مدل‏های منفرد در مرحلۀ آموزش 18 درصد و در مرحلۀ آزمایش 4/15 درصد افزایش دهد و هدایت هیدرولیکی را تدقیق کند.         1 Increasing development of engineering projects construction such as city subway needs appropriate investigation, management and control of groundwater. Therefore, precise estimation of hydrogeological parameters such as hydraulic conductivity is the most important factor in studies and modeling of groundwater and geotechnical issues. In recent decades, various laboratory and field methods exist for estimating this parameter, but estimation of hydraulic conductivity using these methods due to the heterogeneity and anisotropy hydrogeological environments is costly, time-consuming and inherent uncertain. In this study, three fuzzy inference methods, Sugeno (SFIS), Mamdani fuzzy inference model (MFIS) and Larsen Fuzzy Inference System (LFIS) that is suitable for handling the uncertain data, was adopted to estimate the hydraulic conductivity in Tabriz city subway area. After, the hybrid SOM-FL model was presented to improve efficiency of individual model and solve heterogeneity problem of the Tabriz city aquifer. Based the evaluation criterions R2 and RMSE the results of individual models are acceptable but the proposed hybrid model improved, R2 in train and test stage, 18% and 15.4 percent, respectively.         75 87 مرضیه داداش بابا Marzieh Dadashbaba دانشجوی کارشناسی ارشد، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران dadashbaba_m@yahoo.com عطا الله ندیری Ata Allah Nadiri استادیار، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران nadiri@tabrizu.ac.ir اصغر اصغری مقدم Asghar Asghari Moghaddam استاد، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران moghaddam@tabrizu.ac.ir قدرت برزگری Godrat Barzegari استادیار، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران gbarzegari@gmail.com فازی‌ قطار شهری تبریز هدایت هیدرولیکی SOM [1].Bardossy A, Duckstein L. Fuzzy rule-based modeling with applications to geophysical, biological and engineering systems. 256. CRC Press, Florida, USA:1993.##[2]. Helmy T, Fatai A, Faisal K. Hybrid computational models for the characterization of oil and gas reservoirs. Expert Syst. Appl. 2010;37(7):5353–5363.##[3].Anifowose F, Abdulraheem A. Fuzzy logic-driven and SVM-driven hybrid computational intelligence models applied to oil and gas reservoir characterization. J. Nat. Gas Sci. Eng. 2011; 3(3):505–517.##[4].Nadiri AA, Chitsazan N, Tsai F.T.C, Asghari Moghaddam AA. Bayesian Artificial Intelligence Model Averaging for Hydraulic ConductivityEstimation. J. Hydrol. Eng. 2014; 19(3):520–532.##[5].Nadiri AA, Fijani E, Tsai F.T.C, Asghari Moghaddam A.A. Supervised Committee Machine with Artificial Intelligence for Prediction of Fluoride Concentration. Hydroinformatics Journal. 2013; 15(4):1474-1490.##[6]. Zadeh LA. Fuzzy sets, Information and Control. 1965;8(3):338–353.##[7].Tayfur G, Nadiri AA, Moghaddam AA. Supervised Intelligent Committee Machine Method for Hydraulic Conductivity Estimation. Water Resources Management. 2014; 28: 1173-1184.##[8].Vernieuwe H, Verhoest NEC, De Baets B, Hoeben R, De Troch FP. Cluster-based fuzzy models for groundwater flow in the unsaturated zone. Advances in water Resources. 2007;30(4):701-714.‏##[9].Kumar NV, Mathew S, Swaminathan G. Multifactorial Fuzzy Approach for the Assessment of Groundwater Quality. Journal of Water Resource and Protection. 2010; 2:597-608.##[10].Kisi O. Applicability of Mamdani and Sugeno fuzzy genetic approaches for modeling reference evapotranspiration. Journal of Hydrology. 2013;(504):160-170.‏##[11].Srinivas R. Bhakar P, Singh AP. Groundwater quality assessment in some selected area of Rajasthan, India using fuzzy multi-criteria decision making tool. Aquatic Procedia. 2015;4:1023-1030.‏##[12].Habibi M, Nadiri A, Asghari Moghaddam A, Naderi K. 2016. Combination of geostatistical and artificial intelligence methods for predicting spatiotemporal water level in the Hadishahr plain, Iran Watershed Management Science and Engineering. 2016;(32):27-32 (Persian).##[13].Nourani V, Parhizkar M. Conjunction of SOM-based feature extraction method and hybrid wavelet-ANN approach for rainfall–runoff modeling. Journal of Hydroinformatics. 2013;15(3):829-848.‏##[14].Kohonen T. Self-organized formation of topologically correct feature maps. Biological cybernetics. 1982;43(1):59-69.‏##[15].Chen L, Lin D. Application of Integrated Back-Propagation Network and Self-Organizing Map for Groundwater Level Forecasting. J. Whater resour. Plann Manage. 2011;137:352-365.##[16].Nourani V, Alami MT, Vousoughi FD. Hybrid of SOM-Clustering Method and Wavelet-ANFIS Approach to Model and Infill Missing Groundwater Level Data. Journal of Hydrologic Engineering, 2016;05016018.##[17].Kohonen T, Kaski S, Lappalainen H. Self-organized formation of various invariant-feature filters in the adaptive-subspace SOM. Neural computation. 1997;9(6):1321-1344.‏##[18].Sugeno M. Industrial applications of fuzzy control. Elsevier Science Inc. 1985##[19].Mamdani EH, Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller. Int. J. Man-Machine Stud.1975;7(1):1–13.##[20].Larsen PM. Industrial applications of fuzzy logic control, International Journal of Man-Machine Studies. 1980; 12: 3–10.##[21].Nadiri AA. Estimate groundwater levels in the Tabriz city metro area by using artificial neural networks. Master's thesis, Department of Geology, Faculty of Natural Sciences, University of Tabriz. 2007. (Persian).##[22].Chiu S. L. Fuzzy model identification based on cluster estimation. Journal of Intelligent & fuzzy systems. 1994;2(3):267-278.‏##

0 ارزیابی اثر تغییر اقلیم بر رواناب با استفاده از مدل هیدرولوژیک (مطالعه موردی: حوزه آبخیز بازفت صمصامی) Evaluating the impact of climate change on runoff using hydrological model (Case study: Bazoft-Samsami Watershed) https://ije.ut.ac.ir/article_60889.html 10.22059/ije.2017.60889 0 افزایش گازهای گلخانه‏ای در چند دهۀ اخیر و افزایش دمای ناشی از آن، سبب بر‌هم‌خوردن تعادل سیستم اقلیمی کرۀ زمین شده و تغییرات اقلیمی گسترده‏ای را در اغلب نواحی کرۀ زمین به‌وجود آورده است. سیاست‏های راهبردی توسعه در این منطقه، به‏دلیل نیاز به آب در منطقۀ مرکزی از یک‏سو و محدودیت‏های منابع آب از سوی دیگر، با چالشی بزرگ روبه‌رو شده است. در این پژوهش، ابتدا مدل بارش‌ـ رواناب WetSpa برای حوضۀ آبخیز بازفت صمصامی به‏عنوان یکی از زیرحوضه‏های مهم حوضۀ آبخیز کارون واسنجی شد. سپس مقادیر دما و بارش برای دورۀ آتی براساس سناریوهای تغییر اقلیم با خروجی‏های مدل چرخش عمومی جوّ HadCM3 برای سه سناریوی A1B، A2 و B1، با استفاده از مدل WG–LARS ریزمقیاس شدند. آن‏گاه به‏منظور شبیه‏سازی رواناب حوضه، داد‏ه‏ها به مدل WetSpa معرفی شد. در نهایت نتایج، کارایی مدل WG– LARS در برآورد باران و دما را تأیید کرد. همچنین نتایج نشان داد رواناب در دورۀ آماری 2011‌ـ 2040 و دورۀ آماری 2071‌ـ 2100 نسبت به دورۀ مشاهداتی در هر سه سناریو به‏ترتیب به‌میزان متوسط 86/8 و 83/4 درصد افزایش پیدا کرده و در دورۀ آماری 2041‌ـ 2070 به‏میزان متوسط 25/7 درصد کاهش یافته است. این موضوع، نشان‏دهندۀ تأثیر تغییر اقلیم بر رواناب در دورۀ آیندۀ میانی در حوضۀ آبخیز مطالعاتی است. بنابراین، با توجه به نتایج به‏دست‌آمده، اتخاذ سیاست‏های برنامه‏ریزی به‌منظور سازگاری با تغییر اقلیم برای حوضۀ آبخیز بازفت صمصامی ضرورت دارد.   ‌         1 Increasing greenhouse gases in recent decades and increasing its resulting temperature has causes the imbalance of the Earth’s climate system and widespread climate changes in most regions of Earth planet. Development strategic policy in this area has been forced with a big challenge because of the need for water in the central region on the one hand and water resource constraints on the other hand. In this study, first, WetSpa rainfall-runoff model was calibrated for Bazoft-Samsami watershed as one of the important sub-basins of Karun basin. Then, values of temperature and precipitation for future period were downscaled based on climate change scenarios with atmospheric general circulation model outputs (HadCM3) for three scenarios of A1B, A2 and B2 using LARS-WG model. Then, to simulate the basin runoff, data were introduced to WetSpa model. The results verified the performance of LARS-WG model in estimating rain and temperature. Also, the results showed that runoff in statistical periods of 2011-2040 and 2071-2100 compared with observation period in all three scenarios has increased %8.86 and %4.83, respectively, and has decreased in 2041-2070 to the amount of %7.25. This subject indicates the impact of climate change on runoff in mid-term future period in studied watershed. So, considering the obtained results, the policy of programming in order to adapt to climate change is necessary in Bazoft-samsami watershed.     89 102 نوید دهقانی Navid Dehghani دانشجوی دکتری علوم و مهندسی آبخیزداری دانشگاه کاشان ایران navidehghani@gmail.com هدی قاسمیه Hoda Ghasemieh استادیار، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان ایران h.ghasemieh@kashanu.ac.ir سیدجواد ساداتی نژاد Seyed Javad Sadatinejad دانشیار، دانشکدۀ علوم و فنون نوین، دانشگاه تهران ایران sadatinejad@ut.ac.ir خلیل قربانی Khalil Ghorbani دانشیار، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران ghorbani.khalil@gau.ac.ir تغییر اقلیم حوضۀ آبخیز بازفت صمصامی سناریو مدل‏سازی هیدرولوژیک (WetSpa) LARS-WG [1]. IPCC (Intergovernmental Panel on Climate Change). 2007 Summary for policy makers. In: IPCC. Climate change: The physical Science basic, Contribution of working group first to the Fourth assessment report of the intergovernmental panel on climate change, Cambridge university press. 2007; 450 p.##[2]. Alizade A, Sayyari N, Hesami-Kermani MR, Banayan Avval, M, Farid Hosseini E, Assessment of effects of climate change on water resources and agriculture water using, Water and Soil Journal, 2010; (24): 815-835.##[3]. Zeinivand H., and De Smedt F, Spatially distributed modeling of soil erosion and sediment transport at watershed scale, World Environmental & Water Resources Congress (EWRI), 2009; 17-21 May, Kansas City, USA.##[4]. Zehabion B, Goodarzi MR, Massah A. Application of SWAT model for estimating runoff in future periods affected by climate change, Journal of Climatology. 2010; third and fourth number, 43-58 [Persian].##[5]. Minville M, Brissette F, Leconte R. Uncertainty of the impact of climate change on the hydrology of a nordic watershed, Journal of Hydrology, 2008; 358 (1-2): 70– 83.##[6]. Abdo KS, Fiseha BM, Rientjes T, Gieske ASM, and Haile AT., Assessment of climate change impacts on the##hydrology of Gilgel Abay catchment in Lake Tana Basin, Ethiopia. Hydrological Processes. 2009; 23 (26): 3661-3669.##[7]. Kamal A, Massah Bavani A, Gudarzi M. Assessment of Hydrological impacts of climate change on Qareh Soo sub-basin, 2nd National Congress on Dam Construction, Islamic Azad University of Zanjan, Zanjan, 2010; Iran, 10 pp. [Persian].##[8]. Liu X, Coulibaly P. Downscaling ensemble weather predictions for improved week-2 hydrologic forecasting. Journal of Hydrometeorology. 2011; (12): 1564-1580.##[9]. Laleh Siyah M, Fatahi E, Mahsafar H. The impact of climate change on river basin runoff Karum, the first national conference of the desert. 2012; 15 p [Persian].##[10]. Silberstein R, Aryal D, Jacqueline P, Mark B, Michael C, Stephen B, Lidia H, Geoffrey B, Michele VN, McFarlane D. Climate change and runoff in south-western Australia. Journal of Hydrology. 2012; 475: 441-455##[11]. Hamidiyan M, Soltani J, Ghandehari GH. Assess the impact of climate change on runoff chatchment Bar and Taghan Nishapurtimes the output of general circulation models (HadCM3). The first National Conference on Water and meteorology Iran, Graduate University of Advanced Technology, Kerman, Iran. 2013; 11 p. [Persian].##[12]. Bavay M, Grünewald T, Lehning M. Response of snow cover and runoff to climate change in high Alpine catchments of Eastern Switzerland. Adv. Water Resources. 2013; (55): 4-16.##[13]. Ashofteh PS, Bozorg Hadad O. Provide probabilistic approach to evaluate the effects of climate change on runoff. Journal of Water Resources, the sixth year.2013; 66-51 [Persian].##[14]. Lei H, Yang D, Huang M. Impacts of climate change and vegetation dynamics on runoff in the mountainous region of the Haihe River basin in the past five decades. Journal of Hydrology, 2014; (511): 786-79.##[15]. Sohrabiyan E, Meftah M, Ghorbani KH, Goliyan S, Zakeriniya M. The effect of climate change on hydrology model with the involvement of discharge areas (Case Study: Galikesh Area in Golestan Province). Journal of Soil and Water Conservation, the second number. 2014 ; 111 125. [Persian].##[16]. Hosseini SH, Ghorbani MA, Massah A. Rainfall-runoff modeling in the field of climate change in order to predict future trends Sofi Chay. Journal of Watershed Management.2015; Issue 11. [Persian].##[17]. Godarzi M, Salahi B, Hosseini SA. The effect of climate change on surface runoff changes (Case Study: Oroomeyeh). Ecohydrology. 2015; (2): 175-189. [Persian].##[18]. Zeinivand H., and De Smedt F, Spatially distributed modeling of soil erosion and sediment transport at watershed scale, World Environmental & Water Resources Congress (EWRI), 2009; 17-21 May, Kansas City, USA.## [19]. Semenov, MA, Brooks RJ, BarrowEM, Richardson CW, Comparison of the WGEN and LARS-WG stochastic weather generators in diver’s climates, Climate Research, 1998; (10): 95-107.##[20]. Wang Z, Batelaan O, De Smedt F. “A distributed model for Water and Energy Transfer between Soil, Plants and Atmosphere”. Journal of Physical Chemistry Earth, 1996; 21:189-193.##[21]. Liu YB., De Smet F, WetSpa of Manual, 2004; 1-126.##[22]. Liu YB, De Smedt F, WetSpa Extension, A GIS-based hydrologic model for flood prediction and watershed management and erosion and sediment transport simulation, Documentation and User Manual. 2004; 155 PP.##[23]. Talebmorad H, The effects of climate change on surface and underground water resources comprehensive hydrological model HydroGeoSphere in Hamedan-Bahar plain, Master Thesis, College of Agriculture, Isfahan University of Technology.2011##[24]. Bahremand A, Simulating the effects of reforestation on floods using spatially distributed hydrologic modeling and GIS. PhD thesis of Department of Hydrology and Hydraulic Engineering, Vrije universiteity Brussel, Brussels, Belgium. 2006; 150##[25]. Nurmohamed R, Naipal S, De Smedt F, Hydrologic modeling of the upper suriname river basin using WetSpa and Arcview GIS, Journal of Spatial Hydrology, 2006; 6 (1): 1-17.##[26]. Zeinivand H., and De Smedt F, Prediction of snowmelt floods with a distributed hydrological model using a physical snow mass and energy balance approach, Natural Hazards Journal, 2010; 54 (2): 451-468.##[27]. Safari A, De Smedt F, Moreda F, WetSpa model application in the distributed model intercomparison project (DMIP2). Journal of Hydrology. 2012; (418): 78-89.##

0 ارزیابی و تحلیل وضعیت منابع آب و خاک در مناطق 22گانه شهر تهران با استفاده از مدل نیروی محرکه، فشار، وضعیت و پاسخ Evaluate and analysis the water and soil resources in 22 regions of Tehran by using driving force, pressure, state and response https://ije.ut.ac.ir/article_60891.html 10.22059/ije.2017.60891 0 منابع آب و خاک از مهم‌ترین کالاهای ضروری در هر شهر یا کشور محسوب می‌شود که مصارف گوناگونی دارد. از مهم‏ترین موارد مصرف این منابع استفادۀ آب شرب، مصارف خانگی، استفاده در فعالیت‏های کشاورزی و دامداری، صنعتی و معدنی است. هدف از مقالۀ حاضر ارزیابی و تحلیل وضعیت منابع آب و خاک در مناطق شهری تهران است. پژوهش حاضر به‌لحاظ روش تحقیق با تبعیت از ماهیت مسئله، روشی تحلیلی‌ـ توصیفی است و داده‏های مورد نیاز از طریق مصاحبه و پرسشنامه جمع‏آوری شده است. برای وزن‏دهی به زیرشاخص‏ها از مدل تحلیل سلسله‏مراتبی و نرم‏افزار Expert choice، به‌منظور ترسیم نقشه‏ها و همپوشانی و تلفیق زیرشاخص‏ها از نرم‌افزار Arc GIS و برای تحلیل از مدل نیروی محرکه، فشار، وضعیت و پاسخ استفاده شده است. طبق یافته‏ها و بر‌اساس شاخص عملکرد محیطی (EPI)، مقدار شاخص منابع آب و خاک از 3/17 تا 9/41 متغیر بوده است و منطقۀ 20 ‌بدترین شرایط و مناطق 1 و 22 ‌شرایط مناسبی داشته‏اند. در مجموع و با روی‌هم‏گذاری لایه‏های زیرشاخص‏ها مشخص شد که منطقۀ 20 ‌شرایط بسیارنامناسب و نیز عملکرد بدتری در بین مناطق داشته است و بیشتر مناطق (9 منطقه) در شرایط نامناسب قرار گرفته‏اند و دو منطقۀ 1 و 4 شرایط بسیار مناسبی دارند. به‌طور کلی، پنج منطقه در شرایط مناسب قرار داشته‏اند و 17 منطقه شرایط نسبتاً مناسب تا بسیار نامناسب و عملکرد بدی داشته‏اند.       1 منابع آب و خاک Water and Soil Resources از From مهمترین The most important کالاهای Goods ضروری necessary در At هر Each شهر City یا Or کشور Country محسوب Is می‌گردد Is که That دارای have مصارف Expenditure گوناگونی variety می‌باشد. Is. از مهم ترین The most important موارد Items مصرف Consumption این منابع These resources مصرف Consumption آب Water شرب، Drinking, مصارف Expenditure خانگی، Homemade, استفاده Use در At فعالیت‌های Activity کشاورزی Agriculture و And دامداری، Livestock, صنعتی Industrial و And معدنی Mineral است. Is. هدف از مقاله حاضر ارزیابی و تحلیل وضعیت منابع آب و خاک در مناطق شهری تهران می‌باشد. The purpose of this paper is to evaluate and analyze the water and soil resources in urban areas in Tehran. پژوهش حاضر به لحاظ روش تحقیق با The present research method تبعیت Adherence از From ماهیت nature مسئله، Question, روشی Way تحلیلی- Analytical توصیفی Descriptive است و داده‌های مورد نیاز از طریق مصاحبه و پرسسشنامه جمع آوری شده است. and required data were collected through interviews and questioners. جهت وزن دهی به زیرشاخص‌ها از مدل تحلیل سلسله مراتبی و نرم افزار Expert choice، جهت ترسیم نقشه‌ها و همپوشانی و تلفیق زیرشاخص‌ها از نرم افزار Arc GIS و جهت تحلیل از مدل نیروی محرکه، فشار، وضعیت و پاسخ استفاده شده است. For weighting the sub-criteria model and software AHP Expert choice, to map and overlying sub Arc GIS software and to the analysis of the driving force, pressure, state and responses are used. بر طبق یافته‌ها و بر اساس شاخص عملکرد محیطی ( EPI )، مقدار شاخص منابع آب و خاک از 17.3 تا 41.9 متغیر بوده است و منطقه 20 دارای بدترین شرایط و مناطق 1 و 22 دارای شرایط مناسبی بوده اند. According to the findings, based on the environmental performance index (EPI), soil and water resources of 17.3 to 41.9 indexes varied and regions 1 and 22 regional and 20 the worst conditions were suitable. در مجموع و با رویهم گذاری لایه‌های زیرشاخص‌ها مشخص گردید که منطقه 20 دارای شرایط بسیارنامناسب و نیز دارای عملکرد بدتری در بین مناطق بوده است و اکثر مناطق (9 منطقه) در شرایط نامناسب قرار گرفته اند و دو منطقه 1 و 4 از شرایط بسیار مناسبی برخوردار می‌باشند. A total of sub-layers was determined by overlaying the area 20 very appropriate conditions and also has been performed worse across regions and most of the regions (9 regions) are in poor condition and two regions 1 and 4 of the conditions rather good. به طور کلی 5 منطقه در شرایط مناسب قرار داشته اند و 17 منطقه دارای شرایط نسبتاًمناسب تا بسیار نامناسب و دارای عملکرد بدی بوده اند. In general, five regional and 17 areas under appropriate conditions have been very unfavorable conditions relatively appropriate to have a bad performance.     103 118 ژیلا سجادی Zhila Sajadi انشیار جغرافیا و برنامه‏ریزی شهری، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی ایران j-sajadi@sbu.ac.ir محمد صادق افراسیابی Mohammad Sadegh Afrasiyabi Rad دانشجوی دکتری جغرافیا و برنامه‏ریزی شهری، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی‌ ایران msafrasiyabi@yahoo.com جمیله توکلی نیا Jamile Tavakolinia دانشیار جغرافیا و برنامه‏ریزی شهری، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی ایران j_tavakolinia@sbu.ac.ir حسین یوسفی Hossein Yousefi استادیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران ایران hyousefi2000@yahoo.com تهران کیفیت آب و خاک مدل DPSR منابع آب و خاک 1- Helperin،A. N.،Beckman،D. S.،Inwood،D. California’s Contaminated Groundwater، Natural Resources Defense Council. 2001. pp12-14،see information in: http://capp.water.usgs.gov/GIP/gw_gip gw_a.html.##2- Giuliano،G.،Carone،G.،Corazza،A.،1998. Mapping Pollution of Groundwater Used for Drinking Water Supply،Rome،Italy. GNDCI Publication. 1875, one oversized sheet.##3- Rubhera،R.A.M.،Eindhoven،M.،«Groundwater pollution in urban Dar es Salaam Tanzania: assessing vulnerability and protection priorities»،MSc Thesis in Irrigation management major،University of Technology،The Netherlands،June 2002. pp. 98-109.##4- Faithful،J. and Finlayson،W. Water quality assessment for sustainable agriculture in the Wet Tropics-A community assisted approach. Marine pollution Bulletin. 2005. Vol. 51(1-4)،pp.99-112.##5- Jalili،M. Assessment of the chemical components of Feminine groundwater, western Iran. Environmental Geochemistry and Health Journal. 2007. Vol. 29(5)،pp.357-374##6- Patwardhan -A، «Changing status of urban water bodies and associated health concern in Prune،India»- Proceedings of the Third International Conference on Environment and Health، 2003- Delhi-India.##7- Xaun،V. Ground water pollution in Hochiminh city and its prevention-case study،Annual Report of FY 2001، The Core University Program between Japan society for the Promotion of Science (JSPS) and National Centre for Natural Science and Technology (NCST). 2001. Volume.P.1- P.7،pp.4-5.##8- Junbing،Pu.،Daoxian،Y.،Cheng Z.،Heping،Z. Hydrogeochemistry and possible sulfate sources in karst groundwater in Chongqing China. Environmental Earth Sciences Journal. 2003. Vol. 68(1)، pp. 159-168.##9- USEPA. Drinking Water Advisory: Consumer Acceptability Advice and Health Effects Analysis on Methyl Tertiary-Butyl Ether،U.S. Environmental Protection Agency, Office of Water. 2010. EPA-822-F-97-009.##10- Garduño،H.،Saleem،R.،Sengupta،B. India Groundwater Governance Case Study، Water Papers. 2014. pp.9-10،see information in: http: //www.worldbank.org/water.##11- Radojevic،M.V. & Bashkin،N،«Practical environmental analysis»،3rd ed،London،Royal Society of Chemistry.1999.520p.##12- Ayers،R.S.،Westcot،D.W. Water quality for agriculture،FAO Irrigation and Drainage Paper. 1985. 29 Rev. 1،see information in: http://www.fao.org/docrep/003/t0234e /t0234e00htm.##13- Anzecc & Armcanz. Australian Water Quality Guidelines for Fresh and Marine Water. 2015.،see information in: http://www.environment.gov.au/water/ publications/quality/index.htm.##14- Wilcox،L.V. The Quality of IrrigationWater. US Dept. of Agricultural Technology Bulletin. 2008. Vol. 962، pp.1-40.##

0 ارزیابی روش های پهنه بندی فرسایش خندقی (مطالعه موردی: حوزه آبخیز آبگندی) Assessment of Gully Erosion Zonation Methods (Case study: Abgendi Watershed) https://ije.ut.ac.ir/article_60893.html 10.22059/ije.2017.60893 0 فرسایش خندقی یکی از فرایندهای فرسایشی است که به‌طور گسترده‏ای بر شکل ظاهری زمین اثر می‏گذارد. توسعۀ خندق سبب هدررفت مقدار زیادی خاک می‌شود. از این‌رو، می‏توان از آن به‏عنوان یکی از علل اصلی تخریب زمین و محیط ‏زیست نام برد. در این تحقیق مدل ارائه‌شده برای پهنه‏بندی فرسایش خندقی در شرایط مناطق خشک و نیمه‌خشک، به‌منظور واسنجی و اعتبار‌یابی آن در استان کهگیلویه و بویراحمد بررسی شد. بنابراین، با بررسی پراکنش فرسایش خندقی در سطح استان، حوضۀ آبگندی انتخاب و برای انجام تحقیق در نظر گرفته شد. در این حوضه با تهیۀ نقشه‏های مختلف کاربری اراضی، واحدهای اراضی، سنگ‌شناسی، شیب، نقشۀ واحد کاری استخراج و بر‌اساس آن واحدهای کاری انتخاب شد. در هر واحد کاری از طریق نقشه‌برداری خندق‏ها خصوصیات ظاهری و مورفومتری خندق‏ها استخراج شد. در هر واحد وضعیت نفوذ‌پذیری و درصد حفاظت روی خاک نیز بررسی شد. همچنین ارزش کمی شش لایه نقشۀ ورودی به مدل (شامل سنگ‌شناسی، درصد شیب زمین، نوع خاک، متوسط بارندگی سالانه، نوع استفاده از زمین و درصد حفاظ روی خاک) تعیین شد. درنهایت، براساس آن نقشۀ پهنه‏بندی فرسایش خندقی با استفاده از روش یا مدل شاخص همپوشانی و عملگرهای جمع جبری فازی، ضرب جبری فازی و گامای فازی در محیط GIS شد. با توجه به نتایج به‏دست‏آمده و با در‌نظر‌گرفتن مساحت پهنه‌های مختلف و میزان خندق‏های رخ‌داده در هر‌یک از آنها، مدل گامای فازی 8/0 مناسب‌ترین روش پهنه‏بندی فرسایش خندقی در حوضۀ مطالعه‌شده است.         1 Surface. The development of gullies causes the loss of a great amount of soil and could be considered as one of the principal causes of geo-environmental degradation. In this research FAZI model introduced for gully erosion zonation in arid and semiarid area considered to calibration and validation in Kahkiloeh and Boyerahmad Province. Therefore, the ABGANDI watershed were selected by consideration of gully erosion distribution in Kahkiloeh and Boyerahmad Province. In this region the maps of lithology, slope, soil, rainfall, land cover and land use were extracted and thus selected the working units. In each of the units, gullies morphometric, soil penetration condition and soil conservation percent characteristics with survey investigated. Also, determinates the quantity value of six maps model input layer include (lithology, percent of slop, soil type, annual average precipitation, land use and percent of soil conservation) was determined. Finally, gully erosion mapping using overlay index, fuzzy algebraic sum, fuzzy algebra product and fuzzy gamma in GIS performed. Obtained result of different regions indicated that the fuzzy gamma model 0.8 is the proper method to gully erosion zoning in studied watershed.         119 132 عبدال شهریور Abdal Shahrivar استادیار، مرکز تحقیقات آبخیزداری استان کهگیلویه و بویراحمد ایران abdal_shahrivar@yahoo.com صمد شادفر Samad Shadfar دانشیار، پژوهشکدۀ حفاظت خاک و آبخیزداری ایران samad.shadfar@gmail.com مجید خزایی Majid khazae دانشجوی دکتری آبخیزداری، دانشگاه هرمزگان ایران khazayi64@gmail.com بهزاد عادلی Behzad Adeli دانشجوی دکتری آبخیزداری، دانشگاه هرمزگان ایران adeli2info@gmail.com پهنه‏ بندی حوضۀ آبگندی فازی فرسایش خندقی مدل‏سازی منابع##Morgan RP. Soil erosion and conservation. John Wiley & Sons; 2009 Feb 5.## Carey BJ, Gray. Gully erosion. Department of Natural Resources and Mines, the State of Queensland; 2001. [on line] Available: http://www.gcenvironment.org.au/pdf/ LM81w.pdf.##Kirkby MJ. Thresholds and instability in stream head hollows: a model of magnitude and frequency for wash processes. School of Geography, University of Leeds; 1992.## Webb RH, Hereford R. Flood and geomorphic change in the southwestern United State: a historical prespective. Proc. 7th Federal Interagency sedimentation Conf; 2001 March 25-29, Reno, Nevada, USA, IV 30 -IV 37.##Prosser IP. Thresholds of channel initiation in historical and Holocene times, southeastern Australia. Advances in hillslope processes. 1996; 2:687-708.##Harvey AM. Holocene hillslope gully systems in the Howgill Fells, Cumbria. Advances in hillslope processes. 1996; 2:731-52.## Poesen J Nachtergaele J, Deckers J. Gullies in the Tersaert Forest (Huldenberg, Belgium): Climatic or anthropogenic cause? In: Verstraeten, G. (Ed.), Gully Erosion Processes in the Belgian Loess Belt: Causes and Consequences. International Symposium on Gully Erosion under Global Change, K.U. Leuven, Leuven, Belgium, 16-19 April 2000. pp. 15-26.##Gábris G, Kertész Á, Zámbó L. Land use change and gully formation over the last 200 years in a hilly catchment. Catena. 2003 Jan 1; 50(2):151-64.##Boardman J, Parsons AJ, Holland R, Holmes PJ, Washington R. Development of badlands and gullies in the Sneeuberg, Great Karoo, South Africa. Catena. 2003 Jan 1; 50(2):165-84.##Strunk H. Soil degradation and overland flow as causes of gully erosion on mountain pastures and in forests. Catena. 2003 Jan 1; 50(2):185-98.## Scheidegger AE. Theoretical geomorphology. Springer Science & Business Media; 2012 Dec 6.## Howard AD. Simulation of Stream Networks by Headword Growth and Branching. Geographical analysis. 1971 Jan 1; 3(1):29-50.##Hugus MK, Mark DM. Spatial data processing of digital simulation of erosion. Technical Paper of the Fall Convention of the American Society of Photogrammetry / American Congress on Surveying and Mapping, 1988. pp. 683-693.##Willgoose G, Bras RL, Rodriguez‐Iturbe I. Results from a new model of river basin evolution. Earth Surface Processes and Landforms. 1991 May 1; 16(3):237-54.##Moore ID, Burch GJ, Mackenzie DH. Topographic effects on the distribution of surface soil water and the location of ephemeral gullies. Trans. ASAE. 1988 Jul 1; 31(4):1098-107.##Morgan RPC, Mngomezulu D. Threshold conditions for iniation of Valley -side gullies in the Middle Veld of Swaziland. Catena. 2003; 50: 401-414.##Marzolff I, Poesen J. The potential of 3D gully monitoring with GIS using high-resolution aerial photography and a digital photogrammetry system. Geomorphology. 2009 Oct 1; 111(1):48-60.##Achten WM, Dondeyne S, Mugogo S, Kafiriti E, Poesen J, Deckers J, Muys B. Gully erosion in South Eastern Tanzania: spatial distribution and topographic thresholds. Zeitschrift für Geomorphologie. 2008 Jun 1; 52(2):225-35.## Jafarai Gorzin B, Kavian A. Assessment of Gully Erosion Occurrence in Sorkh-Abad Watershed Using Remote Sensing and Geographical Information System. Iran-Watershed Management Science & Engineering. 2009; Vol. 3, No. 7, 55-58. (In Persian).##Rahi1 GhR, Nazari Samani AA, Ghoddousi J. Validation of the predicting model for land vulnerability to gully erosion in arid watersheds (Case study: Boushehr province). Journal of Range and Watershed Management, Iranian Journal of Natural Resources. 2011; Vol. 64, No.3, pp.281- 294. (In Persian).##Esfandyari doraba F, Beheshti javid E, fathi Mh. Gully erosion Susceptibility Evaluation using fuzzy logic model(Case study: Golestan dam catchment-Ghornave River). Secend International Conference on Environmental Hazards. Kharazmi University. 2013; Pp 10. (In Persian).##Farajzadeh M, Afzali AA, Khalili Y, Ghelichi EA. Assessment of the sensitivity to gully erosion using multiple regression models. Case Study: Kiasar, , environmental erosion research journal. 2012; 2(6): 57-42. (In Persian).##Ahmadi M. Analysis factors affecting on formation and expansion gully erosion, Case study: Lamerd. MS Thesis, School of Geography Tehran University. 2011; Page 11. (In Persian).##Zadeh LA. Fuzzy sets. Information and control. 1965 Jun 1;8(3):338-53.##De Gooijer JG, Hyndman RJ. 25 years of time series forecasting. International journal of forecasting. 2006 Dec 31; 22(3):443-73.##Ayalew L, Yamagishi H, Marui H, Kanno T. Landslides in Sado Island of Japan: Part II. GIS-based susceptibility mapping with comparisons of results from two methods and verifications. Engineering Geology. 2005 Nov 30; 81(4):432-45.## Matekan AA, Samiea J, Poorali SH, Safaei M. Fuzzy Logic Models and Remote Sensing Techniques for Landslide Hazard Zonation in the Watershed Lajym. Appliedgeology Journal. 2009; 4: 318-325.##Mirnazari J, Shahabi H, KHezri S. Landslide Risk Assessment and Zonation using AHP Model and Fuzzy Logic Operators in the Posht Tang Watershed-Sarpol-e Zahab (Kermanshah Province). Geographical Development. 2014; (37): 53-70.## Shadfar S, Yamani M, GHodoosi J, Ghayoomiean J. Risk Landslide Zonation using Analytic Hierarchy Process (AHP), Case Study: Chakrood Watershed in the Tonekabon. Research and Construction in Natural resources. 2007; 20 (75): 118-126.##Servati M, Ghedosi J, Dadkhah M. Factors affecting in the formation and development of gully erosion in the losses, research and construction in natural resources. 2008; No. 21. (In Persian).##Shahrivar A. Factors Effecting Gully Erosion and Model Presentation in Souq- Dehdasht, Master’s Thesis, Faculty of Natural Resources, University of Tehran. 1997; (In Persian).##Karam A, Ghelizade A, Agha alikhani M, Afsharmamesh H. The application of Topsis and Fuzzy models in mapping of landfall movements. 2013; NO. 3. Pp. 75-94. (In Persian).##Nazm far H, Beheshti javid E, fathi MH. Potential flooding and flood risk zonation using fuzzy logic model (Case study: ghuri chay river catchment). Secend International Conference on Environmental Hazards. Kharazmi University. 2013; Pp 9. (In Persian).##

0 ارزیابی و مقایسه‌ی چند نمایه خشک‌سالی اقلیمی و تعیین بهترین نمایه در ایران مرکزی Assessment and comparison of multiple index climatic droughts and determine the best Index in central Iran https://ije.ut.ac.ir/article_60895.html 10.22059/ije.2017.60895 0 هدف از این پژوهش بررسی کارایی هشت نمایۀ خشک‏سالی در استان‏های اصفهان، کرمان و یزد و انتخاب بهترین نمایه است. بدین‌منظور، با استفاده از داده‏های ماهانه و سالانۀ بارش طی دورۀ 30 ساله (1985‌ـ 2014) و با استفاده از هشت نمایۀ خشک‏سالی در 20 ایستگاه هواشناسی مرکز ایران دقت هر یک از نمایه‏ها در تعیین خشک‏سالی بررسی شده است. پهنه‏بندی نیز در نرم‏افزار 3/9 ARC GIS برای خشک‏ترین سال طی دورۀ آماری و بر‌اساس بهترین نمایۀ انتخابی صورت گرفته است. برای انتخاب بهترین نمایه‏ها در مقیاس ماهانه و سالانه از سنجۀ کارآمد تقارن سال وقوع کمینۀ بارندگی با خشک‏سالی بسیار شدید در ایستگاه‏های منطقه استفاده ‏شده است. نتایج نشان داد در مقیاس ماهانه فقط نمایۀ SPI 6 و 12 ماهه برای پایش خشک‏سالی حتی در ماه‏های کم‌باران که با داده‏های صفر مواجه می‏شوند را داراست. در این مقیاس زمانی نمایه‏های استاتیک مثل RAI و  DIقادر به تعیین شرایط واقعی خشک‏سالی نیستند؛ اما در مقیاس سالانه نمایه‏های RAI و DI در همۀ ایستگاه‏ها سال کمینۀ بارندگی را مطابق با خشک‏سالی بسیار شدید نشان داده بودند و به‏عنوان بهترین نمایه شناخته شدند. ضعیف‏ترین نمایه نیز متعلق به نیچه بود که توانایی تعیین شدت خشک‏سالی را در کل منطقۀ مطالعه‌شده نداشت. در مقایسۀ کارایی نمایۀ RAI و SPI نیز مشخص شد که نمایۀ RAI رخداد خشک‏سالی بسیار شدید را در همۀ منطقه نشان داده است، اما نمایۀ SPI در چند ایستگاه قادر به نمایش ردۀ خشک‏سالی بسیار شدید طی دورۀ 30 ساله در منطقۀ ایران مرکزی نبوده است.   1 The aim of this research is to analyze the performance of 8 drought’s index in Isfahan, Kerman and Yazd province and choose the best index. For this purpose, used monthly and yearly rainfall data in the period of 30 years (1985-2014) and also used 8 drought indexes in 20 meteorological stations of central Iran which the accuracy of each index in determining drought is examined. Also zoning in ARC GIS 9.3 has done for driest year in the time period. And it has performed according to the best selected index. For choosing the best index in annual and monthly scale has used the efficient measure of minimum precipitation occurrence year with severe droughts in region’s stations. The results showed that in the monthly scale only 6 and 12 months of SPI index in order to analyze the drought even in low rainfall months which confront with zero data contains. In this temporal scale, static indexes such as RAI and DI in all the stations showed the minimum precipitation year according to severe droughts and named as the best index. Also the weakest index belonged to NICHE that had not the ability of determining the drought intensity in all the study’s region. In comparison the performance of RAI and SPI determined which RAI index showed the severe drought in all the study’s region but SPI index could not show the severe drought category in the period of 30 year in the region of central Iran in some stations.         133 147 عباس علیپور Abbas Alipour استادیار جغرافیای سیاسی دانشگاه امام حسین‌(ع)، تهران ایران aivan31@yahoo.com مصطفی هاشمی Mostafa Hashemi دانشجوی دکتری جغرافیای سیاسی دانشگاه آزاد علوم تحقیقات تهران ایران m.hashemi2006@gmail.com سید اسعد حسینی Seyed Asaad Hosseini دکتری اقلیم‌شناسی دانشگاه محقق اردبیلی ایران hosseini.asad8@uma.ac.ir فرشاد پژوه Farshad Pazhooh دانشجوی دکتری اقلیم‌شناسی دانشگاه خوارزمی تهران ایران farshad.pazhooh@yahoo.com ایران مرکزی بارندگی پهنه‏بندی خشک‏سالی نمایۀ RAI 1-      Alijani B, and Kaviani MR. Principles of Climatology. 6nd ed. Tehran: Samt; 2011.##2-      Beroughani M, Taie M, Sydkhalaq m.Analyze the relationship between hydrological and climatological droughts Plains Sabzevar using SWI and SPI indices. Range and Desert Reasearch Iranian Journal.2013; 4(20): 733-744. [Persian]##3-      Ensafi Moghadam T.Evaluation of climatic drought index and determine the best index in the Salt Lake basin. Range and Desert Reasearch Iranian Journal. 2007; 14 (2): 271-288. [Persian]##4-      Farajzadeh M. Climatology techniques.7nd ed. Tehran: Samt; 2015.##5-      Gibbs WJ, and Maher JV. Rainfall deciles as drought indicate. Bulletin. Bureau. Journal of Meteorology, 1967; 48: 34-41.##6-      Gao Y, Markkanen T, Thum T, Aurela M, Lohila A, Mammarella A, Kämäräinen M, Hagemann S, Aalto T. Assessing various drought indicators in representing summer drought in boreal forests in Finland. Journal of Hydrol Earth Syst Sci.2016; 20:175–191.##7-      Homdee T, Pongput K, Kanae S. A comparative performance analysis of three standardized climatic drought indices in the Chi River basin, Thailand. Journal of Agriculture and Natural Resources. 2016; 50: 211-219.##8-      Hussaini Seyed A, Arghavani A, Azadi mobaraki M, Mohammadpur K. Drought monitoring and trends in the city of Sanandaj. The fifth regional conference on findings of Agriculture.University of Kurdistan. 2011.##9-      Jun LY, ZX D, LU F, MA J. Analysis of drought evolvement charac-teristics based on standardized Preci-pitation index in the Huaihe River Basin. Journal of Procedia Eng.2012; 28: 434 – 437.##10-  Jahangir MH, Khoshmashraban M, Yousefi H. Drought monitoring with Standard Precipitation Index (SPI) and drought forecasting with Multi-layers perceptron (Case study: Tehran and Alborz Provinces). Iranian Journal of Ecohydrology.2016; 2 (4):417-428.##11-  Khalili A, Bazrafshan J. Evaluation of the effectiveness of several examples of climate meteorological drought indices in Iran. Journal of weather. 2003; 48: 79-93.##12-  Karimi M, Shahedi K, Khosravi K, Edrisi T. Evaluation of interpolation methods in order to meteorological drought zoning in the plains of Neka-Sari, Journal of natural environmental hazards.2016; 7:13-28.##13-  Kendall MG, and Stuart A. The advanced theory of statistics.7nd ed. London: Charles Griffin & Company; 1997.##14-  Mirzaee A, and Gholamali S. softwares specialized water engineering.1nd ed. Tehran: Qian green computing; 2011.##15-  Mckee TB, Doesken NJ, Kleist J. Drought monitoring with multiple time scales. Ninth Conference on Applied Climatology. American Meteorological Society. Jan 15- 20, Dallas TX.1995; 233-236.##16-  Naserzadeh MH, Ahmadi E. Evaluation of indices of meteorological drought in drought monitoring and mapping of them in Qazvin province. Journal of Applied research Geographic Sciences. 2012; 2(27): 141-162.##17-  Nikbakht J, Tabari H, Talaee P. Streamflow drought severity analysis by percent of normal index (PNI) in northwest Iran. Journal of Theoretical and applied climatology. 2013; 112(3-4):565-573.##18-  Naumann G,Dutra E, Barbosa P, Pappenberger F, Wetterhall F, Vogt V. Comparison of drought indicators derived from multiple data sets over Africa. Hydrol. Earth Syst Sci. 2014; 18:1625–1640.##19-  Piri H, Rahdari V, Maleki S. Check and compare the performance of four meteorological drought indices in drought risk management Sistan-Baluchistan province. Journal of Irrigation and water. 2013; 11: 96-114.##20-  Rezie T. Characteristics of drought in arid and semi-arid region of Iran. Journal of Watershed Engineering and Management.2016; 7 (4):363-378.##21-  Rooy M, and Van P. A rainfall anomaly index indeoendent of time and space. Journal of Notos. 1965; 14: 43-48.##22-  Shayegh E, and Soltani S. Comparison of drought in Yazd province. Journal of Soil and Water Sciences.2010; 57: 231-250.##23-  Sebghati M, Ahmadi Birgani H, Moghaddam A. The calculation of continuity and intensity of droughts using modified SPEI index (case study: Tabriz and Urmia Cities). Journal of Environ and Water Eng.2016; 2(2): 188-195.##24-  Wilks DS. International variability and extreme-value characteristics of several stocastic daily precipitation models. Journal of Agricultural and forest meteorology.1998; 99: 547-554.##

0 روش های مهندسی زیستی خاک استفاده شده در مدیریت آب و تثبیت شیب های تند Soil bioengineering Methods used in water management and stabilization slopes steep https://ije.ut.ac.ir/article_60897.html 10.22059/ije.2017.60897 0 مهندسی زیستی خاک علمی کاربردی و ترکیبی از مفاهیم ساختاری، بیولوژیکی و زیست‌محیطی به‏منظور کنترل فرسایش، رسوب و سیل است. تکنیک‏های مهندسی زیستی در دانش بیولوژیکی تکیه برای ساخت سازه‏های ژئوتکنیکی و هیدرولیکی دارند و برای تضمین دامنه و دیواره‏های ناپایدار به‏کار برده می‏شوند. بزرگ‏ترین افزایش در توسعۀ روش‏های جدید مهندسی زیستی خاک در اروپا در طول دهۀ 1900 بود. مطالعات ثبت‌شده نشان داد اولین آزمایش‌های ثبت‌شده شامل گزارش‌ها و انتشارات در مناطقی از آلپ، آسیا، آلمان و سوئیس تولید شده است. مهندسی زیستی خاک استفاده از مواد گیاهی زنده است که در سازه‏های مهندسی استفاده می‏شود و برای درمان سایت‏هایی با مشکلاتی مانند ثبات خاک سطحی و فرسایش خاک استفاده می‏شود. در این تحقیق برخی روش‏های مهندسی زیستی در مدیریت آب از جمله زهکش‏های دسته‏ای زنده، نرده‏های لجنی زنده، لایه‌لایه قرار‌دادن بوته، فنس‏های زنده، میخ چوبی زنده و... و تثبیت شیب‏های تند مانند حصارهای دیواره‏ای، لایه‏های بوته‏ای اصلاح‌شده، لایه‏های بوته‏ای زنده در یک شکاف و دیوار تخت زنده ارائه می‏شود. روش‏هایی مانند حصارهای دیواره‏ای و لایه‏های بوته‏ای اصلاح‌شده می‏توانند برای دامنه‏های ناپایدار و یا کاهش زاویۀ شیب استفاده شوند و همچنین به استقرار پوشش گیاهی کمک می‏کنند.     1 The soil bioengineering is an applied science that it is the composition of structural, biological and environment concepts for soil erosion, Sediment and flood control. Biotechnical engineering techniques rely on biological knowledge to build geotechnical and hydraulic structures and to secure unstable slopes and banks. The largest enhancement in development of new soil bioengineering methods happened in European and 1900s. The recorded document showed that the first documented experiences, including reports and publications, were produced in the areas of the Alps, Austria, Germany, and Switzerland. Soil bioengineering is the living plant materials that this use in engineering structures and apply sites treatment with problems including surface soil stability and soil erosion. In this study, some methods of soil bioengineering presented in water management such as Live Pole Drains, Live Silt Fences, Brush Layering, Live Fascine, Live Stake and etc. and Steep slope stabilization such as Wattle Fences, Modified Brush Layers, Brush Layers in a Cut ,Live Cribwall. Techniques such as wattle fences and modified brush layers can use for unstable slope or reducing slope angle and also help in vegetation establishment.         149 162 لیلا غلامی Leila Gholami استادیار گروه مهندسی آبخیزداری، دانشکدۀ منابع طبیعی دانشگاه علوم کشاورزی و منابع طبیعی ساری ایران gholami.leily@yahoo.com نبیه کریمی Nabiyeh Karimi دانشجوی کارشناسی ارشد، گروه مهندسی آبخیزداری، دانشکدۀ منابع طبیعی دانشگاه علوم کشاورزی و منابع طبیعی ساری ایران nabiyeh.karimi@yahoo.com عطااله کاویان Ataollah Kavian دانشیار، گروه مهندسی آبخیزداری، دانشکدۀ منابع طبیعی دانشگاه علوم کشاورزی و منابع طبیعی ساری ایران a.kavian@sanru.ac.ir اراضی حاشیۀ رودخانه تثبیت‏ کننده های خاک حفاظت خاک فرسایش خاک [1]. Schiechtl HM, Stern R. Ground bioengineering techniques for slope protection and erosion control. Blackwell Science Publications. ISBN: 0-632-04061-0. 1997.##[2]. Gray DR, Leiser AT. Biotechnical slope protection and erosion control. New York: Van Nostrand Reinhold Company. New York. 1982..##[3]. Lewise L, Soil bioengineering an alternative for roadside management. A practical guide. Technical Report 0077-1801-SDTDC. San Dimas, CA: U.S. Department of Agriculture, Forest Service, San Dimas Technology and Development Center. 2000; 44 p.##[4].Li, M.H., Eddleman, K.E., 2002. Biotechnical engineering as an alternative to traditional engineering methods: a biotechnical streambank stabilization design approach. Landscape Urban Plan. 60, 225–242.##[5]. Finney KP. Bioengineering solutions, A tool for education. Eugene OR: University of Oregon. Thesis. 1993.##[6].Stiles R Engineering with vegetation. Landscape Design. 1988 172:57–61.##[7]. Gray DH, Leiser TA, White CA. Combined vegetative structural slope stabilization civil engineering. 1980; 50(1):82-85.##[8].Evette A, Labonne S, Rey F, Liebault F, Jancke O, Girel J. History of Bioengineering Techniques for Erosion Control in Rivers in Western Europe. Environmental Management (2009): 43,972–984.##[9].Lan G, Jiarong G, Kaili G, Ye K, Xiaobo Z, Bing W. Brush Mattress – A Soil Bioengineering Technique##for Ecological Riverbank Construction. Environmental and Biological Sciences (2012): 13-14##[10].Dhital Y, Tang Q. Soil bioengineering application for flood hazard minimization in the foothills of Siwaliks, Nepal. Ecological Engineering 74 (2015): 458–462.##[11]. Schlu¨ter U, Zur Geschichte der Ingenieurbiologie. Landschaft Stadt, (1984) 16:2–9.##[12]. Binkley D, Cormack KJ, Fredriksen, RL. Nitrogen accretion and availabilityin some snowbush ecosystems. Forest Sci. 1982; 28(4):720-724.##[13]. Schiechtl H. Bioengineering for land reclamation and conservation. Edmonton, Canada. The University of Alberta Press. 1980.##[14]. Sotir RB, Gray DH. Soil bioengineering for upland slope protection and erosion reduction. Engineering Field Handbook. Soil Conservation Service. Chapter 18. 1992.##[15]. Lewis EA, Ogg LW. Soil bioengineering project descriptions. Unpublished report for Olympic National Forest, Hood Canal Hanger District. 1993.##[16]. Gray DR, Sotir RB. Biotechnical and soil bioengineering slope stabilization. John Wiley andSons, Inc. 1996.##[17]. Polster Environmental Services. Soil bioengineering for forest land reclamation and stabilization. British Columbia Ministry of Forests. 1998.##[18].Li X, Zhang L, Zhang Z. Soil bioengineering and the ecological restoration of riverbanks at the Airport Town, Shanghai, China. Ecological Engineering 26 (2006): 304–314.## [19]. Leiser AT, Nussbaum JJ, Kay B, Paul J, Thornhill W. Revegetation of disturbed soils in the tahoe basin. California Department of Transportation, Sacramento, California. 1974.##

0 تحلیل تغییرات ناگهانی و ناهمگنی متغیرهای هیدرو- اقلیمی (مطالعه موردی : حوزه آبخیز آجی چای) Shift changes and heterogeneity analysis of hydro-climatic variables (A case study: Aji Chai Watershed) https://ije.ut.ac.ir/article_60899.html 10.22059/ije.2017.60899 0 ‌تحلیل روند و تغییرات ناگهانی و ناهمگنی متغیرهای هیدرو‌ـ اقلیمی اهمیت زیادی در مدیریت و برنامه‏ریزی منابع آب ‌دارد. بدین‌منظور برای تحلیل روند و ناهمگنی بیشترین و کمترین دما از 2 ایستگاه باران‌سنجی، برای بارش از 7 ایستگاه باران‌سنجی و برای دبی از 7 ایستگاه آب‌سنجی با طول دورۀ آماری 40 سال (1351 تا 1390) استفاده شد. در تحلیل روند بیشترین و کمترین دمای سالانۀ نتایج نشان داد هر دو ایستگاه روند افزایشی معنا‏دار در سطح 1 درصد داشته است. نتایج تحلیل روند تغییرات بارش نشان داد روند تغییرات بارش هم از لحاظ زمانی و هم از لحاظ مکانی تغییرات مشخصی طی چهار دهۀ گذشته نداشته است و تعیین الگوی دقیق تغییرات نسبت به متغیرهای دیگر در منطقه دشوار است. از 7 ایستگاه بررسی‌شدۀ آب‌سنجی، 5 ایستگاه روند کاهشی معنا‏دار داشته است. بنابراین، دبی بیشترین روند تغییرات کاهشی را در بین متغیرهای بررسی‌شده در منطقه داشته است. تحلیل تغییرات ناگهانی پارامترهای هیدرو‌ـ اقلیمی توسط چهار آزمون ناهمگنی مشخص شد که به‌طور متوسط 50/50 درصد از سری‏های زمانی بیشترین دما، 50/62 درصد از سری‏های زمانی کمترین دما‌، 25/26 درصد از سری‏های زمانی بارش و 45 درصد از سری‏های زمانی دبی ناهمگنی در سطح اطمینان 95 در ایستگاه‏های مطالعه‌شده داشتند. بررسی تغییرات ناگهانی در داده‏های بیشترین و کمترین دما نشان داد همۀ تغییرات در جهت مثبت است یا به‌بیانی تغییرات ناگهانی افزایشی بوده است. در مقایسه با داده‏های دما، تغییرات ناگهانی داده‏های بارش همانند روند تغییرات آنها از الگوی خاصی پیروی نمی‏کردند. در حالت کلی از لحاظ زمانی، تغییرات ناگهانی متغیرها در بیشتر موارد در دهۀ 1370 اتفاق افتاده است.   1 Shift changes and heterogeneity analyses of hydro-climatic variables is very important in water resources planning and management. In order to shift changes and heterogeneity analyses of Tmin and Tmax, precipitation and discharge, 2, 7 and 7 stations was used over the 40 years (1972-2011), respectively. The results of annual Tmin and Tmax series showed that both of two stations had the significant increasing trend in 1 significance level. The results of precipitation showed no specific spatio-temporal trend in four last decades and identifying the exact pattern of changes was difficult in compared with other variables. Among 7 hydrometric stations, 5 stations showed the significant increasing trend. However, discharge had the most decreasing trend among the studding variables. Shift changes analyses of hydro-climatic variables by four heterogeneity tests, generally indicated the 50.5 percent of Tmax series, 62.5 percent of Tmin series, 26.25 percent of precipitation series and 45 percent of discharge series had heterogeneity in 95% confidence level in the studding stations. Studding shift changes in Tmin and Tmax series showed that all of the changes were positive/ or increasing. In compare with temperature series, shift changes of precipitation as same as its trend have no specific trend. In general, temporally all of the changes occurred in 1990s.   163 175 مجید کاظم زاده Majid Kazemzadeh دانشجوی دکتری مهندسی آبخیزداری‌ـ آب، دانشکدۀ منابع طبیعی دانشگاه تهران ایران mkazemzadeh@ut.ac.ir آرش ملکیان Arash Malekian دانشیار دانشکدۀ منابع طبیعی دانشگاه تهران ایران malekian@ut.ac.ir علیرضا مقدم نیا Ali Reza Moghaddamnia دانشیار دانشکدۀ منابع طبیعی دانشگاه تهران ایران a.moghaddamnia@ut.ac.ir شهرام خلیقی سیگارودی Shahram Khalighi Sigaroudi دانشیار دانشکدۀ منابع طبیعی دانشگاه تهران ایران khalighi@ut.ac.ir آجی‌چای بارش تغییرات ناگهانی هیدرو‌ـ اقلیمی [1]-    Azari1 M, Moradi HR, Saghafian B, Faramarzi M. Assessment of Hydrological Effects of Climate Change in Gourganroud River Basin. Journal of Water and Soil. 2013; 27(3); 537-547.##[2]-    Abdul Aziz O I, Burn D H. Trends and variability in the hydrological regime of the Mackenzie River Basin. Journal of Hydrology. 2006; 319; 282-294.##[3]-    IPCC: Intergovernmental Panel on Climate Change, (IPCC), Climate Change 2007- Synthesis Report of the Forth Assessment Report. 2007.##[4]-    Wong H, Hu B Q, Ip W C, Xia J. Change-point analysis of hydrological time series using grey relational method. Journal of Hydrology. 2006; 324; 323-338.##[5]-    Teleab D, Mohamed Y, Uhlenbrook S. Hydro-climatic trends in the Abay/Upper Blue Nile basin, Ethiopia. Physics and Chemistry of the Earth. 2013; 61-62; 32-42.##[6]-    del Rio S, Anjum Iqbal M, Cano-Ortiz A, Herrero L, Hassan A, Penas A. Recent mean temperature trends in Pakistan and links with teleconnection patterns. Int. J. Climatol. 2013; 33; 277–290.##[7]-    Abghari H, Tabari H, Hosseinzadeh Talaee P. River flow trends in the west of Iran during the past 40 years: Impact of precipitation variability. Global and Planetary Change. 2013; 101; 52–60.##[8]-    Kazemzadeh M, Malekian A, Rasoulzadeh A. River flow trend analysis based on the parametric and nonparametric approaches in Ardebil province. Erath Science Reaserch. 2014: 4(15); 51-63.##[9]-    Fathian F, Morid M, Kahya E. Identification of trends in hydrological and climatic variables in Urmia Lake basin, Iran. Theor Appl Climatol. 2014; 14; 1120-40.##[10]-  Hosseinzadeh Talaee P, Kouchakzadeh M, Shifteh Some’e B. Homogeneity analysis of precipitation series in Iran. Theor Appl Climatol. 2013.##[11]-  Mann H B. Non-parametric tests against trend. Econometrica. 1945; 13; 245–259.##[12]-  Kendall M G. Rank Correlation Measures, Charles Griffin. London. 1975.##[13]-  Hojam S, Khoshkhoo Y, Shamsadin Vandi Y. Annual And Seasonal Precipitation Trend Analysis of Some Selective Meteorological Stations In Central Region of Iran Using Non-Poarametric Methods. Geoghraphic Research. 2008; 64; 157-168.##[14]-  Karpouzos D K, Kavalieratou S, Babajimopoulos C. Nonparametric trend analysis of precipitation data in Pieria Region (Greece). European Water. 2010; 30; 31-40. 12##[15]-  Sen P K. Estimates of the regression coefficient based on Kendall's tau. Journal of the American Statistical Association. 1968; 39; 1379 –1389.##[16]-  Theil H. A rank-invariant method of linear and polynomial regression analysis Part 3. Proceedings of Koninalijke Nederlandse Akademie van Weinenschatpen A53. 1950; 1397-1412.##[17]-  Von Neumann J: Distribution of the ratio of the mean square successive difference to the variance. Ann Math Stat. 1941: 13: 367–395.##[18]-  Bingham C, Nelson L S. An approximation for the distribution of the Von Neumann ratio. Technometrics. 1981; 23; 285–288.##[19]-  Buishand T A. Some methods for testing the homogeneity of rainfall records. Journal of Hydrology. 1982; 58; 11-27.##[20]-  Alexandersson H: A homogeneity test applied to precipitation data. Journal of Climate. 1986; 6; 661–675.##[21]-  Pettit A N. A non-parametric approach to the change-point detection. Applied Statistics. 1979; 28; 126–135.##[22]-  Kousari M R, Ekhtesasi M R, Tazeh M, Saremi Naeini M A, Asadi Zarch M A. An investigation of the Iranian climatic changes by considering the precipitation, temperature, and relative humidity parameters. Theor Appl Climatol. 2011; 103; 321–335.##

0 برآورد جریان زیست ‏محیطی رودخانه با استفاده از روش‏های هیدرولوژیکی تنانت، تسمن، انتقال منحنی تداوم جریان و مدل ذخیرۀ رومیزی River Environmental Flow Assessment Using Tennant, Tessman, FDC Shifting and DRM Hydrological Methods https://ije.ut.ac.ir/article_60900.html 10.22059/ije.2017.60900 0 رویکردهای متفاوتی برای برآورد جریان زیست‏محیطی رودخانه معرفی ‏شده است که به رویکرد هیدرولوژیکی به‌دلیل نیاز دسترسی به داده‏های محدود و زمان نسبتاً سریع ارزیابی توجه زیادی شده است. این رویکرد شامل روش‏های متنوعی است، بنابراین مقایسۀ بین نتایج روش‏های مختلف این رویکرد، ضروری است. هدف از تحقیق حاضر بررسی و مقایسۀ نتایج روش‏های تنانت، انتقال منحنی‏های تداوم جریان، روش مدل ذخیرۀ رومیزی و تسمن در برآورد جریان زیست‏محیطی رودخانۀ زهره در جنوب غربی ایران (ایستگاه آب‏سنجی دهملا) است. بر‌اساس بررسی داده‌های بلند‌مدت جریان متوسط سالانه برابر 18/80 مترمکعب بر ثانیه و دورۀ زمانی مرداد‌ـ مهر و بهمن‌ـ فروردین با جریان متوسط 5/22 و 6/156 مترمکعب بر ثانیه به‌ترتیب دوره‌‌های کم‌آب‏ و پرآب‏ سال هستند. بررسی نتایج روش‏های مختلف نشان می‏دهد روش انتقال منحنی تداوم جریان به‌دلایل ارائۀ مقادیر منطقی جریان زیست‌محیطی در ماه‌های مختلف در مقایسه با دبی جریان متوسط ماهانه و سالانه، تطابق مناسب الگوهای تغییرات درون‌سالی جریان متوسط زیست‏محیطی ماهانه و جریان متوسط ماهانۀ رودخانه و ‌تخصیص‌نیافتن همۀ جریان متوسط ماهانه به جریان مورد نیاز زیست‏محیطی در طول سال قابل ‏پذیرش‏ترین روش برآورد جریان زیست‏محیطی در این مطالعه است. با در‌نظر‌گرفتن نتایج روش انتقال منحنی تداوم جریان مقدار جریان زیست‏محیطی ماهانه بین 2/53-8/6 با متوسط 79/27 مترمکعب بر ثانیه در سال برآورد می‏‌شود. همچنین مقدار جریان متوسط زیست‏محیطی متوسط در دوره‏های کم‌آبی و پرآبی به‌ترتیب 7/7 و 3/49 مترمکعب بر ثانیه است.   1 Different approaches have been presented for estimating river environmental flow which hydrological approach has a lot addressed because of its need to access to limited data and moderately rapid assessment. This approach incorporates various methods therefore comparison between results of different methods is essential. The objective of this study is to investigate and compare the consequences of Tennant, flow duration curve shifting (FDC shifting), desktop reserve model and Tessman methods for environmental flow assessment of Zohreh river (Dehmolla hydrometry station) located in southwestern Iran. According to the long-term flow data the annual mean flow is 80.18 cms and August-October and February-April with 22.5 and 156.2 cms are low and high flow periods of the year. Investigation of consequences of different methods demonstrate FDC shifting is most admissible method for environmental flow assessment in this study because of its reasonable exhibited environmental flows in different months in comparison with monthly and annual mean flow, good compatibility of within-year patterns of monthly environmental and river flow, and lack of allocation of all river flow to environmental flow in all months of the year. Considering the results of the FDC shifting method the monthly environmental flow are estimated between 6.8 to 53.2 cms and its mean annual is 27.79 cms. The mean environmental flow for low and high flow periods are 7.7 and 49.3 cms respectively too.   177 189 سامان کریمی Saman Karimi دانش‌آموختۀ کارشناسی ارشد مهندسی عمران آب، مؤسسۀ غیرانتفاعی لامعی‏گرگانی‌ ایران saman_karimi2@yahoo.com میثم سالاری جزی Meysam Salarijazi استادیار گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان‌ ایران meysam.salarijazi@gmail.com خلیل قربانی Khalil Ghorbani دانشیار گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران ghorbani.khalil@yahoo.com انتقال منحنی‏ های تداوم جریان تسمن تنانت جریان زیست‏ محیطی روش مدل ذخیرۀ رومیزی [1]. Baumgartner LJ, Conallin J, Wooden I, Campbell B, Gee R, Robinson WA, Mallen‐Cooper M. Using flow guilds of freshwater fish in an adaptive management framework to simplify environmental flow delivery for semi‐arid riverine systems. Fish and Fisheries. 2014 Sep 1;15(3):410-27.##[2]. MacDonald GK, D’Odorico P, Seekell DA. Pathways to sustainable intensification through crop water management. Environmental Research Letters. 2016 Aug 30;11(9):091001.##[3]. Bond N, Costelloe J, King A, Warfe D, Reich P, Balcombe S. Ecological risks and opportunities from engineered artificial flooding as a means of achieving environmental flow objectives. Frontiers in Ecology and the Environment. 2014 Sep 1;12(7):386-94.##[4]. Yang HC, Suen JP, Chou SK. Estimating the Ungauged Natural Flow Regimes for Environmental Flow Management. Water Resources Management. 2016 Oct 1;30(13):4571-84.##[5]. Grantham TE, Viers JH, Moyle PB. Systematic screening of dams for environmental flow assessment and implementation. BioScience. 2014 Nov 1;64(11):1006-18.##[6]. Lu XX, Li S, Kummu M, Padawangi R, Wang JJ. Observed changes in the water flow at Chiang Saen in the lower Mekong: Impacts of Chinese dams?. Quaternary International. 2014 Jun 26;336:145-57.##[7]. Mackay SJ, Arthington AH, James CS. Classification and comparison of natural and altered flow regimes to support an Australian trial of the ecological limits of hydrologic alteration framework. Ecohydrology. 2014 Dec 1;7(6):1485-507.##[8]. Bergkamp G, McCartney M, Dugan P, McNeely J, Acreman M. Dams, ecosystem functions and environmental restoration. Thematic Review II. 2000 Nov;1.##[9]. Poff NL, Allan JD, Bain MB, Karr JR, Prestegaard KL, Richter BD et al. The natural flow regime: A paradigm for river conservation and restoration. BioScience. 1997 Dec;47(11):769-784.##[10]. Simonovic SP. World water dynamics: global modeling of water resources. Journal of Environmental Management. 2002 Nov 30;66(3):249-67.##[11]. Tharme RE. A global perspective on environmental flow assessment: emerging trends in the development and application of environmental flow methodologies for rivers. River research and applications. 2003 Sep 1;19(5‐6):397-441.##[12]. Petts GE. Water allocation to protect river ecosystems. Regulated rivers: research & management. 1996 Jul 1;12(4‐5):353-65.##[13]. Zare Bidaki R, Mahdianfard M, Honarbakhs A, Zeinivand, H. Base Flow Estimation in Tireh Dorood River in order to EnvironmentalFlow Assessmen. Ecohydrology. 2015; 2(3): 275-287. [Persian]##[14]. Shokouhi A, Hong Y. Determining the Minimum Ecological Water Requirements in Perennial Rives Using Morphological Parameters. Journal of Environmental Studies. 2011(58): 117-128 (Persian)##[15]. Hughes DA, Smakhtin V. Daily flow time series patching or extension: a spatial interpolation approach based on flow duration curves. Hydrological Sciences Journal. 1996 Dec 1;41(6):851-71.##[16]. Wolaver BD. Potential Economic Impacts of Instream Flows for Central Texas Freshwater Mussels. In2013 NGWA Summit—The National and International Conference on Groundwater 2013 May 1. Ngwa.. 70pp.##[17]. Ahn JM, Lee S, Kang T. Evaluation of dams and weirs operating for water resource management of the Geum River. Science of the Total Environment. 2014 Apr 15;478:103-15.##[18]. Archfield SA, Steeves PA, Guthrie JD, Ries III KG. Towards a publicly available, map-based regional software tool to estimate unregulated daily streamflow at ungauged rivers. Geoscientific Model Development. 2013 Jan 28;6(1):101-15.##[19]. Joshi KD, Jha DN, Alam A, Srivastava SK, Kumar V, Sharma AP. Environmental Flow requirements of River Sone: Impacts of low discharge on fisheries. Current Science. 2014 Aug 10;107(3):478.##[20]. Smakhtin VY, Anpurhas M. An assessment of environmental flow requirements of Indian river basins. IWMI Research Report 107. International Water Management Institute, Colombo, Sri Lanka, 2006, 36pp.##[21]. Watt SP. A methodology for environmental protection of Ontario watercourses with respect to the permit to take water program. 2007.##[22]. Mazvimavi D, Madamombe E, Makurira H. Assessment of environmental flow requirements for river basin planning in Zimbabwe. Physics and Chemistry of the Earth, Parts A/B/C. 2007 Dec 31;32(15):995-1006.##[23]. Olsen M, Troldborg L, Henriksen HJ, Conallin J, Refsgaard JC, Boegh E. Evaluation of a typical hydrological model in relation to environmental flows. Journal of Hydrology. 2013 Dec 12;507:52-62.##[24]. Reiser DW, Wesche TA, Estes C. Status of instream flow legislation and practices in North America. Fisheries. 1989 Mar 1;14(2):22-9.##[25]. Sedighkia M, Ayyoubzadeh SA, Hajiesmaeli M. Investigation on the necessities of Instream Flow Needs assessment in the rivers using hydro-ecological methods (Case study: Delichai river in Tehran, Iran). Ecohydrology. 2015; 2(3): 289-300. [Persian]##[26]. Wilding TK, Poff NL. Flow-ecology relationships for the watershed flow evaluation tool. Colorado State University, Department of Biology, Fort Collins, CO. 2008. 50 pp.##[27]. Tessmann S. Environmental Assessment, Technical Appendix E in Environmental Use Sector Reconnaissance Elements of the western Dakotas Region of South Dakota study. Water Resources Research Institute, South Dakota State University, Brookings, SD. 1980.##[28]. Linnansaari T, Monk WA, Baird DJ, Curry RA. Review of approaches and methods to assess environmental flows across Canada and internationally. DFO Canadian Science Advisory Secretariat, Research Document. 2012;39. 83pp.##[29]. Wałęga A, Młyński D, Kokoszka R, Miernik W. Possibilities of Applying Hydrological Methods for Determining Environmental Flows in Select Catchments of the Upper Dunajec Basin. methodology (BBM). 2015 Nov 1;29:32.##[30]. Hughes DA, Hannart P. A desktop model used to provide an initial estimate of the ecological instream flow requirements of rivers in South Africa. Journal of Hydrology. 2003 Jan 31;270(3):167-81.##[31]. Tennant DL. Instream flow regimens for fish, wildlife, recreation and related environmental resources. Fisheries. 1976 Jul 1;1(4):6-10.##[32]. Jayasiri MM, Dayawansa ND, Gunawardena ER. Comparison of methods to assess environmental flows: A Review. International Research Symposium on Engineering Advancements. SAITM, Malabe, Sri Lanka, 2015, 46-49.##[33]. Smakhtin VU, Eriyagama N. Developing a software package for global desktop assessment of environmental flows. Environmental Modelling & Software. 2008 Dec 31;23(12):1396-406.##

0 تغییرپذیری درون رگباری ضریب تغییرات حجم رواناب و هدررفت خاک طی تکرارهای شبیه‌سازی باران و فرسایش خاک Inter-Storm Variability of Coefficient of Variation of Runoff Volume and Soil Loss during Rainfall and Erosion Simulation Replicates https://ije.ut.ac.ir/article_60901.html 10.22059/ije.2017.60901 0 بررسی تغییرپذیری درون‌رگباری خصوصیات رواناب و هدررفت خاک به‏عنوان دو مقولۀ مهم فرایندهای هیدرولوژیکی، می‏تواند برای تصمیم‏گیری و فهم بهتر پاسخ‏های هیدرولوژیکی به متخصصان کمک کند. حال آنکه این مقوله در جهان و به‏ویژه کشورهای در حال توسعه کمتر مورد توجه بوده است. بنابراین، مطالعۀ حاضر برای ارزیابی اثر شیب‏ها و شدت‏های مختلف بارندگی بر تغییرپذیری درون‌رگباری ضریب تغییرات حجم رواناب و هدررفت خاک در سه تکرار برنامه‏ریزی شد. بدین‌منظور آزمایش‏ها در شبیه‏ساز باران و در پلات فرسایش خاک 6 در 1 متر با عمق 5/0 متر و در شیب‌های 5، 15 و 25 درصد و شدت‏های باران 30، 60 و 90 میلی‏متر بر ساعت روی یک نمونۀ خاک جمع‏آوری‌شده از مراتع حوضۀ آبخیز کجور در شمال ایران انجام پذیرفت. نتایج بیان‌کنندۀ روند افزایشی ضریب تغییرات درون‌رگباری حجم رواناب و هدررفت خاک با افزایش شدت بارندگی در شیب 5 و 15 درصد بود. در حالی ‏که هیچ روندی با افزایش شیب در شدت‏های مختلف بارندگی برای ضریب تغییرات درون‌رگباری حجم رواناب و هدررفت خاک غیر از ضریب تغییرات هدررفت خاک در شیب‏های مختلف در شدت بارندگی 90 میلی‏متر بر ساعت مشاهده نشد. همچنین کمترین و بیشترین مقدار میانگین ضریب تغییرات درون‌رگباری حجم رواناب به‏ترتیب 80/4 و 10/17 و برای هدررفت خاک 28/17 و 96/87 درصد مشاهده شد. یافته‏های این پژوهش بر ضرورت لحاظ تغییرات درون‌رگباری متغیرهای رواناب و هدررفت خاک در تکرارهای مختلف و متناسب با شدت بارندگی و شیب در تحلیل فرایندهای حاکم بر سامانۀ آبخیز تأکید دارد.       1 Investigation of inter-storm variability of runoff and soil loss characteristics helps experts and decision makes better understanding of hydrological response. However, this important has been less considered in the world, especially developing countries. The present study was therefore planned to evaluate the effect of different rainfall intensities and slopes on inter-storm variability of Coefficient of Variation (CV) of runoff volume and soil loss in three replicates. To achieve the objectives, a set of laboratorial experiments were conducted using rainfall simulator and 6×1 m erosion plot with a depth of 0.5 m and a slopes of 5, 15 and 25 %. Rainfall intensities of 30, 60, and 90 mmh-1 were applied to a soil sampled from Kojour rangeland watershed, northern Iran. The results described an increasing trend in runoff volume and soil loss inter-storm CV with increase in rainfall intensity at slopes of 5 and 15%. While, no trend was distinguished for inter-storm CV for runoff volume and soil loss with increase in slopes and different rainfall intensities except soil loss inter-storm CV in rainfall intensity of 90 mmh-1 at different slopes. The lowest and the highest coefficient of variation were also respectively found in means for runoff volume (i.e., 4.80 and 17.10 %) and soil loss (i.e., 17.28 and 87.96 %). The results of the study emphasized the necessity of considering the inter-storm variability of runoff and soil loss components in different replicates with regard to appropriate rainfall intensity and slope for analyzing the watershed system processes.       191 199 محبوبه کیانی هرچگانی Mahboobeh Kiani Harchegani دانش ‏آموختۀ دکتری گروه مهندسی آبخیزداری، دانشکدۀ منابع ‏طبیعی، دانشگاه تربیت مدرّس ایران ailin_mk2006@yahoo.com سید حمیدرضا صادقی Seyed Hamidreza Sadeghi استاد گروه مهندسی آبخیزداری، دانشکده منابع ‏طبیعی، دانشگاه تربیت مدرّس ایران sadeghi@modares.ac.ir حسین اسدی Hossein Asadi دانشیار گروه علوم خاک، دانشگاه تهران ایران ho.asadi@ut.ac.ir تغییرات زمانی تولید رواناب شبیه‏ سازی هیدرولوژیک رگبار فرسایش بین ‏شیاری منابع##[1]. Gómez JA, Nearing MA, Giráldez JV, Alberts EE. Analysis of sources of variability of runoff volume in a 40 plot experiment using a numerical model. J. Hydrol. 2001; 248(1): 183-197.##[2]. Nearing MA, Govers G, Norton LD. Variability in soil erosion data from replicated plots. Soil Sci Soc Am J. 1999; 63:1829–1835.##[3]. Agassi M, Bradford JM. Methodologies for interrill soil erosion studies. Soil Till. Res. 1999; 49:277–287##[4]. Anderson K, Kuhn NJ. Variations in soil structure and reflectance during a controlled crusting experiment. Int J Remote Sens. 2008; 29: 3457–3475##[5]. Armstrong A, Quinton JN, Heng BCP, Chandler JH. Variability of interrill erosion at low slopes. Earth Surf. Proc. Land. 2011; 36(1): 97-106.##[6]. Dunkerley D. Rain event properties in nature and in rainfall simulation experiments: a comparative review with recommendations for increasingly systematic study and reporting. Hydrol. Process. 2008; 22: 4415–4435.##[7]. Govers G. Rill erosion on arable land in central Belgium: rates, controls and predictability. Catena 1991; 18; 133–155.##[8]. Heil JW, Juo ASR,McInnes KJ. Soil properties influencing surface sealing of some sandy soils in the Sahel. Soil Sci. 1997; 162: 459–469##[9]. Le Bissonnais Y. Experimental study andmodelling of soil surface crusting processes. Catena 1990; 17:13–28##[10]. Ajayi AE, Horta IDMF. The effect of spatial variability of soil hydraulic properties on surface runoff processes. Anais XIII Simpósio Brasileiro de Sensoriamento Remoto, 2007; p. 3243-3248.##[11]. Bagarello V, Ferro V. Plot‐scale measurement of soil erosion at the experimental area of Sparacia (southern Italy). Hydrol. Process. 2004; 18(1): 141-157.##[12]. Hu Y, Fister W, Kuhn NJ. Temporal variation of SOC enrichment from interrill erosion over prolonged rainfall simulations. Agri. 2013; 3: 726–740##[13]. Toy TJ, Foster GR, Renard KG. Soil Erosion: Processes, Prediction, Measurement, and Control. John Wiley and Sons, New York, USA, 2002.##[14]. Wendt RC, Alberts EE, Hjelmfelt AT. Variability of runoff and soil loss from fallow experimental plots. Soil Sci Soc Am J. 1986; 50:730–736.##[15]. Hu Y, Fister W, Kuhn NJ. Inherent interreplicate variability during small-scale rainfall simulations. J Soil Sed. 2016; 16(6): 1809-1814.##[16]. Hudson NW. Field measurement of soil erosion and runoff. FAO Soils Bulletins, Silsoe Associates, Amptill, Bedford UK, 1993; 68.##[17]. Khaledi Darvishan A, Homayounfar V, Sadeghi SHR. The impact of soil preparation on the soil erosion rates under laboratory conditions. Solid Earth. 2015; 7: 885-907.##[18]. Khaledi Darvishan A, Sadeghi SHR, Homaee M, Arabkhedri M. Measuring sheet erosion using synthetic colorcontrast aggregates. Hydrol. Process. 2014; 28(15): 4463-4471.##[19]. Kiani Harchegani M, Sadeghi SHR, Asadi H. Changeability of concentration and particle size distribution of effective sediment in initial and mature flow generation conditions under different slops and rainfall intensities, Iranian J Water. Eng. Manag. 2016; Accepted. [Persian]##[20]. Parlak A, A. Özaslan Parlak. Measurement of splash erosion in differ- ent cover crops. Turk. J. Field Crops. 2010; 15(2):169–173.##[21]. Rüttimann M, Schaub D, Prasuhn V, Rüegg W. Measurement of runoff and soil erosion on regularly cultivated fields in Switzerland—some critical considerations. Catena. 1995; 25:127–139.##[22]. Sadeghi SHR, Kiani Harchegani M, Asadi H. Variability of particle size distributions of upward/downward splashed materials in different rainfall intensities and slope. Geoderma. 2017; 290: 100-106.##[23]. Shi ZH, Fang NF, Wu FZ, Wang L, Yue BJ, Wu G. L. Soil erosion processes and sediment sorting associated with transport mechanisms on steep slopes. J. Hydrol. 2012; 454: 123-130.##[24]. Sadeghi SHR, Kiani Harchegani M. Effects of sand mining on suspended sediment particle size distribution in Kojour forest river, Iran. J Agri. Sci. Tech. 2012; 14: 1637-1646.##[25]. Sadeghi SHR, Kiani Harchegani M, Asadi H. Splash particle size distribution along the experimental plot under different rainfall intensities and slopes, Iranian J Water Soil Res. 2016; 47 (4): 657-664. [Persian]##[26]. Kiani Harchegani M, Sadeghi SHR, Asadi H. Comparative analysis of the effects of rainfall intensity and experimental plot slope on Raindrop Impact Induced Erosion (RIIE). Iranian J Water Soil Res. 2016; 46(4): 631-640. [Persian]##[27]. ISO 5725-1 Guidance for the Use of repeatability, reproducibility, and trueness estimates in measurement uncertainty estimation. Geneva, Switzerland: ISO; 2004.##[28]. Sadeghi SHR, Saeidi P, Noor H, Raeisi MB. Understanding sediment yield process in a Hyrcanian forest watershed. In International Conference Land Conservation LANDCON. May 26-30, Tara Mountain/Serbia. 2009; (Vol. 905).##

0 پیش‌بینی بارش ماهانه بر اساس سیگنال‌های بزرگ‌مقیاس اقلیمی با به‌کارگیری مدل‌های هوشمند و رگرسیون خطی چندگانه (مطالعه موردی: ایستگاه سینوپتیک سمنان) Prediction of Monthly Precipitation Based on Large-scale Climate Signals Using Intelligent Models and Multiple Linear Regression (Case Study: Semnan Synoptic Station) https://ije.ut.ac.ir/article_60903.html 10.22059/ije.2017.60903 0 سیگنال‏های بزرگ‏مقیاس اقلیمی شامل کنش‏های جوّی‌ـ ‏اقیانوسی، از عوامل اصلی مؤثر بر نوسانات اقلیمی زمین هستند و شاخص‏های بسیار مهمی در پیش‏بینی متغیرهای اقلیمی محسوب می‏شوند. در این پژوهش، با به‏کارگیری مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه، بارش ماه آتی در ایستگاه سینوپتیک سمنان پیش‏بینی شد. بدین‌منظور، از سری زمانی ماهانۀ بارش ایستگاه سینوپتیک سمنان و سیگنال‏های بزرگ‏مقیاس اقلیمی طی یک دورۀ 45 ساله (1966‌ـ 2010 میلادی) استفاده شد. سیگنال‏های مؤثر بر بارش ماه آتی با استفاده از تحلیل رگرسیون خطی گام‏به‏گام تعیین شدند و به‏عنوان متغیرهای ورودی در مدل‏های استفاده‌شده، انتخاب شدند. از 540 سری دادۀ ماهانه، 80 درصد ابتدایی برای آموزش و 20 درصد ‌باقی برای آزمون صحت‏سنجی مدل‏ها استفاده شدند. عملکرد مدل‏ها با معیارهای ارزیابی ضریب همبستگی، میانگین قدر مطلق خطا و ریشۀ میانگین مربعات خطا مقایسه شد. نتایج صحت‏سنجی نشان داد ضرایب همبستگی به‏دست‏آمده (829/0، 793/0 و 767/0) به‌ترتیب مربوط به مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه‌اند. بر‌اساس نتایج این تحقیق، می‏توان برای پیش‏بینی بارش ماه آتی ایستگاه سینوپتیک سمنان، به‌ترتیب از مدل‏های شبکۀ عصبی مصنوعی، شبکۀ فازی‌ـ ‏عصبی و رگرسیون خطی چندگانه استفاده کرد.   1 Large-scale climatic signals including ocean-atmosphere interactions, are the main factors influencing the earth’s climatic oscillations and are the most important indices in predicting of climate variables. In this research, precipitation in the next month was predicted by applying artificial neural network (ANN), neuro-fuzzy network (NFN), and multiple linear regression (MLR) in Semnan synoptic station. For this purpose, monthly series of precipitation of Semnan synoptic station and signals of large-scale climate signals were used during a period of 45 years (1966–2010). From 540 monthly time series, the first 80% was used for training and the other 20% for testing. Performance of the models was compared by using correlation coefficient (R), mean absolute error (MAE), and root mean square error (RMSE) criteria. Results of the validation step showed that the obtained correlation coefficients (0.829, 0.793 and 0.767) are related to ANN, ANFIS and MLR models. Based on the results of this study, the next month’s precipitation of Semnan synoptic station could be predicted by ANN, NFN and MLR models, respectively.                          201 214 مجید محمدی Majid Mohammadi دانشجوی دکتری، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان ایران mohammadi.civilica@semnan.ac.ir حجت کرمی Hojat Karami استادیار، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان ایران hkarami@semnan.ac.ir سعید فرزین Saeed Farzin استادیار، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان ایران saeed.farzin@semnan.ac.ir علیرضا فرخی Alireza Farokhi دانشجوی دکتری، گروه مهندسی آب و سازه‏های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان ایران farrokhi2000@gmail.com بارش ماهانه سیگنال‏های بزرگ‏مقیاس اقلیمی شبکۀ عصبی مصنوعی شبکۀ فازی‌ـ ‏عصبی رگرسیون خطی چندگانه [1]. Khalili N, Khodashenas S.R, Davari K, Mousavi Baygi M. Daily Precipitation Forecasting Using Artificial Neural Networks: A Case Study: Synoptic Station of Mashhad. Watershed Management Researches (Pajouhesh-Va-Sazandegi). 2011; 23(4):7-15. (In Persian).##[2]. Halabian A H. Forecasting Yazd Precipitation with Artificial Neural Networks. Journal of Geographical Sciences. 2009; 11(14): 7-28. (In Persian).##[3]. Faghih H. Evaluating Artificial Neural Network and Its Optimization Using Genetic Algorithm In Estimation of Monthly Precipitation Data (Case Study: Kurdistan Region). Water and Soil Science (Journal of Science and Technology of Agriculture and Natural Resources). 2010; 14(51): 27-42. (In Persian).##[4]. Mahdavi M. Practical Hydrology. 11. Tehran: University of Tehran; 1998. (In Persian).##[5]. Asghari Moghaddam A, Nourani V, Nadiri A. Modeling of Tabriz Plain Rainfall Using Artificial Neural Networks. Journal of Agricultural Science (University of Tabriz). 2008; 18(1): 1-15. (In Persian).##[6]. Anderson D, McNeill G. Artificial Neural Networks Technology. Utica, New York: Kaman Sciences Corporation; 1992.##[7]. Gholizadeh M H, Darand M. Forecasting Monthly Precipitation by Using Artificial Neural Networks a Case Study: Tehran. Physical Geography Research Quarterly. 2010; 42(71): 51-63. (In Persian).##[8]. Fattahi E, Sedaghat Kerdar A, Delavar M. Long- Range Precipitation Prediction Using Artificial Neural Networks. Pajouhesh-Va-Sazandegi. 2008; 3(80): 44-50. (In Persian).##[9]. Fatehi Marj A, Mahdian M.H. Autumn rainfall forecasting using ENSO indices by Neural Network method. Watershed Management Researches (Pajouhesh & Sazandegi). 2009; 22(3): 42-52. (In Persian).##[10].  Falah Ghalhari Gh.A, Khoushhal J. Spring Rainfall Prediction of Khorasan-E Razavi Province, Based upon Climatic Large Scale Signals by Using Artificial Neural Network. Physical Geography Research Quarterly. 2009; 41(69): 115-133. (In Persian).##[11].  Hejazizadeh Z, Fatahi E, Saligheh M, Arsalani F. Study on The Impact of Climate Signals on The Precipitation of The Central of Iran Using Artificial Neural Network. Journal of Geographical Sciences. 2013; 13(29): 75-89. (In Persian).##[12].  Belayneh A, Adamowski J, Khalil B, Ozga-Zielinski B. Long-term SPI drought forecasting in the Awash River Basin in Ethiopia using wavelet neural network and wavelet support vector regression models. Journal of Hydrology. 2014; 508: 418-429.##[13].  Kişi Ö, Sanikhani H. Prediction of long‐term monthly precipitation using several soft computing methods without climatic data. International Journal of Climatology. 2015; 35(14): 4139-4150.##[14].  Omidvar K, Nabavizadeh M, Samarehghasem M. Assessment of Narx Neural Network in Prediction of Daily Precipitation in Kerman Province. Journal of Physical Geography. 2015; 8(27): 73-89. (In Persian).##[15].  Choubin B, Khalighi-Sigaroodi S, Malekian A, Kişi Ö. Multiple linear regression, multi-layer perceptron network and adaptive neuro-fuzzy inference system for forecasting precipitation based on large-scale climate signals. Hydrological Sciences Journal. 2016; 61(6): 1001-1009.##[16].  Altunkaynak A, Ozger M. Comparison of Discrete and Continuous Wavelet–Multilayer Perceptron Methods for Daily Precipitation Prediction. Journal of Hydrologic Engineering. 2016; 04016014: 1-11.##[17].  Rahimi D, Abdollahi Kh, Hasheminasab S. Identify Tele-connection Patterns affecting on Rainfall in Karoon Basin. Iranian journal of Ecohydrology. 2016; 3(1): 95-105. (In Persian).##[18].  Ruigar, H, Golian S. Prediction of precipitation in Golestan dam watershed using climate signals. Theoretical and Applied Climatology. (2016); 123(3-4): 671-682.##[19].  Zamaniyan M, Fatahi R., Fatahi A.R, Hosseinpour F. Input Parameters Preprocessing In Artificial Neural Networks and Adaptive Neuro- Fuzzy Inference System Using Stepwise Regression and Gamma Test Techniques For Estimation of Daily Evaporation. Iranian of Irrigation & Water Engineering. 2012; 3(9): 63-76. (In Persian).##[20].  Ghabaei Sough M, Mosaedi A, Hesam M, Hezarjaribi A. Evaluation Effect of Input Parameters Preprocessing In Artificial Neural Networks (Anns) By Using Stepwise Regression and Gamma Test Techniques For Fast Estimation osf Daily Evapotranspiration. Journal of Water and Soil (Agricultural Sciences and Technology). 2010; 4(23): 610-624. (In Persian).##[21].  Haghizadeh A, Mohammadlou M, Noori F. Simulation of Rainfall-Runoff Process using multilayer perceptron and Adaptive Neuro-Fuzzy Interface System and multiple regression (Case Study: Khorramabd Watershed). Iranian journal of Ecohydrology. 2015; 2(2): 233-243. (In Persian).##[22].  Forougi D, Foroughnejad H, Mirzaei M. Earnings per Share Forecast: The Combination of Artificial Neural Networks and Particle Swarm Optimization Algorithm. Investment Knowledge. 2013; 2(6): 63-82. (In Persian).##[23].  Haykin S. Neural Networks: a Comprehensive Foundation. Prentice Hall PTR, Upper Saddle River. 1998.##[24].  Shanker M, Hu M Y, Hung M S. Effect of data standardization on neural network training. Omega. 199; 24(4): 385-397.##[25].  Asadzadeh F, Byzedi M, Kaki M. Monitoring and Prediction of Drought in Western Urmia Lake Basin Rain Gage Stations by ANFIS Model. Iranian journal of Ecohydrology. 2016; 3(2): 205-2018. (In Persian).##[26].  Sedghi R, Abbaspour Gilandeh Y. Prediction of Soil Fragmentation during Tillage Operation Using Adaptive Neuro Fuzzy Inference System (ANFIS). Journal of Agricultural Machinery. 2015; 4(2): 387-398. (In Persian).##[27].  Jang J S. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems man and cybernetics. 1993; 23(3): 665-685.##[28].  Jang, J S, Sun C T. Neuro-fuzzy modeling and control. Proceedings of the IEEE. 1995; 83(3): 378-406.##[29].  Tiryaki S, Özşahin Ş, Yıldırım İ. Comparison of artificial neural network and multiple linear regression models to predict optimum bonding strength of heat treated woods. International Journal of Adhesion and Adhesives. 2014; 55: 29–36.##[30].  Sousa S I V, Martins F G, Alvim-Ferraz M C M, Pereira M C. Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations. Environmental Modelling & Software. 2007; 22(1): 97–103.##

0 ارزیابی آلودگی نیترات در آب‌های زیرزمینی آبخوان اردبیل با استفاده از سامانه اطلاعات جغرافیایی Evaluation of Nitrate Pollution in Groundwater Resources of Ardabil Aquifer using Geographical Information System https://ije.ut.ac.ir/article_60904.html 10.22059/ije.2017.60904 0 آب زیرزمینی در بیشتر نقاط جهان مانند ایران از مهم‌ترین منابع تأمین آب برای مصارف گوناگون از جمله شرب است. آلاینده‏های مختلف کیفیت این منابع را به‌شدت تحت تأثیر قرار می‌دهند و استفاده از آن را برای مصارف مختلف ناممکن می‏سازند. نیترات از شناخته‏شده‏ترین آلاینده‏های منابع آب است که در سال‏های اخیر به‌دلیل افزایش جمعیت و توسعۀ کشاورزی در نتیجۀ نیاز بیشتر به مقدار آن در آب‏های زیرزمینی در مناطق مختلف جهان به‌شدت افزایش یافته است. این مطالعه با هدف بررسی مقدار نیترات در آب زیرزمینی آبخوان اردبیل با استفاده از سامانۀ اطلاعات جغرافیایی انجام شده است. بدین‌منظور از 63 حلقه چاه واقع در آبخوان اردبیل در طول دوران خشک سال 1392، نمونه‏برداری و مقدار نیترات آنها تعیین شد. نتایج نشان داد مقدار میانگین نیترات در نمونه‏های چاه‏ها برابر 18/39 میلی‏گرم بر لیتر است. نتایج واریوگرافی نشان داد مقدار نیترات در آب‏های زیرزمینی منطقه ساختار مکانی مستحکمی دارد و روش کریجینگ معمولی با دقت زیادی (508/=R2) قادر به تعیین توزیع مکانی الگوی نیترات در منطقه است. بیشترین آلودگی نیترات در بخش غربی و جنوب غربی منطقه که منطبق با مکان جغرافیایی شهر اردبیل و اراضی کشاورزی حومۀ آن است، مشاهده شد که نشان‌دهندۀ تأثیر فعالیت‏های انسانی بر افزایش نیترات در منابع آب منطقه است.     1 Groundwater is one of the most important resources of water supply for various uses in many regions all over the globe including Iran. Different contaminants severely affect these resources and might render groundwater unsuitable for consumption. Groundwater contamination by nitrate is a well known globally growing problem due to the population growth and increase of demand for food supplies. This study was conducted to evaluate the nitrate concentration in water resources of Ardabil aquifer using Geographical Information System. Water samples were collected from 63 wells in Ardabil aquifer during the September 2014 and analyzed for nitrate concentration. The average nitrate concentration from the wells was 39.18 mgl-1. Based on the variography analysis, nitrate concentration showed a good spatial structure which may lead to the high performance of the ordinary kriging (R2=0.508) in predicting the groundwater nitrate spatial pattern. Nitrate concentration was very high at the western parts of the aquifer where the Ardabil city and its agricultural lands is located. These results clearly indicates that the anthropogenic sources from human activities and agricultural development are the main reasons of the nitrate pollution in this part of the aquifer.               215 224 شهاب مرادی دیرماندریک Shahab Moradi دانشجوی کارشناسی ارشد گروه زمین ‏شناسی زیست‏ محیطی، دانشگاه ارومیه ایران shahabmoradigeo@gmail.com حسین پیرخراطی Hossein Pirkarrati دانشیار گروه زمین ‏شناسی دانشگاه ارومیه ایران h.pirkharrati@urmia.ac.ir فرخ اسدزاده Farrokh Asadzadeh استادیار گروه علوم خاک دانشگاه ارومیه ایران farrokhasadzadeh@gmail.com علی آریانفر Ali Aryanfar شرکت مهندسین مشاور ژرف ‏آذران صدر، ارومیه ایران ali.aryanfar@gmail.com آب آشامیدنی کشاورزی کریجینگ منابع آب Babaeian F, Bagheri A, Rafieian M. Vulnerability Analysis of Water Resources Systems to Water Scarcity Based on a Water Accounting Framework (Case Study: Rafsanjan Study Area). Iran-Water Resources Research. 2016; 12(1): 1-17 [Persian].##Kangaroglu F, Gunay G. Groundwater nitrate pollution in an alluvial aquifer, Eskir-urban area and its vicinity, Turkey. Environmental Geology. 1997; 31:178-184.##Negtcha BN, Daria D. Nitrate pollution in groundwater in tow selected area from Cameron and Ehad in the lake Chad basin. Water policy. 2010; 12 (5): 722-733##Youssefi Z, Naeej O. Study on Nitrate Value in Rural Area in Amol City. Journal of Mazandaran University of Medical Sciences. 2007; 17(61): 161-165 [Persian].##Hamilton PA, Helsel DR. Effects of agriculture on ground‐water quality in five regions of the United States. Ground water. 1995; 33(2):217-26.##Gunatilake SK, Iwao Y. Geoenvironmental assessment for nitrate pollution of surface and groundwater by fertilization (a study in Shiroishi Plain, Japan). International Journal of civil and environmental Engineering. 2009; 9(10):12-9.##World Health Organization. Guidelines for drinking-water quality. World Health Organization; 2004; Vol. 1, 3rd ed. ISBN 978 92 4 154760 4.##Hammer MJ. Water and wastewater technology. Pearson/Prentice Hall, Technology & Engineering; 2008.##Goldberg VM. Ground water pollution by nitrate from livestock wastes. Environmental Health Perspective. 1989; 83: 25-29.##10. Olijhoek DW, Hellwing AL, Brask M, Weisbjerg MR, Højberg O, Larsen MK, Dijkstra J, Erlandsen EJ, Lund P. Effect of dietary nitrate level on enteric methane production, hydrogen emission, rumen fermentation, and nutrient digestibility in dairy cows. Journal of Dairy Science. 2016; 99(8):6191-205.##11. Jalali M. Nitrates leaching from agricultural land in Hamadan, western Iran. Agriculture, Ecosystems & Environment. 2005; 110(3):210-8.##12. Lalehzari F, Tabatabaie, SH, Yarali N. Variation of nitrate contamination in Shahrekord aquifer and its mapping using GIS. Iran Water Resource Journal. 2009; 3(4): 9-17 [Persian].##13. Karimzadeh M, Abdeh-Kolahchi A, Farrokhian F, Pourdavoodi M. Evaluation of Nitrate concentration in Kohnak aquifer using geographical information system. Second National Congress on Protection and Planning of the Environment; 2013 [Persian]##14. Osati Kh, Salajegheh A, Arekhi S. Spatial variation of nitrate concentrations in groundwater by Geostatistics (Case Study: Kurdan Plain). Journal of Natural Environment. Iranian Journal of Natural Resources. 2013; 65(4): 461-472 [Persian].##15. Hamzepour S, Hosseini-Mobarra SE. Behmanesh J. Evaluation of groundwater quality evaluation using geographical information system (Nitrate concentration). The 6th National Congress and Exhibitation on Environmental Engineering. 2012 [Persian]##16. Jhariya DC, Shandilya AK, Dewangan R. Nitrate Pollution in the Groundwater around Sagar Town, Madhya Pradesh, India. International Conference on Chemical, Ecology and Environmental Sciences. Bangkok 2012; 151-154.##17. Balogun II, Akoteyon IS, Adeaga O. Evaluating land use effects on groundwater quality in Lagos-Nigeria using water quality index. Journal of Scientific Research. 2012; 4 (2):397.##18. Rajaei F, Esmaili Sari A, Salmanmahiny A, Delavar M, Massah Bavani AR. Non point Source Pollution Modeling and Critical Area Priority for Environmental management of Tajan Watershed. Echohydrology. 2016; 3(3): 455-464 [Persian].##19. de Andrade EM, Palácio HA, Souza IH, de Oliveira Leão RA, Guerreiro MJ. Land use effects in groundwater composition of an alluvial aquifer (Trussu River, Brazil) by multivariate techniques. Environmental Research. 2008; 106 (2):170-7.##20. Rezaei-Moghaddam MH, Rahimpour T, Nakhostinrouhi M. Potential Detection of the Groundwater Resources Using Analytic Network Process in Geographic Information System(Case Study: Basins Leading to Tabriz Plain). Echohydrology; 2016; 3(3): 379-389 [Persian].##21. Federation WE, APH Association. Standard methods for the examination of water and wastewater. American Public Health Association (APHA): Washington, DC, USA. 2005.##22. Hassani-Pak AA. Geostatistics. 5th edition. University of Tehran Press. Tehran; 2013 [Persian]##23. Mohammadi J. Pedometrics Volume 2 : Spatial Statistics. Pelk Press. Tehran; 2006 [Persian]##24. ISIRI. Institute of Standards and Industrial Research of Iran: Drinking water-Physical and chemical specifications. 1053. 5th Revision. Tehran; 2008 [Persian].##25. Babiker IS, Mohamed MA, Terao H, Kato K, Ohta K. Assessment of groundwater contamination by nitrate leaching from intensive vegetable cultivation using geographical information system. Environment International. 2004; 29 (8):1009-17.##26. Cambardella CA, Moorman AT, Novak JM, Parkin TB, Karlen DL, Turco RF. Field-scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal. 1994; 58:1501–1511.##27. Badeenezhad A, Gholami M, Jonidi-Jafari A, Ameri A. Factors Affecting nitrate Concentrations in Shiraz Groundwater Using Geographical Information System. Tolooe Behdasht. 2012; 35(2): 47-56 [Persian].##28. Ostovari Y, Beigi-Harchegani H, Davoodian AR. Spatial variation of nitrate in the Lordegan aquifer. Water and Irrigation Management. 2012; 2(1): 55-67 [Persian].##29. Zazouli M, Barafrashtehpour M, BarafrashtehPour Z, Ghalandari V. Temporal and Spatial Variation of Nitrate and Nitrite Concentration in Drinking Water Resource in Kohgiluyeh County Using Geographic Information System. Journal of Mazandaran University of Medical Sciences. 2014; 23 (109): 258-263 [Persian].##

0 ارزیابی وضعیت کیفی رودخانه کارون بر اساس شاخص کیفیت آب و استفاده از GIS Evaluation of Karun River water quality status based on Water Quality Index and involving GIS environment https://ije.ut.ac.ir/article_60905.html 10.22059/ije.2017.60905 0 در سال‏های اخیر کیفیت آب رودخانۀ کارون تحت تأثیر آلاینده‏های مختلفی از جمله زه‏آب کشاورزی و فاضلاب‏های شهری و صنعتی قرار داشته است. شاخص کیفیت آب و GIS، می‏توانند به‌منظور پشتیبانی اقدامات مدیریتی در این رودخانه استفاده شوند و از قابلیت مدل‏های سری زمانی نیز می‏توان برای پیش‏بینی تغییرات کیفیت در آینده بهره برد. از این‌رو، هدف پژوهش حاضر ارزیابی کیفیت رودخانۀ کارون بر‌اساس شاخص کیفیت آب با استفاده از GIS و مدل‏سازی سری زمانی کیفیت آب است. در این پژوهش داده‏های ماهانه شامل pH، دما، DO، BOD، TDS، فسفات، نیترات، کدورت و کالیفرم مدفوعی، طی سال‏های 1386 تا 1391 ‌تجزیه و تحلیل شد. همۀ شاخص‏های محاسبه‌شده در طبقۀ متوسط قرار گرفتند که به‌معنای استفاده از آب رودخانه فقط با اعمال تصفیۀ پیشرفته است. توزیع مکانی‌ـ زمانی مقادیر شاخص کیفیت آب و معنادارنبودن روند تغییرات نشان‏دهندۀ به‌تعادل‌رسیدن آلاینده‏های ورودی و توان خودپالایی رودخانه است. نتایج مدل‏سازی مقادیر ضریب تبیین مناسب مدل‏ها بین 69/0 تا 85/0 را نشان داد. همچنین شرایط انسان‏ساز عامل غالب بر تغییرات کیفیت آب رودخانه شناخته شد. بر‌اساس این نتایج، کیفیت رودخانۀ کارون نسبت به گذشته اندکی افزایش یافته و با اتصال رودخانۀ دز، شاخص کیفیت آب به میزان نسبتاً زیادی کاهش می‏یابد که می‏تواند بیانگر پایین‏تر‌بودن کیفیت آب رودخانۀ دز به‌دلیل ورود آلودگی به آن در پایین‏دست ایستگاه دزفول باشد و اقدامات کنترلی را در این رودخانه ایجاب می‏کند.         1 In recent years, the water quality of Karun River, IRAN, has been affected by different pollutant loads such as agricultural drainages, municipal and industrial wastewaters.Water Quality Index (WQI) and GIS as an efficient tool can be used to provide necessary support for decisions of the management actions in this river and also capability of time series models can be beneficial for forecasting future changes. Therefore this paper aims to evaluate the water quality of Karun River, according to WQI and using GIS and modelling water quality time series. In this research, monthly data including pH, temperature, DO, BOD, TDS, PO43-, NO3-, turbidity and fecal coliform were analyzed during years 2008 to 2013. All the calculated indices were classified in medium class that means the river water can be used only by applying advanced treatment. Spatio-temporal distribution of WQI values and non-significance of its fluctuations indicate balance between the pollutants input and self-purification capacity. Modeling revealed adequate coefficients of determination of selected autoregressive models that vary between 0.69 and 0.85. Also man-made conditions realized as the dominant factor affecting river water quality. According to the results, Karun river water quality has increased slightly comparing to the past and after Dez river junction, relatively high decrease in WQI occurred that can indicate Dez River’s lower quality because of entering pollutant loads in Dezful station downstream and calls for control measures on the river.         225 235 مجتبی مروج Mojtaba Moravej دانشجوی دکتری، دانشکدۀ مهندسی و فناوری کشاورزی، دانشگاه تهران ایران mojtaba.moravej@gmail.com ایمان کریمی راد Iman Karimirad دانشجوی دکتری، دانشکدۀ مهندسی و فناوری کشاورزی، دانشگاه تهران ایران ikarimirad@gmail.com کیومرث ابراهیمی Kumars Ebrahimi دانشیار، دانشکدۀ مهندسی و فناوری کشاورزی، دانشگاه تهران ایران ebrahimik@ut.ac.ir پهنه ‏بندی دارخوین گتوند ملاثانی WQI منابع##Milovanovic M. Water quality assessment and determination of pollution sources along the Axios/Vardar River, Southeastern Europe. Desalination. 2007;213(1):159–173.##Abbasi T, Abbasi SA. Water quality indices. Elsevier; 2012.##Horton RK. An index number system for rating water quality. Water Pollut Control Fed. 1965;37(3):300–306.##Brown RM, McLelland NI, Deininger RA, O’Connor MF. Indicators of environmental quality: a water quality index-crashing the psychological barrier. New York: Plenum; 1972.##Nemeth T, Szabo J, Pasztor L, Bakacsi Z. Elaboration of a complex GIS application in a catchment area. Water Sci Technol. 2002;45(9):133-140.##Izonfuo LWA, Bariweni AP. The effect of urban runoff water and human activities on some physico-chemical parameters of the Epie Creek in the Niger delta. Applied Science and Environmental Management. 2001;5(1):47-55.##Liou SM, Lo SL, Wang SH. A generalized water quality index for Taiwan. Environmental Monitoring and Assessment. 2004;96(1-3):35-52.##Ketata-Rokbani M, Gueddari M, Bouhlila R. Use of geographical information system and water quality index to assess groundwater quality in El Khairat deep aquifer (Enfidha, Tunisian Sahel). Energy Environ. 2011;2(2):133–144.##Sadat-Noori SM, Ebrahimi K, Liaghat AM. Groundwater quality assessment using the water quality index and GIS in Saveh-Nobaran aquifer, Iran. Environmental Earth Sciences. 2014;71(9):3827-3843.##10. Al-Ami MY, Al-Nakib SM, Ritha NM, Nouri AM, Al-Assina A. Water quality index applied to the classification and zoning of Al-Jaysh canal, Bagdad, Iraq. Environ. Sci. Health A. 1987;22(4):305–319.##11. Bhadra AK, Sahu B, Rout SP. A study of water quality index (WQI) of the river Brahmani, Odisha (India) to assess its potability. International Journal of Current Engineering and Technology. 2014;4(6):4270-4279.##12. Palupi K, Sumengen S, Inswiasri S, Agustina L, Nunik KA, Sunaraya W, et al. River water quality study in the vicinity of Jakarta. Water Sci Technol. 1995;39(9):17–25.##13. Rosli NA, Zawawi MH, Bustami RA. Salak river water quality identification and classification according to physico-chemical characteristics. In Proceedings of International Conference on Advances in Sciences and Contemporary Engineering. 2012; 69 – 77.##14. Mazaheri-Kohanestani Z, Ghorbani R, Hajimoradloo A, Naeimi A. The effect of trout farm effluents on the water quality parameters of Zaringol Stream (Golestan, Iran) based on NSFWQI and WQI indexes. International Journal of Environmental Resources Research, 2013;1(2):191-201.##15. Samadi MT, Sadeghi S, Rahmani A, Saghi MH. Survey of water quality in Moradbeik river basis on WQI index by GIS. Environmental Health Engineering and Management. 2015;2(1):7-11.##16. Ramos MA, de Oliveira ES, Pião AC, de Oliveira Leite DA, de Angelis DD. Water quality index (WQI) of Jaguari and Atibaia rivers in the region of Paulínia, São Paulo, Brazil. Environmental Monitoring and Assessment. 2016;188(5):1-4.##17. Shamsaie A, Oreei S, Sarang A. The comparison of water indices and zoning quality in Kroon and Dez rivers. Water Wastewater. 2004;16(3):39-48. [Persian]##18. Safarian R, Mashayekhi N. Investigation and categorization of Karun river’s quality (between Zargan and Ome-tamir) comparing with water quality index status of Marun and Zohre rivers. 10th national conference on Environment Health, Hamedan. [Persian]##19. Dadolahi-sohrab A, Arjomand F. Quality index of Karun river water as an indicator of wastewater of Khorramshahr soap factory. Oceanology. 2011;1(4):21-27. [Persian]##20. Salari M, Radmanesh F, Zarei H. Evaluation of quantity and quality of Karun river water resource using NSFWQI and AHP method. Human and the Environment. 2013;10(4):13-22. [Persian]##21. Hoseini P, Ildorumi AR, Hoseini AR. Investigation of quality of Karun river using NSFWQI between Zargan and Kut-e-amir (in 5 years). Human and the Environment. 2013;11(2):1-11. [Persian]##22. Madadinia M, Monavari SM, Karbasi A, Nabavi SMB, Rajabzade E. Investigation of quality of Karun river in Ahwaz city using quality index. Sci Environ Techno. 2014;16(1):49-60. [Persian]##23. Karimi-Jashni A, Salari-Dargi M. Quality categorization of river water (case study: Karun, Dez and Karkhe rivers). Environment and Development. 2015;5(10):29-38. [Persian]##24. Ebadati N, Houshmandzade M. Investigation of Dez river’s quality in Dezful hydrometric station. Eco-hydrology. 2014;1(2):69–81. [Persian]##25. Sadeghi M, Bay A, Bay N, Soflaie N, Mehdinejad MH, Mallah M. The effect of agriculture drainage on water quality of the Zaringol in Golestan Province by the water quality index. Research in Environmental Health. 2015;1(3):177-185. [Persian]##26. Ghaeni Gh, Nassehinia H, Dadban-Shahamat Y. Zoning of Cheshmeh Gerdoo river of Noshahr with NSFWQI index in autumn 1391. Health Research in Community. 2015;1(2):38-46. [Persian]##27. Nasrollahzadeh-Saravi H, Makhlough A, Yaghobzadeh Z, Ghiyasi M. Comparative study of water quality indices in Shahid Rajaee dam reservoir (Sari, Mazandarn Province). Water and wastewater. Accepted. 2016. [Persian]##28. Seif A, Najmi N. Detecting changes of meanders in Karun river using multi-temporal images of IRS and Landsat. Geographical researches. 2013;28(3):211–226. [Persian]##29. Yousefi S, Pourghasemi HR, Hooke J, Navartil O, Kidova A. Changes in morphometric meander parameters identified on the Karoon River, Iran, using remote sensing data. Geomorphology. 2016;271:55–64.##30. Deininger RA, Maciunas JM. Water quality index for public water supplies. Department of Environment and Industrial Health. Michigan: University of Michigan; 1971.##31. Mann HB. Nonparametric test against trend. Econometrica. 1945;13:245-259.##32. Şen Z. Innovative trend analysis methodology. Hydrologic Engineering. 2011;17(9):1042-1046.##33. Khalili K, Fakherifard A, Dinpajhoh Y, Ghorbani MA. Trend analysis and stationary of river flow rate in order to hydrological time series modeling. Soil and Water Science, 2010;20.1(1):61-72. [Persian]##34. Salas JD, Delleur JW, Yevjevich V, Lane WL. Applied modeling of hydrologic time series. Littleton: Water Resources Publications; 1980.##35. Wang W, Van Gelder PHAJM, Vrijling JK. Trend and stationary analysis for stream flow processes of rivers in Western Europe in 20th century. In Proceedings of IWA International Conference on Water Economics, Statistics and Finance. Rethymno, Greece. 2005;810:451-461.##36. Dickey DA, Fuller WA. Distribution of the estimators for autoregressive time series with a unit root. American Statistical Association. 1979;74:423-431.##37. Khalili K. Nazeri-Tahrudi M. Modeling of annual water level changes of Urmia Lake with linear time series models. Water Management in Arid Lands. 2014;1(1):25-35. [Persian]##38. Nash JE, Sutcliffe JV. River flow forecasting through conceptual models. 1: Discussion of principles. Hydrology, 1970;10(3):282–290.##39. Sharifan H, Dehghani AA, Karimirad I. Correction factor for Hargreaves-Samani method to estimate ETo (case study: Gorgan synoptic station). Water and Soil Conservation. 2012;19(3):227-235. [Persian]##

0 استفاده از مدل جاذبه در سنجش از دور به منظور بررسی شاخص توپوگرافی خیسی Using the attraction model in remote sensing to evaluation of topographic wetness index (TWI) https://ije.ut.ac.ir/article_60906.html 10.22059/ije.2017.60906 0 هدف از این مطالعه بررسی شاخص توپوگرافی خیسی (TWI) با استفاده از مدل جاذبه در شمال استان فارس است. مدل جاذبه برای اولین‌بار به‌منظور افزایش قدرت تفکیک مکانی مدل رقومی ارتفاع (DEM) استفاده شد. در این تحقیق از دو مدل همسایگی پیکسل‌های مماس (Touching) و مدل همسایگی چهارگانه (Quadrant) به‌منظور تخمین مقادیر زیر‌پیکسل‌ها استفاده شد. پس از ساخت تصاویر خروجی برای زیر‌پیکسل‌ها در مقیاس‌های 2، 3 و 4 با همسایگی‌های متفاوت، بهترین مقیاس با مناسب‌ترین نوع همسایگی با استفاده از نقاط کنترل زمینی تعیین و مقادیر RMSE برای آنها محاسبه شد. تعداد کل نقاط کنترل زمین به‌دست‌آمده از عملیات نقشه‌برداری، 2118 نقطه بود. نتایج نشان داد از بین مقیاس‌ها با همسایگی‌های مختلف، مقیاس 3 و مدل همسایگی چهارگانه نسبت به بقیۀ روش‌ها بیشترین دقت با کمترین میزان RMSE برای DEM 90 متری را دارد. سپس با استفاده از DEM به‌دست‌آمده از مقیاس 3 و مدل همسایگی چهار‌گانۀ شاخص خیسی حوضۀ مطالعه‌شده تعیین شد. نتایج نشان داد شاخص توپوگرافی خیسی در منطقۀ مطالعه‌شده بین 45/4- تا 06/6+ متغیر است. بخش‌های مرکزی منطقۀ مطالعه‌شده بیشترین مقادیر خیسی را دارند. مقایسۀ شاخص خیسی به‌دست‌آمده از مدل جاذبه (با قدرت تفکیک مکانی بیشتر) با DEM 90 متری (با قدرت تفکیک مکانی کمتر)، نشان داد با استفاده از مدل جاذبه، جزئیات بیشتری از میزان رطوبت در منطقۀ مطالعه‌شده، قابل مشاهده است.‌     1 The objective of this study is evaluation of topographic wetness index (TWI) using attraction model in northern of Fars province. The first attraction model was used to enhance the spatial resolution of digital elevation model (DEM). In this research to estimate of value of sub-pixels neighboring pixels, touching and quadrant neighboring models were used. After manufacturing output images for sub pixels in the 2, 3 and 4 scales with different neighborhoods, the best scale with most appropriate type of neighborhood was determined using ground control points then the values of RMSE was calculated for them. The total number of ground control points extracted from the mapping maintenance was 2118 points. The results showed that between scales with different neighborhoods, 3 scale and quadrant neighboring model have the most accuracy by the lowest value of RMSE for DEM 90 meter. Then using produced DEM from 3 scale and quadrant neighboring model, topographic wetness index for the study area was determined. The results showed that topographic wetness index (TWI) in the study area is variable between -4.45 to 6.06. Central zones of the study area have the highest values ​​of wetness. Compare of wetness index produced from attraction model (with more spatial resolution) with DEM 90 meter (with lower spatial resolution) showed that with using attraction model, more details of the amount of moisture in the study area, is visible.       237 245 مرضیه مکرم Marzieh Mokarram عضو هیئت علمی، دانشکدۀ کشاورزی و منابع طبیعی داراب، دانشگاه شیراز ایران m.mokarram@shirazu.ac.ir مجید حجتی Majid Hojjati کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه تهران ایران majid.hojati@ut.ac.ir عبدالرسول زارعی Abdol Rassoul Zarei عضو هیئت علمی، گروه مهندسی منابع طبیعی (مرتع و آبخیزداری)، دانشکدۀ کشاورزی، دانشگاه فسا ایران ar_zareiee@fasau.ac.ir شاخص توپوگرافی خیسی (TWI) قدرت تفکیک مکانی مدل جاذبه مدل رقومی ارتفاع (DEM) Atkinson PM. Sub-pixel target mapping from soft-classified, remotely sensed imagery Photogram. Engineering Remote Sensing. 1997:71 (7): 839–846.##Guo PT, Liu HB, Wu W. spatial prediction of soil organic matter using terrain attributes in a hilly area, International Conference on Environmental Science and Information Application Technology. China. 2009: (3) 1: 759-762.##Wang QM, Wang DF. Sub-pixel mapping based on sub-pixel to sub-pixel spatial attraction model. In: Proceedings of the 2011 IEEE International Geoscience and Remote Sensing Symposium, IGARSS. 2011: 593–596.##Muad AM, Foody GM. Super-resolution mapping of lakes from imagery with a coarse spatial and fine temporal resolution. Journal of Applied Earth Observation Geo information. 2012: (12) 1: 79–91.##Chen CY, Chen LK, Yu FC, Lin SC, Lin YC, Lee C L, et al. Characteristics analysis for the flash flood-induced debris flows. Journal of Natural Hazards. 2008: 47(1): 245-261.##Luca C, Si BC, Farrell RE. Upslope length improves spatial estimation of soil organic carbon content. Canada Journal of Soil Science. 2007: (87) 1: 291-300.##Mertens JC, Verbeke LPC, Ducheyne EI, Wulf RD. Using genetic algorithms in sub-pixel mapping. International Journal of Remote Sensing. 2003: (24) 21: 4241–4247.##Grabs T, Seibert J, Bishop K, Laudon H. Modeling spatial patterns of saturated areas: A comparison of the topographic wetness index and a dynamic distributed model. Journal of Hydrology. 2009: (373) 1: 15-23.##Whelan MJ, Gandolfi C. Modeling of spatial controls on de-nitrification in the landscapes scales. Hydrology Process. 2002: (16) 7: 1437-1450.##Tatem AT, Lewis HG, Atkinson PM. Super resolution target identification from remotely sensed images using a Hopfield neural network, IEEE Trans. Geoscience Remote Sensing. 2001: (39) 4: 781–796.##Sorensen R, Zinko U, Seibert J. On the calculation of the topographic wetness index: evaluation of different methods based on field observation. Hydrology and Earth System Sciences. 2005: (10): 1-10.##Zhong LP, Zhang PX, Li HF. A sub-pixel mapping algorithm based on artificial immune systems for remote sensing imagery. In: Proceedings of the 2009 IEEE International Geoscience and Remote Sensing Symposium, IGARSS: III-1007–III-1010.##Xu X, Zhong Y, Zhang L. A sub-pixel mapping method based on an attraction model for multiple shifted remotely sensed images. Neuron computing. 2014: (134): 79–91.##Hojati M, Mokarram M. Using attraction method to landform classification. quantity geomorphology. 2016: (4) 4: 40-55.##Zhang K, Wu YF, Zhong PX. A new sub-pixel mapping algorithm based on a BP neural network with an observation model. Neuron computing. 2008: (71): 2046–2054.##Maleki S, khormali GH, Karemi AR. The introduction of streaming algorithms for mapping wetness index and organic carbon in the loess land, Tvshn logic Golestan Province. Journal of soil and water. 2014: 21 (1): 145-162. (In Persian)##Welsch DL, Kroll CN, Mc Donnell JJ, Burns DA. Topographic controls on the chemistry of subsurface storm flow. Hydrology Process. 2001: (15) 10: 1925-1938.##Gessler PE, Moore N, McKenzie J, Ryan P J. Soil landscape modeling and spatial prediction of soil attributes. International Journal of GIS. 1995: 9 (4): 421-432. ##Khiavi K, Ghalami A. Application of artificial neural network in precipitation and runoff modeling case study Ghareso watershed, Ardabil. 2011, 3th national congress of Civil Engineering.##

0 تلفیق روش FSM و تحلیل مورفومتری در رتبه بندی زیرحوضه ها با استفاده از تکنیکهای RS و GIS مطالعه موردی حوضه اوزرود Integration of the FSM method and morphometric analysis for ranking sub-basins using RS and GIS techniques, case study :Ozroud basin https://ije.ut.ac.ir/article_60907.html 10.22059/ije.2017.60907 0 یکی از مسائل و مشکلات جدی حوضه‏های آبخیز ایران فرسایش خاک محسوب می‏شود و می‏توان از آن به‌عنوان یکی از موانع مهم برای دستیابی به توسعۀ پایدار کشاورزی و منابع طبیعی نام برد. در بیشتر کشور‏های جهان به‌دلیل نبود آمار دقیق از میزان فرسایش و رسوب، بهره‏گیری از مدل‏های برآورد فرسایش و رسوب گریزناپذیر است. به‌منظور اعمال مدیریت اثربخش بر عرصه‏های منابع‏ طبیعی به‌خصوص منابع خاک، نیاز است که با استفاده از رتبه‏بندی، زیرحوضه‏ها برای انجام عملیات حفاظتی اولویت‏بندی شوند. در این پژوهش، زیرحوضه‏های حوضۀ آبخیز اوزرود شامل 17 زیرحوضه، با استفاده از تحلیل مورفومتری و روش FSM مطالعه شده ‏است. در تحلیل مورفومتری از پارامترهای خطی شامل؛ پارامترهای تراکم زهکشی، نسبت انشعاب، نسبت بافت، طول‏ جریان و فراوانی ‏جریان و همچنین پارامترهای شکلی شامل؛ ضریب‏ کشیدگی، ضریب ‏فشردگی، نسبت ‏گردی، ضریب ‏شکل حوضه و ضریب فرم حوضه استفاده شد. همچنین در‏ روش FSM برای تعیین میزان رسوب سالانه از 7 پارامتر نمره‏دهی (توپوگرافی، آبکندها، پوشش‏ گیاهی، سنگ‏شناسی، اقلیم و حفاظت خاک) که بدین‌منظور از داده‏های مدل رقومی ارتفاع، تصاویر سنجندۀ OLI ماهوارۀ لندست 8، نقشۀ زمین‏شناسی، داده‏های هواشناسی و بازدیدهای میدانی استفاده شد. نتایج تحلیل‏های صورت‌گرفته نشان داد در روش تحلیل مورفومتری، زیرحوضۀ‏ B از نظر وضعیت شبکۀ زهکشی و همچنین در روش FSM از نظر تولید رسوب سالانه زیرحوضۀ N با تولید بیش از 6593 تن، بحرانی‏ترین زیر‏حوضه بودند، اما با تلفیق نتایج دو روش در پنج طبقه مشخص شد که زیر‏حوضۀ H به اولویت اول در بین زیرحوضه‏ها دست یافت. شایان ذکر است که نتایج این پژوهش می‏تواند راهگشای اهداف توسعه‏ای مدیران بخش‏های کشاورزی و منابع طبیعی باشد.   1 One of the serious problems of Iran’s watersheds is soil erosion and can be considered as one of the main obstacles to achieve Sustainable Agricultural Development and Natural Resources. In most countries of the world, because of absence of accurate data for the sediment erosion, deposition utilizing models to estimate erosion is inevitable. In order to apply effective management in natural resources region, especially soil resources, it’s required to ranking the sub-basin region to be prioritized for protective operations. In this study, Ozroud’s sub-basins, situation has been studied by FSM method and morphometric analysis. The morphometric analysis of linear parameters include; drainage density parameters, bifurcation ratio, texture ratio, length and frequency of current flow as well as the formal parameters including slenderness ratio, compression ratio, the roundness, forming factor and coefficient basin forms were used, also in the FSM to determine the amount of annual precipitation scoring, seven parameters (topography, gully, vegetation, geology, climate and soil conservation) were used. For this purpose, Digital elevation model, OLI sensor images of Landsat 8, geological map, meteorological data and field visits were used. Results of analysis showed that the morphometric analysis, sub-Basins area of the drainage network and also the FSM method in terms of annual sediment sub-N has produced 6593.5tons, the most critical sub-basin, but with integrating results of 2 methods in 5 levels, it was found that first priority among sub-basin was H. Remarkably, these results can be helpful with development goals of agriculture and natural resources managers.           247 257 سیدمحمد موسوی Seid Mohamad Mousavi دانشجوی کارشناسی ارشد، سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز ایران mohamad.mousavi368@gmail.com خلیل غلام نیا Khalil Gholamnia دانشجوی کارشناسی ارشد، سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز ایران khalil.gh3@gmail.com محمدرضا ممشلی Mohamadreza Mamashli دانشجوی کارشناسی ارشد، سنجش از دور و سیستماطلاعات جغرافیایی دانشگاه تبریز ایران mohamadreza8821@yahoo.com شهرام روستایی Shahram Rustaei استاد گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز ایران roostaei@tabrizu.ac.ir اوزرود تحلیل مورفومتری رتبه ‏بندی روش .FSM 1. Ahmadi H.Applied geomorphology. Vol1. Water Erosion: Univesity of Tehran Press; 1378.p. 668##2. Amanee M, Najafinejad A. Prioritization of sub-watersheds based on morphometric Analysis, GIS and RS Techniques: Lohandar watershed, Golestan Province. Journal of Watershed Management. 1393;9:1-15. (persian)##3. Darabee H, Soleymane k, Shahedi K, Miryaghoubzadeh M. Classification Sub-basin based on morphometric parameters using cluster analysis in Pole Doab basin. Journal of Soil and Water. 1391;B 22:200-2011. (Persian)##4. De Vente J, Poesen J. Predicting soil erosion and sediment yield at the basin scale:Scale issues and semi-quantitative models. journal earth saience. 2005;71:95-125##5. Hadian amree M.A, Soleymanee K, Habibnejad M. Classification of genetic sensitivity of Rock units to erosion in norroud basin of Haraz. Conference of Engineering Geology and the Environment. 1386;5:1167-1174. (Persian)##6. Haregeweyn N, Poesen J, Nyssen J, Verstraeten G, de Vente J, Govers G, Deckers S, Moeyersons J. Specific sediment yield in Tigray–Northern Ethiopia: Assessment and semi-quantitative modeling. Geomorphology. 2005;118:315-331.##7. Javed A, Khanday MY, Ahmed R. Prioritization of watersheds based on morphometric and landuse analysis using RS and GIS techniques. Journal of the Indian society of Remote Sensing. 2009;37:261-274.##8. Ahmed, F, and Srinivasa Rao K. Prioritization of Sub-watersheds based on Morphometric Analysis using Remote Sensing and Geographic Information System Techniques. International Journal of Remote Sensing and GIS. 2015:4(2):51-65.##9. Fallah M, Mohamadi M, Kavian A. Prioritization sub-basins using morphometric analysis and land use changes in the watershed Talar of Mazandaran. Ecohydrology. 1394:2(3):261-74.##10. Kavian A, Asrian R, Nateghee T, Jafarian jolodar Z, Safaree A. Performance assessment models EPM, PSIAC and FSM for estimating sediment yield in pasture land of Sorkhabad basin. Journal of Geographical space. 1393;48:57-79(Persian)##11. PEYlashkarian N, Hashemee SA, Shadfar S. Performance evaluation of FSM method to estimate the total Sedimentation in Semnan province. Journal of Watershed Engineering and Management. 1393;1:51-58(Persian)##12. Mohamadiha Sh, Peyrowan HR, Mousavi Harami R, Feiznia S. Evaluation of soil erosion and sediment yield using semi-quantitative models: FSM and MPSIAC in Eivaneki watershed and the sub basins (Southeast of Tehran/Iran). Journal of American Science.2011; 7:234-239##13. Pandey A, Chawdary VM, Mal BC. Identification of critical erosion prone areas in the small agricultural watershed using USLE, GIS and RS. Water Resource Manage. 2007;21:729-746##14. Lee R. Chemical weathering, atmospheric and climate, Annu. Rev. Earth planet Sic. 2000;28: 611-617##15. De Vente J, Poesen J, Verstraeten G. The application of semi-quantitative methods and reservoir sedimentation rates for the prediction of basin sediment yield in Spain. journal of hydrology. 2004;305:63–86##16. Gitas IZ, Douros K, Minakou C, Silleos GN, Karydas CG. Multi-temporal soil erosion risk assessment in N. Chalkidiki using a modified USLE raster model. EARSEL eProceedings. 2009; 8(1):40-52##17. Pandan RK, Nagarajan R. Prioritization of Sub-basins of Ghataprabha River using Morphometric Parameters. International Journal of Geomatics and Geosciences. 2013; 3(3):605-617.##18. Sreedevi PD, Owais S, Khan HH, Ahmed S. Morphometric Analysis of a Watershed of South India Using SRTM Data and GIS. Journal Geological Society Of India. 2009;73:543-552##19. Asadi Niloon O, Saghazadh N, Salahshoor Dastgerdy M, Bay M. Morphometric analysis and prioritization of sub-basins using GIS for watershed management activities (case study: Maravehtapeh watershed in Golestan province). Eco Hydrology. 1394;2(1):90-103.##20. Jamei M, Akhoond ali AM, Zarei H. Assessment FSM method to estimate sediment behind dams in the region Shayon Dezfoul. The second National Conference on Geography and Geology, Tehran, Institute of Information Narkish.##21. Erfanian M, Ghahramani P, Saadat H. Soil erosion potential hazard mapping using fuzzy logic in Gharnaveh watershed in Golestan Province. Iran-Watershed Management Science & Engineering. 1391;7(23):43-52.##22. Haravi H, Nazari Samani AA. FSM method of soil erosion and sediment yield (Case Study: Watershed Kan). the first national conference on strategies to achieve sustainable development, Tehran, Interior Ministry.##

0 شناسایی منابع آب های گرم زیرزمینی برای تامین گرمایش و آبیاری گلخانه های کشاورزی در استان آذربایجان شرقی Geothermal Energy Resource Assessment for Greenhouse Heating and Irrigation (Case Study: Eastern Azerbaijan Province) https://ije.ut.ac.ir/article_60908.html 10.22059/ije.2017.60908 0 در این مطالعه برای تهیۀ نقشۀ مناطق مستعد احداث گلخانه در استان آذربایجان شرقی به‌منظور بهره‏گیری از انرژی زمین‏گرمایی، از سیستم اطلاعات جغرافیایی (ساج) به‌عنوان نرم‏افزار پشتیبان تصمیم‏گیری استفاده شده است. هدف از این مطالعه، تعیین مناطق پتانسیل‏دار انرژی زمین‏گرمایی در استان به‌عنوان پایۀ مطالعات تکمیلی برای بهره‏برداری از انرژی طبیعی، پاک و سازگار با محیط زیست برای نیل به اهداف توسعۀ پایدار در بخش کشاورزی است. پس از بررسی مطالعات انجام‌شده در کشورهای صاحب تکنولوژی اکتشاف و بهره‏برداری از انرژی زمین‏گرمایی، شواهد و مظاهر طبیعی سطحی‌ای تعیین شدند که نشان‌دهندۀ وجود انرژی زمین‏گرمایی در اعماق هستند و می‏توانند به‌عنوان شاخص در مکان‏یابی مناطق دارای پتانسیل زمین‌گرمایی مناسب باشند. سپس اطلاعات و داده‏های موجود در استان با داده‏های مورد نیاز تطبیق داده و مدل مفهومی مکان‏یابی انرژی زمین‏گرمایی تهیه شد. برای تعیین مناطق پتانسیل‏دار زمین‏گرمایی لایه‏های اطلاعاتی در سه گروه به‌صورت موضوعی شامل زمین‌شناسی، ژئوشیمی و ژئوفیزیک طبقه‏بندی شدند. سپس این لایه‏ها با برنامه‏نویسی در محیط ساج با توجه به‌میزان اهمیت آنها در شناسایی منابع انرژی زمین‏گرمایی با هم تلفیق و مناطق دارای پتانسیل مشخص شدند. در نهایت، با اجرای مدل ساج، مساحت کل مناطق پتانسیل‏دار انرژی زمین‏گرمایی حدود 24 ‌درصد از کل مساحت استان انتخاب شد. این مناطق می‏توانند به‌عنوان مناطق دارای پتانسیل زمین‏گرمایی در آینده برای استفاده در گرمایش گلخانه‏ها و تأمین آب آبیاری استفاده شوند و با تلفیق لایه‏های اطلاعاتی عوامل مؤثر در مکان مناسب برای احداث گلخانه نقشۀ نهایی تهیه شد.   1 In this paper, Geographical Information System (GIS) is used as a support system for decision making in order to provide the map of high potential areas for the construction of greenhouses benefited from geothermal energy. The goal is to perform a geothermal energy resource assessment in Eastern Azerbaijan province as a base for further studies to achieve sustainable development objectives in the agricultural sector of the province. A thorough study is conducted to determine the indices used for geothermal resource assessment. Then, using these indices and the data of the province, the conceptual model for geothermal resource assessment is provided. To do this, information layers are categorized in three geology, geochemistry and geophysics sections. Then, by means of programming in GIS, these layers are intersected to find the final map of areas with high potential of geothermal energy. The results showed that about 24% of the total area of the province are high potential areas. These areas can be used for the construction of greenhouses where geothermal energy can be utilized for irrigation and heating purposes.       259 274 امیر حسین میر آبادی Amirhossein Mirabadi دانشجوی دکتری دانشکدۀ کشاورزی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران ایران amirh_mirabadi@yahoo.com یونس نوراللهی Younes Noorollahi دانشیار دانشکدۀ علوم و فنون نوین دانشگاه تهران ایران noorollahi@ut.ac.ir مرتضی الماسی Morteza Almasi استاد دانشکدۀ کشاورزی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران ایران y_noorollahi@yahoo.com آذربایجان شرقی انرژی زمین‏ گرمایی تأمین گرمایش گلخانه مکان‏ یابی‌ منابع##[1]     Noorollahi, Y. An Introduction to Geothermal Energy. Tehran: Talab; 2015. p. 142. [Persian]##[2]     Fotouhi M, Noorollahi Y. Principles of Geothermal Energy. Tehran: Mi’aad; 2002. p. 148. [Persian]##[3]     Van Nguyen M, Arason S, Gissurarson M, Gunnar Pálsson P. Uses of geothermal energy in food and agriculture: Opportunities for developing countries. Food and Agriculture Organization of the United Nations (FAO), 2015.##[4]     Mohamed M B. Geothermal utilization in agriculture in Kebili region, southern Tunisia. Geo-Heat Center Bull. 2002; 1-6.##[5]     Prol-Ledesma R. M. Evaluation of the reconnaissance results in geothermal exploration using GIS. Geothermics. 2000; 29 (1): 83–103.##[6]     Coolbaugh MF, Taranik JV, Rains GL, Shevenell LA, Sawatzky DL, Bedell R, Minor TB. A geothermal GIS for Nevada: defining regional controls and favorable exploration terrains for extensional geothermal systems. Transactions-Geothermal Resources Council. 2002 Sep 22:485-90.##[7]     Noorollahi, R. Itoi, H. Fujii, T. Tanaka, 2007, Geothermal resources exploration and wellsite selection with environmental considerations using GIS in Sabalan geothermal area, Iran, 32nd Workshop on Geothermal Reservoir Engineering, Stanford, California, USA (2007)##[8]     Noorollahi Y, Itoi R, Fujii H, Tanaka T. GIS model for geothermal resource exploration in Akita and Iwate prefectures, northern Japan. Computers & Geosciences. 2007 31; 33(8): 1008-21.##[9]     Hanano M. Two different roles of fractures in geothermal development. In Proceedings of the World Geothermal Congress. 2000; p. 2597-2602.##[10]  Blewitt G, Coolbaugh MF, Sawatzky DL, Holt W, Davis JL, Bennett RA. Targeting of potential geothermal resources in the Great Basin from regional to basin-scale relationships between geodetic strain and geological structures. TRANSACTIONS-GEOTHERMAL RESOURCES COUNCIL. 2003 Oct 12:3-8.##[11]  Browne PR. Hydrothermal alteration in active geothermal fields. Annual Review of Earth and Planetary Sciences. 1978 May;6(1):229-48.##[12]  Slemmons D B. Fault activity and seismicity near the Los Alamos Scientific Laboratory Geothermal Test Site, Jemez Mountains, New Mexico, Los Alamos Scientific Laboratory, Report LA-5911-MS. 1975.##[13]  Simiyu SM, Oduong EO, and Mboya TK. Seismic wave parameter analysis at Olkaria, Kenya. KenGen, internal report. 1998; p. 38.##

0 شناسایی حوضه های آبریز و پتانسیل سنجی تولید توان از نیروگاه‌های برق‌آبی کوچک در استان کردستان Identification of the catchment areas and potential survey of power generation from small hydropower plants in Kurdistan province https://ije.ut.ac.ir/article_60909.html 10.22059/ije.2017.60909 0 ‌انرژی برق‏آبی یکی از منابع مهم انرژی‏های تجدید‌پذیر است. نیروگاه‏های برق‏آبی کوچک در حال تبدیل‏شدن به پرکاربردترین گزینه از نیروگاه‏های برق‏آبی هستند که می‏توانند در مکان‏های کوچک و دورافتاده به‌کار گرفته شوند و قادر به تولید برق ارزان، پاک و قابل‏اطمینان هستند. در کشور ایران و اغلب کشورهای درحال‏توسعه انتقال برق به مناطق دورافتاده به‌دلایلی همچون هزینۀ انتقال زیاد و عدم تأمین مناسب میزان برق مورد نیاز با مشکلات فراوانی روبه‌روست. بنابراین، نیروگاه‏های برق‏آبی کوچک می‏توانند به‏عنوان گزینه‏ای مناسب به‏منظور تأمین برق مورد نیاز مورد توجه قرار گیرند. هدف مطالعۀ حاضر امکان‏سنجی و پتانسیل‏سنجی تولید برق از نیروگاه‏های برق‏آبی کوچک در استان کردستان است. بنابراین، حوضه‏های آبریز استان بررسی شده و میزان دبی هر‌یک از حوضه‌ها بر‌اساس میزان متوسط بارش، متوسط دما و مساحت تخمین زده شد. سپس با توجه به محدودیت‏های فنی، اقتصادی و زیست‏محیطی در نظر گرفته‏شده نقاط مناسب به‏منظور احداث نیروگاه‏های برق‏آبی تعیین شد. درنهایت، میزان توان تولیدی هر‌یک از حوضه‌ها محاسبه شد. نتایج به‌دست‌آمده نشان‏دهندۀ امکان احداث 3455 نیروگاه برق‏آبی کوچک در استان کردستان است که درنهایت در صورت احداث نیروگاه‏های برق‏آبی کوچک در همۀ مناطق پیشنهادی امکان تولید 492 مگاوات برق فراهم است.     1 Hydropower power generation is one of the most important sources of renewable energies. Small hydropower plants are becoming the most popular option of hydropower plants, which can be applied in small and remote places, and are able to produce cheap, clean and reliable electricity. In Iran and most developing countries, electricity transmission to remote regions for reasons such as high transmission costs and lack of proper supply of electricity, is faced with serious problems. Therefore, small hydropower plants can be considered as a suitable option to supply the power needed especially in rural and remote areas. This study aimed to study the feasibility and potential for generating electricity from small hydropower plants in the province of Kurdistan. Therefore, the catchment areas have been investigated and based on the average of tempreture, rain fall, and the catchment areas the amount of discharge is estimed. Then an appropriate locations to install hydropower plants are determined with respect to the intended technical, economic and environmental restrictions. Finally, the capacity of hydropowers is calculated. The results indicate the possibility to construct 3455 small hydropower plants in the province of Kurdistan, and finally, in the case of construction of small hydropower plants, in all the proposed areas it will be possible to produce 492 MW of electricity from hydropower in Kurdistan. 275 286 یونس نوراللهی Younes Noorollahi دانشیار دانشکدۀ علوم فنون نوین دانشگاه تهران ایران noorollahi@ut.ac.ir حسین یوسفی Hossein Yousefi استادیار دانشکدۀ علوم فنون نوین دانشگاه تهران ایران hosseinyousefi@ut.ac.ir مهیار طاهری باویل علیایی mahyar Mahyar Taheri Bavil Oliaei دانشجوی کارشناسی ارشد مهندسی صنایع، دانشکدۀ مهندسی صنایع دانشگاه تهران ایران mahyartaheri24@gmail.com محمد محمدی mohammad mohammadi دانشجوی کارشناسی ارشد مهندسی سیستم ‏های انرژی، دانشکدۀ علوم فنون نوین دانشگاه تهران ایران m.mohammady@ut.ac.ir ارزیابی منابع پتانسیل ‏سنجی توان برق‏ آبی سیستم اطلاعات جغرافیایی [1] Koç C. A study on the development of hydropower potential in Turkey. Renewable and Sustainable Energy Reviews. 2014;39:498-508.##[2] Hajinezhad A, Abedi S, Ghobadian B, Noorollahi Y. Biodiesel production from Norouzak (Salvia lerifolia) seeds as an indigenous source of bio fuel in Iran using ultrasound. Energy Conversion and Management. 2015;99:132-40.##[3] Brown A, Müller S, Dobrotkova Z. Renewable energy: Markets and prospects by technology. IEA information paper. 2011.##[4] Ferreira JHI, Camacho JR, Malagoli JA, Júnior SCG. Assessment of the potential of small hydropower development in Brazil. Renewable and Sustainable Energy Reviews. 2016;56:380-7.##[5] Paish O. Small hydro power: technology and current status. Renewable and sustainable energy reviews. 2002;6(6):537-56.##[6] Dursun B, Gokcol C. The role of hydroelectric power and contribution of small hydropower plants for sustainable development in Turkey. Renewable Energy. 2011;36(4):1227-35.##[7] Kusre B, Baruah D, Bordoloi P, Patra S. Assessment of hydropower potential using GIS and hydrological modeling technique in Kopili River basin in Assam (India). Applied Energy. 2010;87(1):298-309.##[8] Yi C-S, Lee J-H, Shim M-P. Site location analysis for small hydropower using geo-spatial information system. Renewable Energy. 2010;35(4):852-61.##[9] Goyal MK, Singh V, Meena AH. Geospatial and hydrological modeling to assess hydropower potential zones and site location over rainfall dependent Inland catchment. Water Resources Management. 2015;29(8):2875-94.##[10] Larentis DG, Collischonn W, Olivera F, Tucci CE. Gis-based procedures for hydropower potential spotting. Energy. 2010;35(10):4237-43.##[11] Belmonte S, Núñez V, Viramonte J, Franco J. Potential renewable energy resources of the Lerma Valley, Salta, Argentina for its strategic territorial planning. Renewable and Sustainable Energy Reviews. 2009;13(6):1475-84.##[12] Carroll G, Reeves K, Lee R, Cherry S, editors. Evaluation of potential hydropower sites throughout the United States. ESRI User Conference; 2004: Citeseer.##[13] Pokharel S. Spatial analysis of rural energy system. International Journal of Geographical Information Science. 2000;14(8):855-73.##[14] Ramachandra T, Kumar R, Jha S, Vamsee K, Shruthi B. Spatial decision support system for assessing micro, mini and small hydel potential. Journal of Applied Sciences. 2004;4(4):596-604.##[15] Das S, Paul P. Selection of site for small hydel using GIS in the Himalayan region of India. Journal of Spatial Hydrology. 2006;6(1).##[16] Kosa P, Kulworawanichpong T, Srivoramas R, Chinkulkijniwat A, Horpibulsuk S, Teaumroong N. The potential micro-hydropower projects in Nakhon Ratchasima province, Thailand. Renewable Energy. 2011;36(3):1133-7.##[17] Ohunakin OS, Ojolo SJ, Ajayi OO. Small hydropower (SHP) development in Nigeria: an assessment. Renewable and Sustainable Energy Reviews. 2011;15(4):2006-13.##[18] Kucukali S, Baris K. Assessment of small hydropower (SHP) development in Turkey: Laws, regulations and EU policy perspective. Energy policy. 2009;37(10):3872-9.##[19] Kosnik L. The potential for small scale hydropower development in the US. Energy Policy. 2010;38(10):5512-9.##[20] Hall D. Water Energy Resources of the United States with Emphasis on Low Head/Low Power Resources: Appendix B-Assessment Results by State. EERE Publication and Product Library, 2004.##[21] Ghorashi AH, Rahimi A. Renewable and non-renewable energy status in Iran: Art of know-how and technology-gaps. Renewable and Sustainable Energy Reviews. 2011;15(1):729-36.##[22] Mazandarani A, Mahlia T, Chong W, Moghavvemi M. A review on the pattern of electricity generation and emission in Iran from 1967 to 2008. Renewable and Sustainable Energy Reviews. 2010;14(7):1814-29.##[23] Kurdistan Regional Water Authority. Cited 10 Jan 2016. Available from: http://www.kdrw.ir/.##[24] Satkin M, Noorollahi Y, Abbaspour M, Yousefi H. Multi criteria site selection model for wind-compressed air energy storage power plants in Iran. Renewable and Sustainable Energy Reviews. 2014;32:579-90.##[25] Gass V, Schmidt J, Strauss F, Schmid E. Assessing the economic wind power potential in Austria. Energy policy. 2013;53:323-30.##[26] Noorollahi Y, Yousefi H, Mohammadi M. Multi-criteria decision support system for wind farm site selection using GIS. Sustainable Energy Technologies and Assessments. 2016;13:38-50.##[27] Office of Legal Affairs MoE. Transmission and distribution of electricity airlines privacy. Cited 10 Jan 2016. Available from: http://law.moe.gov.ir/.##

0 ارزیابی آلودگی به عناصر سنگین و رابطۀ آن با دانه‏ بندی رسوبات مخزن دریاچۀ سد کارده Evaluation of heavy elements contamination and its relationship with aggregation in the sediments of kardeh reservoir https://ije.ut.ac.ir/article_60910.html 10.22059/ije.2017.60910 0 امروزه منابع آب ذخیره‌شده در مخازن سدها یکی از منابع اساسی تأمین آب شرب محسوب می‏شوند. عناصر موجود در رسوبات مخازن سدها از مهم‏ترین عوامل مؤثر بر کیفیت آب هستند. به‌دلیل مشکلات ناشی از کم‏آبی، بر‌خلاف برنامه‏ریزی‏های اولیه، امروزه تقریباً همۀ آب ذخیره‌شده در مخزن سد کارده به شرب اختصاص داده شده‏ است. از طرف دیگر، در سطح حوضۀ آبریز این سد تغییرات زیادی از نظر کاربری اراضی، توسعۀ اراضی کشاورزی و احداث باغ‌ـ ویلا صورت گرفته است. بنابراین، بررسی وضعیت آلودگی رسوبات مخزن این سد نسبت به عناصر سنگین ضروری است. در این پژوهش ابتدا با مغزه‏گیری از رسوبات مخزن سد کارده، مقادیر 9 عنصر سنگین در رسوبات با استفاده از دستگاه ICP-OES تعیین و با استفاده از معیارهای کیفی استاندارد رسوبات، وضعیت آلودگی رسوبات مخزن سد به عناصر سنگین بررسی شد. سپس با تعیین دانه‏بندی رسوبات توسط دستگاه Nano particle size analiyzer، رابطۀ اندازۀ ذرات با میزان و نوع عناصر سنگین موجود در رسوبات بررسی شد. بر‌اساس استانداردهای استفاده‌شده، تقریباً همۀ عناصر بررسی‌شده در حد مجاز قرار دارند. به نظر می‏رسد که منشأ این عناصر آلاینده‏های محلی باشد و ناشی از انتقال رسوبات از تشکیلات زمین‌شناسی نواحی بالادست نیست. از طرفی، روند تغییرات اندازۀ ذرات در مخزن سد نشان‏دهندۀ تأثیر‌پذیری این ذرات از عمل فلاشینگ است.   1 Today, water resources stored in reservoirs is one of the basic sources of drinking-water. The elements in the sediments of reservoirs are the most important factors affecting water quality. Unlike the primary plan, due to water shortage problems, nowadays, almost all the stored water in the Kardeh reservoir is allocated to drinking water. From the other side in the catchment area of this dam a lot of changes in terms of land use, the development of agricultural lands and the construction of the garden-Villa Has taken place. Therefore, Surveying the status of the reservoir sediment contamination by heavy metals is essential. In this research, first some cores of sediments from the reservoir was taken and the amounts of 9 heavy metals elements in the sediments were determined using ICP-OES. Reservoir sediment contaminations by heavy metals were studied, by using qualitative criteria of sediments. Then determine the aggregation of sediments by Nano particle size analiyzer machine, the relationship between the particle size with the amount and the type of heavy elements present in the sediments were studied. Based on the standards criteria, almost all the elements are at the acceptable ranges. It seems that the origin of these elements has been the local pollutants and not from sediments resulting from the transfer of the geological structure of the upstream areas. On the other hand trend of changes in particle size in the reservoir reflects the impact of flushing.             287 299 مریم یزدان پرست Maryam Yazdanparast دانشجوی کارشناسی ارشد آبخیزداری، دانشکدۀ منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد، مشهد ایران m.yazdan5@gmail.com ابوالفضل مساعدی Abolfazl Mosaedi استاد، دانشکدۀ منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد، مشهد ایران mosaedi@yahoo.com سعیدرضا خداشناس Saeed Reza Khodashenas استاد، دانشکدۀ کشاورزی، دانشگاه فردوسی مشهد، مشهد ایران saeedkhodashenas@yahoo.fr علی گلکاریان Ali Golkarian استادیار، دانشکدۀ منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد، مشهد ایران golkarian@yahoo.com محمد حسین محمودی قرائی Mohamag Hosein Mahmoodi Gharaee دانشیار، دانشکدۀ علوم، دانشگاه فردوسی مشهد، مشهد ایران mhmgharaie@um.ac.ir ‌کلیدواژگان: دانه ‏بندی ذرات رسوبی سد کارده شاخص آلودگی عناصر سنگین نمونه ‏برداری رسوب 1. Hernandez L, Probst A, Probst JL, Ulrich E. Heavy metal distribution in some French forest soils: evidence for atmospheric contamination. The Science of the Total Environment. 2003; 312:195–219.##2. Doelsch E, Macary HS, Van de Kerchove V. Sources of very high heavy metal content in soils of volcanic island (La Re´union). Journal of Geochemical Exploration. 2006; 88:194– 197.##3. Tijani MN, Okunlola OA, Abimbola AF. Lithogenic concentrations of trace metals in soils and saprolites over crystalline basement rocks: A case study from SW Nigeria. Journal of African Earth Sciences. 2006; 46:427–438.##4. Upadhyay AK, Gupta KK, Sircar JK, Deb MK, Mundhara GL. Heavy metals in freshly deposited sediments of the river Subernarekha, India: an example of lithogenic and anthropogenic effects, Environ Geol. 2006; 50:397-403.##5. Jordan C, Zhang C, Higgins A. Using GIS and statistics to study influences of geology on probability features of surface soil geochemistry in Northern Ireland. Journal of Geochemical Exploration. 2007; 93:135–152##6. Shakeri abdolmaleki AR. Assessment of pollution of heavy metals (Fe, Mn, Ni, Pb and Zn) in sediments and its impact on water quality (Case study Chahnimeh 1 reservoir in Sistan) M.Sc. Thesis, University of Zabol.2012. (Persian)##7. Kabata-Pendias A, Mukherjee AB. Trace Elements from Soil to Human, Springer Berlin Heidelberg New York. 2007.##8. Kabata-Pendias A, Pendias H. Trace elements in soils and plants. Third edition, CRC Press LLC. 2001; 408p 9. Garavand M, Ghasemi H, Hafezi Moghddas N. Geochemical and Environmental Assessment of the Heavy Metals in the Soils Derived from the Gorgan Schists, Scientific Quarterly Journal, GEOSCIENCES. 2012; 22:35-46.##10. Ghrefat H A, Abu-Rukah Y, Rosen MA. Application of geoaccumulation index and enrichment factor for assessing metal contamination in the sediments of Kafrain Dam, Jordan. Springer Science, Environ Monit Assess. 2010; 178:95–109.##11. Cevik F, Göksu MZ, Derici OB, Fındık O. An assessment of metal pollution in surface sediments of Seyhan dam by using enrichment factor, geoaccumulation index and statistical analyses. Environmental Monitoring and Assessment. 2008; 152:309–317.##12. Mor F, Soltani N, Keshavarzi B, Karimi M, Esmaelzade A. Environmental geochemistry, water, soil and sediments of copper deposit of Darrehzar (Kerman). Journal of Advanced Applied Geology. 2012; 1:29-37. (Persian)##13. Sarhangi A, Modaberi S, Mosaviharami SR, zibaee M. Contamination of potentially toxic elements in Latian Reservoir, with a view to the role of sediments in pollution control Journal of earth Science (geological engineering and environment). 2014; 94:139-146. (Persian)##14. Kargar AA, Sedghi H. Introduce and review of the most common methods for prediction of sedimentation in reservoirs (Case Study: Sefidrud dam). 14th National Civil Engineering Students Conference, 25 Auguest,Semnan University, Semnan, Iran. 2009. (Persian)##15. Anonymous. A detailed assessment of stability control of double-arch concrete of Kardeh dam. Khorasan Razavi Regional Water Authority, Department of Department of Conservation and Utilization. 2005;120 p. (Persian)##16. Ergin M, Saydam C, Basturk O, Erdem E, Yoruk R. Metal concentrations in surface sediments from the two coastal inlets (Golden Horn Estuary and Izmit Bay) of the northeastern Sea of Marmara. Chem. Geol. 1991; 91:269–285.##17. Hakanson L. An ecological risk index for aquatic pollution control, a sedimentological approach. Water Res. 1980; 14:975-1001.##18. Abrahim GMS. Holocene sediments of Tamaki Estuary: Characterisation and impact of recent human activity on an urban estuary in Auckland, New Zealand, Ph.D. thesis, University of Auckland, Auckland, New Zealand. 2005; 361p.##19. Tomlinson DL, Wilson JG, Harris CR, Jeffrey DW. Problems in the assessment of heavy-metal levels in estuaries and the formation of a pollution index. Helgol. Meeresunters. 1980; 33:566-575.##20. Aikpokpodion PE, Lajide L, Aiyesanmi AF. Heavy metals contamination in Fungicide treated Cocoa plantations in Cross River State, Nigeria, American-Eurasian J. Agric. & Environ. Sci. 2010; 8(3):268-274.##21. Australian and New Zealand Environment and Conservation Council (ANZECC), Agriculture and Resource Management Council of Australia and New Zealand. In: Preda, M., Cox, M. E., (2002). Trace Metal Occurrence and Distribution in Sediments and Mangroves, Pumicestone Region, Southeast Quuensland, Austalia. Environ. Int. 1999; 28:433-449.##22. Praveena SM, Radojevic M, Abdullah MH, Aris AZ. Application Of Sediment Quality Guidelines In The Assessment Of Mangrove Surface Sediment In Mengkabong Lagoon, Sabah, Malaysia. 2008; 5:35-42.##23. Caeiro S, Costa MH, Ramos TB, Fernandes F, Silveira N, Coimbra A, Medeiros G, Painho M. Assessing Heavy Metal Contamination in Sado Estuary Sediment. An Index Analysis Approach. Ecol. Indicators. 2005; 5:151–169.##24. Mil-Homens M, Stevens RL, Abrantes F, Cato I. Heavy Metals Assessment for Surface Sediment from Three Areas of the Portuguese Continental Shelf. Cont. Shelf Res. 2006; 26:1184-1205.##25. Washington Department of Ecology. Sediment Management Standards. Chapter 173–204, Washington Administrative Code, amended December, 1995. In Long E. R., MacDonald, D. D., (1998). Recommended Uses of Empirically Derived, Sediment Quality Guidelines for Marine and Estuarine Ecosystems. HERA. 1995; 4:1019-1039.##26. Chen CW, Kao CM, Chen CF, Dong CD. Distribution and accumulation of heavy metals in the sediments of Kaohsinung Harbor. Taiwan, Chemosphere. 2007; 66:1431-1440.##27. Hejduk L, Banasik K. Variations in suspended sediment grain sizes in flood events of a small lowland river. IAHS-AISH publication. 2010; 337: 189-196.##