1398 6 1 0 265

0 طرح راه ماهی شبه‌طبیعی و ارزیابی کارایی آن با مدل شبیه‌سازی زیستگاه PHABSIM Nature-Like Fishway Design and Evaluation its Performance with Habitat Simulation Model of PHABSIM https://ije.ut.ac.ir/article_69840.html 10.22059/ije.2018.254529.850 0 ساخت سازه‏های متعدد سبب قطع مسیر مهاجرت ماهیان رودخانه می‏شود. مؤثر‌ترین روش برای برقراری مجدد جریان، ساختن راه ‏ماهی است. راه‏ ماهی شبه‌طبیعی از جمله سازه‌های احداث‌شده برای این منظور طی دو دهۀ اخیر در جهان است. به‌منظور احیای رودخانه‌ها و تأمین توسعۀ پایدار سامانۀ رودخانه، ضروری است تا مهندسان رودخانه در کشور به دنبال طراحی سازه‏هایی سازگار با محیط زیست، همچون راه ‏ماهی شبه‌طبیعی باشند. هدف از پژوهش حاضر، ارائۀ مبانی بومی‌سازی طراحی راه‏ ماهی شبه‌طبیعی و طراحی آن برای یکی از رودخانه‏های ایران و ارزیابی آن به عنوان زیستگاه آبزیان است. برای پیاده‏سازی یک نمونۀ طراحی، رودخانۀ جاجرود به‌دلیل احداث چهار بند روی آن و قطع‌شدن مسیر مهاجرت گونه‏ها، انتخاب شد. مسیر کانال کنارگذر با استفاده از سرریزهایی با افت‏ هیدرولیکی 25/0 متر طراحی شد و استخرهایی به عرض چهار و طول پنج متر و میزان تلفات انرژی 1/98 وات بر مترمکعب و خیزآب‏هایی به عرض دو متر در طراحی مورد توجه قرار گرفت. همچنین، با استفاده از مدل ریاضی PHABSIM ارزیابی مطلوبیت زیستگاه راه ‏ماهی طراحی‌شده صورت گرفت و مشاهده شد که درصد عرض مطلوب رودخانه در دبی طراحی در استخرها برای هر یک از گروه‌های سنی به‌ترتیب96/1، 97/43 و 93/41 درصد و در خیزآب‏ها 82/5، 5/38 و 2/18 است. مطلوبیت زیستگاه استخرهای استراحت در مقایسه با زیستگاه‏های خیزآب مناسب‏تر بود و نتایج بررسی‏ها نشان داد ماهیان در زیستگاه خیزآب به خلاف زیستگاه استخرها، کناره‏های راه‏ ماهی را به‌دلیل سرعت‏های مطلوب‏تر به‌عنوان زیستگاه انتخاب می‌کنند. 1 The construction of multiple structures disconnects the migration course of fish in the river. Fishways are the most effective solution to re-establish the longitudinal connectivity of the river. Nature-Like fishways are among of the structures constructed in the last two decades and now that the point of views of river engineers in the world have changed and they seek to rehabilitate the rivers, it is necessary that our country's engineers also seek to design Eco-friendly structures, such as nature-like fishways. The purpose of this research is to present the basics of nature-like fishways and to design it for one of Iranian river and to evaluate it with the mathematical model of PHABSIM. The bypass is planned using stone weirs with hydraulic loss of 0.25 meters with pools of width 4 and 5 meters in length, and a volumetric dissipated energy of 98.1 watts per cubic meter, and riffles with a width of 2 meters wide in design were considered. By using the PHABSIM mathematical model, the habitat suitability of the designed bypass channel was investigated and it was observed the fish in the riffles, unlike the pools, the channel sides were chose as a suitable habitat for more suitable speeds. 1 13 سارا سادات بدری Sara Sadat Badri دانشجوی کارشناسی ارشد، رشتۀ سازه‏ های آبی، دانشگاه تربیت مدرس، تهران ایران badri.sara71@yahoo.com سیدعلی ایوب‌زاده Seyed Ali Ayyoubzadeh استاد گروه مهندسی سازه‏ های آبی، دانشگاه تربیت مدرس، تهران ایران ayyoub@modares.ac.ir مهدی یاسی Mehdi Yasi دانشیار مهندسی رودخانه، گروه مهندسی آبیاری و آبادانی، دانشگاه تهران ایران m.yasi@ut.ac.ir راه ‌ماهی شبه‌طبیعی کانال کنارگذر مطلوبیت زیستگاه PHABSIM [1]. Moiri M, Hosseinzadehdalir A, Nickpour M, Varjavand P. Flood Numerical Simulation Using Fluent Computer Model, Second Conference on Environmental Engineering, 2008. Tehran, University of Tehran, Faculty of Environment (in Persian).##[2]. FAO, DVWK. Fish passes, Design, Dimensions and Monitoring, Translation of DVWK Merkblatt, 2002- 232/1996.##[3]. Kim J. H, Yoon J. D, Baek S. H, & Jang M. H. Estimation of optimal ecological flowrates for fish habitats in a nature-like fishway of a large river. Journal of Ecology and Environment, 2016, 39(1), 43-49.##[5]. Prato E, Falciai M. Linie guida per la progettazione, valutazione tecnica e pianificazione di passaggi artificiali per pesci, 2009.##[6]. Moosavi Sh. Assessment of Fish Ecological Structures. MSc Thesis in Civil Engineering, 2003, Khaje Nasir Al-Din Toosi University (in Persian)##[7]. Vogel. 2003, „Ansätze zur Bemessung rauer Rampen in aufgelöster Bauweise, Universität der Bundeswehr München.##[8]. Wang, R. W. 2008. Aspects of design and monitoring of nature-like fish passes and bottom ramps. Techn. Univ., Lehrstuhl für Wasserbau und Wasserwirtschaft.##[9]. Larinier, M. 1992. Les passes à ralentisseurs. Bulletin Français de la Pêche et de la Pisciculture, (326-327), 73-94.##[10]. MUNLV (Ministerium für Umwelt und Naturschutz, Landwirtschaft und Verbraucherschutz des Landes Nordrhein-Westfalen) 2005. Handbuch Querbauwerke, p. 112, 129.##[11]. Zhou, Y., 1982. The swimming speed of fish in towed gears, a reexamination of the principles. Dept. of Agriculture and Fisheries for Scotland, Work. Pap. 4, 55 p.##[12]. National Fishpass Manual, Armstrong et.al., 2009 Environment Agency v1.1 Guidance Notes On the Legislation, Selection and Approval of Fish Passes in England and Wales.##[13]. Raleigh, R. F., Zuckerman, L. D., & Nelson, P. C. 1984. Habitat suitability index models and instream flow suitability curves: brown trout (No. 82/10.124). US Fish and Wildlife Service.##[14]. Sedighkia. M., 2017. Investigation on the effect and application of Ecohydraulic indices in river ecosystem analysis (Case study: Lar national Park, Brown trout species).PhD Thesis. Tarbiat modares University (in Persian).##[15]. Robinson, K.M.., Kadavy, K.C. and Rice, C.E.1998 Roughness of Loose Rock Riprap on Steep Slopes. Journal of Hydraulic Engineering, 124, 179-185.##[16]. Ahmadi, H., Malekian, A., Abedi, R., 2012. The most suitable statistical method for estimating the suspended sediment of Jajrood River (Case study: Roodak Station of Jajrood Watershed). Journal of Environmental Erosion Research, Volume 2, Page 78-88, Islamic Azad University, Science and Research Branch of Tehran (in Persian)##[17]. Badri. S., 2018. Customization of the Design and Evaluation of a Nature-Like Fishway and its related structures in a river restoration plan (Case Study: Jajrud River). MSc Thesis. Tarbiat modares University (in Persian)##[18]. Hajiesmaeili. M., 2014. Effect of Flow Hydraulic Parameters on Rainbow Trout in the River Using Physical Habitat Simulation Model (PHABSIM). MSc Thesis. Tarbiat modares University (in Persian)##

0 تأثیر نویززدایی سری زمانی بر تحلیل آن با استفاده از نظریۀ نظم در بی‌نظمی (مطالعۀ موردی: رودخانۀ زاینده‌رود) Effect of Denoise Reduction of Time Series on Its Analysis using Chaos Theory (Case Study: Zayandehrud River) https://ije.ut.ac.ir/article_69841.html 10.22059/ije.2018.260455.906 0 در پژوهش حاضر، ویژگی‌های غیرخطی جریان ماهانۀ رودخانۀ زاینده‌رود، در دو حالت قبل و بعد از نویززدایی، با استفاده از نظریۀ آشوب، طی 43 سال (1350 تا 1392) در چهار ایستگاه هیدرومتری ارزیابی شده است. برای تعیین روند آشوبی یا تصادفی‌بودن جریان رودخانۀ زاینده‌رود، اﺑﺘﺪا به بازسازی فضای حالت پرداخته شده است. به این دلیل، زمان تأخیر بهینه و بُعد محاط با استفاده از روش‌های میانگین اطلاعات متقابل و اﻟﮕﻮرﯾﺘﻢ نزدیک‌ترین همسایگی ﮐﺎذب محاسبه شده است. اﻣﮑﺎن وﺟﻮد آﺷﻮب در دﺑﯽ جریان ماهانه، در سری زمانی اصلی و نویزگیری‌شده، با استفاده از شاخص ﺑُﻌﺪ ﻫﻤﺒﺴﺘﮕﯽ ﺑﺮرﺳـﯽ شده است. بر اساس نتایج، ﺑُﻌﺪ ﻫﻤﺒﺴﺘﮕﯽ برای سری زمانی نویزگیری‌شده در ایستگاه‌های اسکندری، قلعه شاهرخ، پل زمانخان و پل کله به‌ترتیب برابر 94/5، 63/4، 89/2 و 30/3 برآورد شده است. ﻣﻘﺪار غیرصحیح این ﺑُﻌﺪ، بیان‌کنندۀ رﻓﺘـﺎر آﺷﻮﺑﻨﺎک دبی جریان ماهانۀ نویززدایی‌شدۀ رودخانۀ زاینده‌رود در ایستگاه‌های یادشده است. نبود بُعد همبستگی در سری زمانی اصلی، نشان‌دهندۀ تصادفی‌بودن سیستم است. در ادامه، ﺣﺴﺎﺳﯿﺖ ﺑﻪ ﺷﺮاﯾﻂ اولیۀ ﺳﯿﺴﺘﻢ، به عنوان یک مشخصۀ سیستم‌های آشوبناک، با استفاده از آزمون نمای لیاپانوف بررسی شده است. سپس‌، افق پیش‌بینی جریان در ایستگاه‌های نویزگیری‌شدۀ آشوبناک تعیین شده است که به‌ترتیب برابر 36، 41، 45 و 44 ماه است. یکی از راه‌کارهای مدیریت شرایط کم‌آبی و بحران منابع آب، پیش‌بینی جریان آب‏های سطحی است. با استفاده از داده‏های ماهانۀ نویزگیری‌شدۀ رودخانۀ زاینده‌رود، امکان پیش‌بینی جریان با استفاده از روش‏های مختلف فراهم است که برای سری زمانی اصلی، این امر مقدور نیست. 1 In the present study, nonlinear characteristics of the monthly flow of Zayandehrud River in both pre and post noise reduction were evaluated using chaos theory during 43 years (1971- 2013) in four hydrometric stations. To determine the chaotic or randomness of the Zayandehrud River flow, the phase space was first reconstructed. Therefore, the optimal delay time and embedding dimension are calculated using the average mutual information and the nearest false neighbors. The possibility of chaos in the monthly flow, in the original and denoised time series, has been investigated using the correlation dimension. Based on the results, the correlation dimension for the denoised time series at Eskandari, Ghale Shahrokh, Pole Zaman Khan and Pole Koleh stations is estimated to be 5.94, 4.63, 2.89 and 3.30, respectively. The non-integer value of this dimension shows the chaotic behavior of monthly flow of the Zayandehrud River at these stations. The absence of correlation dimension in the original time series indicates the randomness of the system. Sensitivity to the initial conditions of the system, as a characteristic of chaotic systems, was investigated using the Liapunov exponent. Thereafter, the horizons of forecasting the current flow at the denoised stations were determined to be 36, 41, 45 and 44 months, respectively. One of the strategies for managing water scarcity and water crisis is to predict surface water discharge. By using the simulated monthly data of Zayandehrud River, it is possible to predict the flow by applying different methods, which was not possible for the original time series. 15 27 مهسا بوستانی Mahsa Boustani دانشجوی دکترای گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان ایران mahsaboustani@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 سید فرهاد موسوی Seyyed Farhad Mousavi استاد گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان ایران fmousavi@semnan.ac.ir حجت کرمی Hojjat Karami استادیار گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان ایران hkarami@semnan.ac.ir آزمون بُعد همبستگی جریان ماهانه حوضۀ زاینده‌رود‌ رفتار آشوبناک فضای حالت نویززدایی [1]. Honarbakhsh A, Karimian kakolaki R, shams Ghahfarokhi G, Davoudian Dehkordi A, Pajouhesh M. Flow modeling in a bend of a natural river based on different turbulence models (Case study: Doab Samsami River). Iranian Journal of Ecohydrology. 2018;5(3):907-916. (Persian)##[2]. Hashemi Golpayegani SMR. Chaos and its applications in engineering. Tehran: Amirkabir University of Technology; 2009. (Persian)##[3]. Seyedian S, Soleimani M, Kashani M. Predicting streamflow using data-driven model and time series. Iranian Journal of Ecohydrology. 2014; 1(3):167-179. (Persian)##[4]. Amiri E, Roudbari Mousavi M. Evaluation of IHACRES hydrological model for simulation of daily flow (case study Polrood and Shalmanrood rivers). Iranian Journal of Ecohydrology. 2016;3(4):533-543. (Persian)##[5]. Lorenz E. The essence of chaos. Seattle: University of Washington Press; 1993.##[6]. Porporato A, Ridolfi L. Nonlinear analysis of river flow time sequences. Water Resources Research. 1997;33(6):1353-1367.##[7]. Kantz H, Schreiber T. Nonlinear Time Series Analysis. UK: Cambridge University Press; 1997.##[8]. Sivakumar B, Phoon KK, Liong SY, Liaw CY. A systematic approach to noise reduction in chaotic hydrological time series. Journal of Hydrology. 1999;219(4):103-135.##[9]. Elshorbagy A, Simonovic SP, Panu US. Estimation of missing streamflow data using principles of chaos theory. Journal of Hydrology. 2002a; 255:123–133.##[10]. Ng W.W, Panu U.S, Lennox W.C. Chaos based analytical techniques for daily extreme hydrological observations. Journal of Hydrology. 2007;342:17-41.##[11]. Fattahi MH. Applying a noise reduction method to reveal chaos in the river flow time series. International Journal of Environmental, Ecological, Geological and Mining Engineering. 2014;8(8):524-531.##[12]. Rezaei H, Jabbari Gharabagh S. Noise reduction effect on chaotic analysis of Nazluchay River flow. Water and Soil Science. 2017;27(3):239-250. (Persian)##[13]. Iranmehr M, Pourmanafi S, Soffianian A. Ecological monitoring and assessment of spatial-temporal changes in land cover with an emphasis on agricultural water consumption in Zayandeh Rood region. Iranian Journal of Ecohydrology. 2015; 2(1):23-38. (Persian)##[14]. Takens F. Detecting strange attractors in turbulence. Berlin: SpringerVerlag. 1981.##[15]. Wang W, Vrijling JK, Van Gelder PH, Ma J. Testing for nonlinearity of streamflow processes at different time scales. Journal of Hydrology. 2006;322(1):247–268.##[16]. Dhanya CT, Kumar DN. Multivariate nonlinear ensemble prediction of daily chaotic rainfall with climate input. Journal of Hydrology. 2011;403:292-306.##[17]. Grassberger P, Procaccia I. Measuring the strangeness of strange attractors. Physica D. 1983;9:189-208.##[18]. Brock WA, Sayers CL. Is the business cycle characterized by deterministic chaos?. Journal of Monetary Economics. 1988;22(1):71-90.##[19]. Shang P, Li X, Kamae S. Chaotic analysis of traffic time series. Chaos, Solitons and Fractals. 2005;25:121-128.##[20]. Wolf A, Swift JB, Swinney HL, Vastano JA. Determining Lyapunov exponents from a time series. Physica D: Nonlinear Phenomena. 1985;16(3):285-317.##[21]. Rosenstein M.T, Collins J.J, De Luca C.J. A practical method for calculating largest Lyapunov exponents from small data sets. Physica D: Nonlinear Phenomena. 1993;65(1-2):117-134.##[22]. Scheriber T. Extremely simple nonlinear noise-reduction method. Physical Review. E. 1993;47(4):2401-2404.##[23]. Hegger R, Kantz H, Schreiber T. Practical implementation of nonlinear time series methods: The TISEAN package. Chaos: An Interdisciplinary Journal of Nonlinear Science. 1999;9(2):413-35.##

0 بررسی اثر تغییر کاربری اراضی بر پارامتر‏های کیفی آب در زیرحوضه‌های حوضۀ آبخیز حبله‌رود با استفاده از آنالیزهای چندمتغیرۀ آماری و مدل‌های سری زمانی (ARIMA) Assessment of land-use Change Impacts on Water Quality Parameters in Sub-basins of Hableh Rood Watershed using Multivariate Statistics and Time Series Models (ARIMA) https://ije.ut.ac.ir/article_69842.html 10.22059/ije.2018.261393.915 0 پژوهش حاضر، با هدف بررسی تأثیرات تغییر کاربری بر کیفیت منابع آب سطحی در زیرحوضه‏های حوضۀ آبخیز حبله‏رود پی‏ریزی شد. به این منظور، با استفاده از آنالیز تجزیه به مؤلفه‏های اصلی (PCA) و آنالیز فاکتور (FA)، متغیر TDS به عنوان فاکتور شاخص کیفی آب انتخاب شد. در ادامه، با استفاده از مدل‏های سری زمانی (ARIMA) پارامتر شاخص کیفی آب (TDS) برای سی سال مدل‏سازی شد و در بین مدل‏های ARIMA، مدلی با کمترین میزان معیار سنجش آکائیک به عنوان مدل بهینه برای پارامتر شاخص انتخاب شد. مد‏ل‏های مطلوب برای زیرحوضه‏های بنکوه، دلیچای، گورسفید، کیلان، نمرود، مرزداران و تنگه‏رامه به‌ترتیب (2،1،0)، (1،0،0)، (2،1،1)، (0،1،4)، (1،1،0)، (1،1،1) و (1،1،1) تعیین شد. نتایج مد‏ل‏های سری‏ زمانی نشان داد سه زیرحوضۀ نمرود، کیلان و گورسفید بیشترین میزان افزایش TDS را به خود اختصاص داده‏اند. سپس، کاربری اراضی در زیرحوضه‏های یادشده بررسی شد که نشان‏دهندۀ بیشترین مساحت اراضی کشاورزی، مناطق مسکونی و جاده‏ها در این زیرحوضه‏ها بود. از سوی دیگر، مناطق صنعتی نیز متعلق به زیرحوضه‏های کیلان و نمرود بود. نتایج تحقیق حاضر بیان‌کنندۀ سودمندی مدل‏های سری زمانی و آنالیزهای چندمتغیرۀ آماری در بررسی اثر تغییر کاربری اراضی بر پارامترهای کیفی منابع آب است. 1 The purpose of this study is to assess land use change impacts on quality of surface water resources in sub-basins of Hableh rood watershed. In order to fulfill this task, and by using Principal Component Analysis (PCA) and Factor Analysis (FA), TDS was selected as an indicator of water quality parameter. In the next step, by time series models (ARIMA), TDS was modeled for 30 years and among different ARIMA models, a model with a lowest error and akaike (AIC) criterion was selected as an optimal model for TDS. Desirable models for Benkuh, Delichay, Gursefid, Keylan, Namrud, Marzdaran and Tangeh Rameh were (0,1,2), (0,0,1), (1,1,2), (4,1,0), (0,1,1), (1,1,1) and (1,1,1), respectively. The results of time series models (ARIMA) showed that Namrud, Keylan and Gursefid have maximum amount of TDS. Then, land use was studied that showed maximum area of agricultural lands, residential and roads in these sub-basins. On the other hand, Industrial areas are located in Keylan and Namrud. The results of this study showed efficiency of time series modeling andmultivariate statistics in the analysis of land use change impacts on water quality parameters. 29 39 زهرا پسندیده‌فرد Zahra Pasandidehfard دانشجوی دکتر‌ی محیط زیست، ارزیابی و آمایش، دانشکدۀ شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران zahra_pasandidehfard@yahoo.com علیرضا میکائیلی تبریزی Ali Reza Mikaeili Tabrizi دانشیار، دانشکدۀ شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران amikaeili@gmail.com ابوالفضل مساعدی Abolfazl Mosaedi استاد، دانشکدۀ منابع طبیعی و محیط زیست، دانشگاه فردوسی مشهد ایران mosaedi@um.ac.ir حسن رضائی Hasan Rezaei استادیار، دانشکدۀ شیلات و محیط زیست، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران hassanrezaei1979@gmail.com آنالیز اجزای اصلی آنالیز فاکتور مدل‏های سری زمانی معیار آکائیک [1]. Khebri Z, Nejadkoorki F, Sodaie Zadeh H. The relationship between land use vector parameters and river water quality using GIS (case study: Zayandehrood river). RS & GIS for Natural Resources. 2015; 6(1): 79- 89. [Persian]##[2].  Li Z, Deng X, Wu F, Hasan SS. Scenario analysis for water resources in response to land use change in the middle and upper reaches of the Heihe river basin. Sustainability. 2015; 7: 3086-3108.##[3].  Qi H, Altinakar MS. A conceptual framework of agricultural land use planning with BMP for integrated watershed management. Environmental Management. 2011; 92: 149-155.##[4].  Strobl RO, Robillard PD. Network design for water quality monitoring of surface freshwaters: A review. Environmental Management. 2008; 87: 639–648.##[5].  Kithiia SM, Mutua FM. Impacts of land-use changes on sediment yields and water quality within the Nairobi river subbasins, Kenya. Sediment Dynamics and the Hydromorphology of Fluvial Systems. 2006; 306: 582-588.##[6].  Salajegheh A, Razavizadeh S, Khorasani N, Hamidifar M, Salajegheh S. Land use changes and its effects on water quality (case study: Karkheh watershed). Environmental Studies. 2011; 37(58): 22-26.##[7].  Keshtkar AR, Mahdavi M, Salajegheh A, Ahmadi H, Sadoddin A, Ghermezcheshmeh B. Exploring the relationship between land use and surface water quality using multivariate statistics in arid and semi-arid regions. Desert. 2011; 16: 33-38.##[8].  Huang J, Zhan J, Yan H, Wu F, Deng X. Evaluation of the impacts of land use on water quality: a case study in the Chaohu lake basin. Scientific World Journal. 2013: 1-7.##[9].  Jamali B, Ebrahimi K. Time series forecasting of Sefidrood river water quality using linear stochastic models. Journal of Agricultural Engineering Research. 2011; 12(3): 31 – 44. [Persian]##[10].            Ghassemi Dehnavi A, Sarikhani R, Hosseini H, Ahmadnejad Z, Ebrahimi B. Qualitative and quantitative evaluation of surface waters using statistical analysis in Azna river, Lorestan. Jornal of Environment and Water Engineering. 2017; 2(4): 306 – 321. [Persian]##[11].            Zhang L, Zhang GX, Li RR. Water quality analysis and prediction using hybrid time series and neural network models. Journal of Agricultural Science and Technology. 2016; 18(4): 975-983.##[12].            Oliveira JP, Steffen JL, Cheung P. Parameter estimation of seasonal ARIMA models for water demand forecasting using the Harmony Search Algorithm. Procedia Engineering. 2017; 186: 177 – 185.##[13].            Zare Garizi A, Sheikh V, Sadoddin A, Salman Mahiny A. Assessment of seasonal variations of chemical characteristics in surface water using multivariate statistical methods. IJEST. 2011; 8(3): 581-592.##[14].            Satheeshkumar P, Khan B. Identification of mangrove water quality by multivariate statistical analysis methods in Pondicherry coast, India. Environmental Monitoring and Assessment. 2011; 184(6): 3761–3774.##[15].            Zarei H, Pourreza Bilondi M. Factor analysis of chemical composition in the Karoon river basin, southwest of Iran. Applied Water Science. 2013; 3(4): 753–761.##[16].            Singovszka E, Balintova M. Application factor analysis for the evaluation surface water and sediment quality. Chemical Engineering Transactions. 2012; 26: 183- 188.##[17].            Babamiri O, Nowzari H, Maroofi S. Potential evapotranspiration estimation using stochastic time series models (case study: Tabriz). Journal of Watershed Management Research. 2017; 8(15): 137-146. [Persian]##[18].            Chen J, Boccelli DL. Demand forecasting for water distribution systems. Procedia Engineering. 2014; 70: 339- 342.##[19].            Han P, Wang PX, Zhang SY, Zhu DH. Drought forecasting based on the remote sensing data using ARIMA models. Mathematical and Computer Modelling. 2010; 51: 1398- 1403.##[20].            Nury AH, Hasan K, Alam JB. Comparative study of wavelet-ARIMA and wavelet-ANN models for temperature time series data in northeastern Bangladesh. Journal of King Saud University – Science. 2017; 29(1): 47–61.##[21].            Imai C, Armstrong B, Chalabi Z, Mangtani P, Hashizume M. Time series regression model for infectious disease and weather. Environmental Research. 2015; 142: 319- 327.##[22].            Sveinsson OG, Salas JD, Lane WL, Frevert DK. Progress in stochastic analysis, modeling, and simulation. Hydrology Days. 2003; 7: 165- 175.##[23].            Khazayi M, Mirzaei MR. Climatic variables prediction using time series analysis of Zohre watershed. Journal of Applied research in Geographical Sciences. 2014; 14(34): 233-250. [Persian]##[24].            Khorrami M, Bozorgnia A. Time series analysis with MINITAB 14. 2nd ed. Mashhad, Iran: Sokhangostar; 2007. 352p. [Persian]##

0 اصلاح مدل گالدیت با استفاده از روش آنتروپی جهت ارزیابی آسیب‌پذیری آبخوان ساحلی قره‌سو-گرگان‌رود Modification of GALDIT Model by using Entropy Method for Gharesoo-Gorgan Rood Coastal Aquifer Vulnerability Assessment https://ije.ut.ac.ir/article_70169.html 10.22059/ije.2018.263455.934 0 با توجه به روند برداشت بی‏رویۀ منابع آب زیرزمینی در آبخوان ساحلی قره‏سو-گرگان‏رود، تعیین نواحی آسیب‏پذیر و حفاظت از منابع آب زیرزمینی در این منطقه اهمیت زیادی دارد. از این‏رو، در مطالعۀ حاضر برای ارزیابی آسیب‏پذیری آبخوان ساحلی از مدل گالدیت و روش آنتروپی در محیط GIS استفاده شد. در مدل گالدیت از پارامترهای مؤثر بر ارزیابی آسیب‏پذیری آبخوان ساحلی شامل نوع آبخوان، هدایت هیدرولیکی آبخوان، ارتفاع سطح آب زیرزمینی بالاتر از سطح دریا، فاصله از خط ساحلی، تأثیر کیفی پیشروی آب شور و ضخامت آبخوان استفاده می‏شود. نقشه‏های این مدل به‏صورت شش لایۀ اطلاعاتی با استفاده از نرم‏افزار ArcGIS تهیه شد. سپس به‏منظور ارزیابی دقیق‏تر نقشۀ آسیب‏پذیری، وزن پارامترهای گالدیت با استفاده از روش آنتروپی اصلاح شد و نقشۀ آسیب‏پذیری گالدیت-آنتروپی به دست آمد. برای تعیین مدل بهینه، از ضریب همبستگی بین شاخص‏های آسیب‏پذیری و پارامتر TDS استفاده شد. میزان ضریب همبستگی بین مدل گالدیت-آنتروپی با پارامتر TDS 51/0 است، در صورتی که مقدار این ضریب برای مدل گالدیت 43/0 بود. براساس مدل گالدیت-آنتروپی نواحی شمال غرب، جنوب غرب و غرب آبخوان آسیب‏پذیری زیادی به پیشروی آب شور دارد. نقشۀ این مدل به چهار کلاس آسیب‏پذیری کم، متوسط، زیاد و بسیار زیاد تقسیم‏ شد که به‏ترتیب 14، 33، 30 و 23 درصد از ناحیۀ مطالعه‏شده را شامل می‏شود. مدل گالدیت-آنتروپی موجب کاهش خطای نظر کارشناسی در مدل گالدیت اولیه شد. روش پیشنهادی می‏تواند برای ارزیابی آسیب‏پذیری در آبخوان‏های ساحلی با خصوصیات هیدروژئولوژیکی مشابه به کار رود. 1 It is highly important to identify vulnerable areas and protect groundwater resources in the  Gharesoo-GorganRood coastal aquifer due to the overexploitation of groundwater resources in this area. Therefore, in this study, the GALDIT model and Entropy method in GIS environment was used to evaluate the vulnerability of coastal aquifer. The parameters of the type of aquifer, the aquifer hydraulic conductivity, the height of groundwater above the sea level, distance from shoreline, the qualitative impact of seawater intrusion, and thickness of aquifer were used in the GALDIT model, which influence the assessment of coastal aquifer vulnerability. The maps were arranged in the form of six information layers using ArcGIS software. To more accurately assess the vulnerability, the weights of GALDIT parameters were modified using the entropy method, and GALDIT-Entropy vulnerability map was obtained. The correlation coefficient between the TDS parameter and vulnerability indices in the study area was used to obtain the optimal model. The correlation coefficient between GALDIT-Entropy model and TDS parameter was obtained 0.51, while the amount of this coefficient was 0.43 for GALDIT model. According to GALDIT-Entropy model, the northwest, southwest and west areas of aquifer have higher vulnerability to seawater intrusion. The map of this model is classified into four vulnerability classes of low, moderate, high, and very high which compose 14, 33, 30, and 23% of the study area, respectively. The GALDIT-Entropy model reduced the errors from expert opinions in the initial GALDIT. The proposed method can be used to assess vulnerability in the coastal aquifers with the same hydro-geological conditions. 41 50 مژگان بردبار Mojgan Bordbar دانشجوی کارشناسی ارشد گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ منابع طبیعی و محیط ‏زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران ایران mozhganbordbar70@gmail.com امین‌رضا نشاط Aminreza Neshat استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ منابع طبیعی و محیط ‏زیست، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران ایران neshat.aminreza@srbiau.ac.ir سامان جوادی Saman Javadi استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان دانشگاه تهران ایران javadis@ut.ac.ir آبخوان آسیب‏پذیری آب زیرزمینی آنتروپی پیشروی آب شور [1]. Gorgij A.D, Moghaddam A.A. Vulnerability Assessment of saltwater intrusion using simplified GAPDIT method: a case study of Azarshahr Plain Aquifer, East Azerbaijan, Iran. Arabian Journal of Geosciences. 2016; 9(2): 106.##[2]. Nadiri A.A, Sedghi Z, Kazemian N. Optimization of DRASTIC method using ANN to evaluating of vulnerability of multiple Varzqan aquifer. Iranian Journal of ECO Hydrology. 2018; 4(4): 1089-1103. [Persian]##[3]. Javanshir G, Nadiri A.A, Sadeghfam S, Novinpour E.A. Introducing a new method to aquifer vulnerability assessment of Moghan plain based on combination of DRASTIC, SINTACS and SI methods. Iranian Journal of ECO Hydrology. 2017; 3(4): 491-503. [Persian]##[4]. Neshat A, Pradhan B, Shafri HZM. An integrated GIS based statistical model to compute groundwater vulnerability index for decision maker in agricultural area. Journal of the Indian Society of Remote Sensing. 2014b; 42(4): 777-788.##[5]. Neshat A, Pradhan B. Evaluation of groundwater vulnerability to pollution using DRASTIC framework and GIS. Arabian Journal of Geosciences. 2017; 10(22), 501.##[6]. Neshat A, & Pradhan, B. An integrated DRASTIC model using frequency ratio and two new hybrid methods for groundwater vulnerability assessment. Natural Hazards. 2015; 76(1), 543-563.## [7]. Neshat A, Pradhan B, Pirasteh S, Shafri HZM. Estimating groundwater vulnerability to pollution using a modified DRASTIC model in the Kerman agricultural area, Iran. Environmental Earth Sciences. 2014a; 71(7): 3119-3131.##[8]. Chachadi A.G, Lobo Ferreira JPC. Sea water intrusion vulnerability mapping of aquifers using the GALDIT method. 2001.##[9]. Gontara M, Allouche N, Jmal I, Bouri S. Sensitivity analysis for the GALDIT method based on the assessment of vulnerability to pollution in the northern Sfax coastal aquifer, Tunisia. Arabian Journal of Geosciences. 2016; 9(5): 416.##[10]. Mahrez B, Klebingat S, Houha B, Houria B. GIS-based GALDIT method for vulnerability assessment to seawater intrusion of the Quaternary coastal Collo aquifer (NE-Algeria). Arabian Journal of Geosciences. 2018; 11(4): 71.##[11]. Kardan Moghaddam H, Javadi S. Evaluation vulnerability coastal aquifer by GALDIT index and calibration by AHP method. Journal of water and soil conservation. 2016; 32(2): 163-177. [Persian]##[12]. Yu C, Zhang B, Yao Y, Meng F, Zheng C. A field demonstration of the entropy-weighted fuzzy DRASTIC method for groundwater vulnerability assessment. Hydrological sciences journal. 2012; 57(7): 1420-1432.##[13]. Sahoo M, Sahoo S, Dhar A, Pradhan B. Effectiveness evaluation of objective and subjective weighting methods for aquifer vulnerability assessment in urban context. Journal of Hydrology. 2016; 541, 1303-1315.##[14]. Chachadi AG. Seawater intrusion mapping using modified GALDIT indicator model-case study in Goa. JalvigyanSameeksha. 2005; 20: 29-45.##[15]. Shannon CE. A mathematical theory of communication. e Bell System Technical Journal. 1948; 27 (3): 379–423.##[16]. Li G.L, Fu Q. Grey relational analysis model based on weighted entropy and its application. In Wireless Communications, Networking and Mobile Computing, 2007. WiCom 2007. International Conference on (pp. 5500-5503). IEEE.##[17]. Wu J, Sun J, Liang L, Zha, Y. Determination of weights for ultimate cross efficiency using Shannon entropy. Expert Systems with Applications. 2011; 38(5), 5162-5165.##

0 مقایسۀ روش‌های سیستم استنتاج فازی- عصبی تطبیقی (ANFIS)، وزن‌دهی معکوس فاصله و زمین‌آمار در تخمین سطح ایستابی (مطالعۀ موردی: دشت دهگلان، استان کردستان) Comparison of Adaptive Neuro-Fuzzy Inference System (ANFIS), Inverse Distance Weighting and Geostatistics Methods for Estimating the Water Table (Case Study: Dehgolan Plain, Kurdistan Province) https://ije.ut.ac.ir/article_70170.html 10.22059/ije.2018.264081.937 0 افت سطح ایستابی از نظر مدیریتی بسیار اهمیت دارد و می‏تواند تأثیرات منفی مانند نشست زمین، افزایش هزینۀ برداشت و کاهش کیفیت آب زیرزمینی را در پی داشته باشد. آب زیرزمینی مهم‏ترین منبع تأمین آب در دشت دهگلان بوده و برداشت زیاد، سبب کاهش سطح ایستابی در این دشت شده است. این دشت با وسعتی حدود 780 کیلومترمربع، یکی از دشت‏های ممنوعۀ استان است و با افت سطح آبخوان نزدیک به 37 متر، بین دشت‏های استان بیشترین افت را داشته است. هدف از پژوهش حاضر، مدل‏سازی سطح آب زیرزمینی و مقایسۀ عملکرد روش سیستم استنتاج فازی- عصبی تطبیقی با روش‏های وزن‏دهی معکوس فاصله، کریجینگ و کوکریجینگ است. به این منظور، از داده‏های سطح ایستابی 44 حلقه پیزومتر دشت دهگلان مربوط به شهریور 1395استفاده شده است. نتایج به‌دست‌آمده بیان می‌کند که رفتار بار هیدرولیکی در قسمت‏های مختلف آبخوان، متفاوت است و در نتیجه به‌کار‏گیری صرف داده‏های مکانی بار هیدرولیکی برای مدل‏سازی، نتایج رضایت‏بخشی ندارد. سطح ایستابی در دشت دهگلان، با توپوگرافی بیشترین همبستگی را دارد و سیستم استنتاج فازی- عصبی تطبیقی با به‌کارگیری پارامتر کمکی توپوگرافی دارای 07/0RMSE=، 005/0MSE=، 06/0MAE=، 04/0MBE= و 88/0=R2 بوده و نسبت به سایر روش‏ها عملکرد بهتری داشته است. 1 The decline of water table is very important in from a managerial point of view and might cause negative impacts such as land subsidence, raising costs and reducing groundwater quality. Groundwater is the most important source of water supply in Dehgolan plain. Increasing water requirements and extractions, has declined water table. This plain with an area of about 780 km2 is one of the protected plains of the Kurdistan province and with decrease in water table about 37 meters, it has the most decline between the plains of the province. The purpose of this study is to model the groundwater level and compare the performance of the method of Adaptive Neuro-Fuzzy Inference System (ANFIS) with Inverse Distance Weighted (IDW), Kriging and Cokriging methods. For this purpose, in September 2016, the water table data relating to the 44 Piezometer digged in Dehgolan plain has been used for modeling. The results show that the hydraulic head behavior is different across the aquifer, so the use of spatial data (h) for modeling doesn’t lead to satisfactory outputs. The water table in Dehgolan plain has the highest correlation with topography conditions and the ANFIS with a RMSE = 0.07, MSE = 0.005, MAE = 0.06, MBE = 0.04 and = 0.88 R2, has presented better performance than other methods. 51 64 مهدی کرد Mehdi Kord استادیار گروه علوم زمین، دانشکدۀ علوم پایه، دانشگاه کردستان ایران kord_mehdi@yahoo.com نسرین یوسفی Nasrin Yuosefi دانشجوی کارشناسی ارشد رشتۀ هیدروژئولوژی، دانشگاه ارومیه ایران na.uosefi@gmail.com اسفندیار عباس نوین‌پور Esfandiar Abbas Novinpour استادیار گروه زمین‌شناسی، دانشکدۀ علوم زمین، دانشگاه ارومیه ایران e.novinpour@urmia.ac.ir آب زیرزمینی استنتاج فازی- عصبی تطبیقی (ANFIS) دشت دهگلان زمین‌آمار [1]. Todd DK, Mays LW. Groundwater Hydrology. 2nd Ed. New York: Wiley; 1980. 552 pp.##[2]. Khaledian F, Kalantari N, Javid A. Investigating the Construction's Effect of Sange Siah Reservoir Dam on Hydrogeology and Hydrogeochemistry of Dehgolan Plain Aquifer. M.Sc. Thesis, Faculty of Earth Sciences, Shahid Chamran University of Ahvaz; 2014. (In Persian)##[3]. Jahani N, Fathi P, Nasri B. Mathematical Modeling of Groundwater Resources System of Dehgolan plain. M.Sc. Thesis, Faculty of Agriculture, University of Kurdistan; 2009. (In Persian)##[4]. Ramezani E, Heidari A, Fathi P. Mathematical modeling of groundwater flow of Dehgolan Plain. 5th National conference on Water Resources Management, Shahid Beheshti University, Tehran; 2013. (In Persian)##[5]. Ebrahimi M, Fathi P. Predicting of Groundwater Level Fluctuation Using Artificial Neural Network and Nero – Fuzzy Interface System (case study: Dehgolan Aquifer). M.Sc. Thesis, Faculty of Agriculture, University of Kurdistan; 2011. (In Persian)##[6]. Dehghani R, Noorali A. Comparison of geostatistical methods and artificial neural network in estimating groundwater level (Case study: Nourabad plain, Lorestan). Journal of Environmental Science and Technology. 2016; 18(1): 33-44. (In Persian)##[7]. Zamaniahmadmahmoodi R, Akhondali A, Samadiborojeni H, Zareei H. Estimation of the groundwater level by using combined geostatistics with artificial neural networks (Case study: Shahrekord plain). Journal of Irrigation Science and Engineering. 2013; 36(1): 45-56. (In Persian)##[8]. Mokarram M, Mokarram MJ, Zarei AR, Safarinejadian B. Using adaptive Neuro-Fuzzy network (ANFIS) to predict underground water quality in west of Fars province during 2003 to 2013 period. Iranian Journal of Eco Hydrology. 2017; 4(2): 547-559. (In Persian)##[9]. Vadiati M, Nakhaei M. Groundwater quality evaluation of Tehran province for agricultural uses by fuzzy inference model. Water and Soil Science. 2015; 25(1): 41-52. (In Persian)##[10]. Tumez B, Hatipoglu Z. Comparing two data driven interpolation methods for modeling nitrate distribution in aquifer. Ecological Informatics. 2010; 5: 311-315.##[11]. Zamaniahmadmahmoodi R, Akhondali AM, Zarei H, Radmanesh F. Estimation of the groundwater level by using a combined optimized method with genetic algorithms in Ramhormoz plain. Iranian of Irrigation and water Engineering. 2014; 4(15): 26-38. (In Persian)##[12]. Khoshravesh M, Gholami Sefidkouhia MA, Abbaspalangi J, Mirnaseric M. Estimation of nitrate concentrations in well and spring water using ANFIS and SVM models (Case study: Golestan province). Journal of Applied Hydrology. 2015; 2(2):1-12.##[13]. Jeihouni M, Delirhasannia R, Alavipanah SK, ShahabiM, Samadianfard S. Spatial analysis of groundwater electrical conductivity using ordinary kriging and artificial intelligence methods (Case study: Tabriz plain, Iran). Geofizika. 2015; 32(5): 191-208.##[14]. Yousefzadeh S, Nadiri AA. Comparison between ANN and ANFIS in hydraulic conductivity estimation of Maragheh-Bonab aquifer using geophysical data. International conference on Science and Engineering, Dubai, UAE; 2015. (In Persian)##[15]. Xiao Y, Gu X, Yin S, Shao J, Cui Y, Zhang Q, Niu Y. Analysis of groundwater level in piedmont plains, northwest China. Springer Plus. 2016; 5: 425.##[16]. Hassan I, Lawal IM, Mohammed A, Abubakar S. Analysis of geostatistical and deterministic techniques in the spatial variation of groundwater depth in the northwestern part of Bangladesh. American Journal of Engineering Research. 2016; 5(3): 29-34.##[17]. Talpur N, Mohd Salleh MN, Hussain K. An investigation of membership functions on performance of ANFIS for solving classification problems. International Research and Innovation Summit IOP Conf. Series: Materials Science and Engineering. 2017; Volume 226, conference 1.##[18]. Khosravi K, Habibnejad Roshan M, Solaimani K, Babaei K. Assessment of groundwater vulnerability using a-GIS based DRASTIC model (Case study: Dehgolan plain, Kurdistan province). Journal of Watershed Management Research. 2012; 3(5) :42-62. (In Persian)##[19]. Ebrahimi Mohammadi S, Azari M, Entezami. Investigating the quaternary deposits of Dehgolan Plain to determine prone areas to flood spreading. 1th national conference on Rainwater Catchment Systems, Islamic Azad University, Khomeini-Shahr; 2012. (In Persian)##[20]. Nadiri A, Naderi K, Asghari Moghaddam A, Habibi MH. Spatiotemporal predicting of groundwater level using artificial intelligence models and geostatistics model (Case study: Duzduzan plain). Journal of Geography and Planning. 2016; 20(58): 281-301. (In Persian)##[21]. Hasani Pak AA. Geostatistics. 5nd ed. Tehran: Tehran University Press; 2013. 328 pp. (In Persian)##[22]. Mohammadyari F, Aghdar A, Basiri R. Zoning groundwater quality for drinking using geo-statistical methods Case Study: Arid Regions in Mehran and Dehloran. Geographical Data. 2017; 26(101): 199-208.##[23]. Fathi Hafashjani E, Beigi Harchegani H, Davoudian Dehkordi AR, Tabatabaei S. Comparison of spatial interpolation methods and selecting the appropriate method for mapping of nitrate and phosphate in the Shahrekord aquifer. Iranian of Irrigation and water Engineering. 2014; 4(15): 51-63. (In Persian)##[24]. Haghizadeh A, Kiani A, Kiani M. Performance evaluation of geostatistical methods to estimate the spatial distribution of snow depth and density in mountainous areas (Case study: Gush Bala watershed, Mashhad). Hydrogeomorphology. 2017; 3(12): 45-66. (In Persian)##[25]. Khosravi Y, Abbasi E. Spatial analysis of environmental data using geostatistics. 1nd ed. Zanjan: Azarkelk Press; 2015. 282pp. (In Persian)##[26]. Jahanshahi A, Rohimogaddam E, Dehvari A. Investigating water quality parameters using GIS and geostatistics (Case study: Shahr-Babak plain aquifer).Water and Soil Science. 2014; 24(2): 183-197. (In Persian)##[27]. Moeeni H, Bonakdari H, Fatemi SE, Ebtehaj I. Modeling the monthly inflow to Jamishan dam reservoir using autoregressive integrated moving average and adaptive Neuro-Fuzzy inference system models. 2016; 26(1-2): 273-285. (In Persian)##[28]. Abareshi F, Meftah Helghi M, Sanikhani H, Dehghani AA. Comparison of three intelligence techniques for predicting water table depth fluctuations (Case study: Zarringol plain). Journal of water and soil conservation. 2014; 21(1): 163-180. (In Persian)##[29]. Kord M, Asghari- Moghaddam A. Evaluation of drinking water quality of Ardabil plain aquifer by cokriging and fuzzy logic. Journal of water and soil conservation. 2015; 21(5): 225-240. (In Persian)##[30]. Maroofpoor S, Fakheri- Fard A, Shiri, J. Development and combination of soft computing and geostatistical models in estimation of spatial distribution of groundwater level. Journal of Water and Soil Resources Conservation. 2016; 6(4): 17-28. (In Persian)##[31]. Mousavi S, Nourani V, Alami MT. Assessment of Chloride Concentration in Groundwater by Conjugation of Artificial Intelligence and Wavelet Transform Coherence Approaches. Modares Civil Engineering Journal. 2017; 17(6): 233-244. (In Persian)##[32]. Ghanbari N, Rangzan K, Kabolizade M, Moradi P. Improve the results of the DRASTIC model using artificial intelligence methods to assess groundwater vulnerability in Ramhormoz alluvial aquifer plain. Journal of water and soil conservation. 2017; 24(2): 45-65. (In Persian)##[33]. Faez K, Moradi MH, Eslami M. Introducing a general criterion for optimizing fuzzy clustering. The Second Conference on Machine Vision, Image Processing and Applications, Tehran; 2003. (In Persian)##[34]. Okwu M, Adetunji O. A comparative study of artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) models in distribution system with nondeterministic inputs. International Journal of Engineering Business Management. 2018; 10: 1–17.##[35]. Rajaee T, Nourani V, Pouraslan F. Groundwater level forecasting using wavelet and kriging. Journal of Hydraulic Structures. 2016; 2(2): 1-21.##

0 ارزیابی آثار تناسب اراضی روی مقادیر رواناب با استفاده از مدل SWAT (مطالعۀ موردی: حوضۀ آبخیز کارده) Assessment of Land Suitability Impacts on Runoff Values using SWAT Model (Case Study: Karde Watershed) https://ije.ut.ac.ir/article_70171.html 10.22059/ije.2018.264132.938 0 استفادۀ صحیح از اراضی با توجه به قابلیتی که دارند، یکی از راه‏کارهای مناسب برای مدیریت رواناب حوضۀ آبخیز است. مدیر حوضه می‏تواند با درنظرگرفتن قابلیت‏ها و محدودیت‏های حوضه، از بین ترکیبات مختلف و متنوع کاربری‏ها، کاربری بهینه را به‌منظور بهره‏برداری صحیح از رواناب پیشنهاد دهد. هدف از مطالعۀ حاضر، رتبه‏بندی تناسب کاربری اراضی با استفاده از روش Fuzzy- AHP در حوضۀ سد کارده مشهد و تأثیر آن روی مقادیر دبی خروجی از حوضه با استفاده از مدل SWAT است. به این منظور ابتدا نقشۀ کاربری فعلی منطقۀ مطالعه‌شده با استفاده از فن سنجش از دور و بازدید میدانی تهیه شد. مدل SWAT با استفاده از نقشۀ کاربری موجود واسنجی و ارزیابی شد. سپس، معیارها و محدودیت‏ها برای چهار کاربری مرتع، کشاورزی، جنگل و شهری تعیین شد. نقشۀ تناسب اراضی برای کاربری‏های یادشده با استفاده از ترکیب روش‏های فازی و AHP با استفاده از روش MCD در نرم‏افزار EDRISI تهیه شد. نقشۀ تناسب اراضی تهیه‌شده به جای نقشۀ کاربری موجود وارد مدل SWAT شد و نتایج بررسی شد. نتایج نشان داد 98/13 درصد مساحت حوضه برای کاربری جنگل مناسب بوده و همچنین وسعت مراتع در کاربری بهینه کاهش یافته است. نتایج مدل SWAT نشان داد با کاربری بهینۀ اراضی در حوضۀ سد کارده به‌ترتیب دبی متوسط و حداکثر روزانه 25/16 و4 درصد نسبت به شرایط فعلی کاهش پیدا می‏کند. کاهش مقادیر دبی خروجی می‏تواند به کاهش سیلاب در منطقه و تغذیۀ سفرۀ آب زیرزمینی کمک کند. 1 One of the suitable strategies for run-off management in watershed areas is correct use of land according to its capability. A watershed manager could offer optimal land use between different combinations of land uses according to capability and limitations which exist in watershed. The purpose of this study is land suitability classification using Fuzzy-AHP method in the Kardeh dam watershed of Mashhad and its effects on run-off quantity using SWAT model. For this purpose, the present land use map of the study area was prepared using remote sensing and field surveys. The SWAT model was calibrated and evaluated using current land use map. Then, criteria and constraints were determined for rangeland, agriculture, forest, and urban land use. Land suitability map for the mentioned land uses was prepared using combination of Fuzzy and AHP methods by MCE in EDRISI software. The prepared land suitability map introduced into the SWAT model instead of the existing land use map and results were evaluated. Results showed that 13.98 percent of the watershed area is suitable for forest and the area of rangelands has decreased in land suitability map. The results of the SWAT model showed with optimal land use in Karde dam watershed, mean and maximum of daily discharge have been reduced respectively 16.25 and 4 percentages. Reduction of the discharge amount helps in flood declining and recharge of groundwater. 65 76 مریم آذرخشی Maryam Azarakhshi استادیار، دانشکدۀ کشاورزی، دانشگاه تربت حیدریه ایران m.azarakhshi@torbath.ac.ir محمد رستمی خلج Mohammad Rostami Khalaj مدرس آبخیزداری، گروه مرتع و آبخیزداری، دانشگاه تربت حیدریه ایران rostami88@ut.ac.ir تناسب اراضی روش Fuzzy-AHP کاربری اراضی مدل SWAT [1]. Asadi R, Maleki Nejad H, Fatahi A. Optimization of Land Use based on Water Resources by using Linear Programming (Case Study: Yazd City). Water Manag Arid L. 2015;(2):11–26. [ Persian]##[2].  ZHANG H, ZHANG X. Land use structural optimization of Lilin based on GMOP-ESV. Trans Nonferrous Met Soc China. 2011;21:s738–42.##[3].  Shaygan M, Alimohammadi A, Mansourian A, Govara ZS, Kalami SM. Spatial multi-objective optimization approach for land use allocation using NSGA-II. IEEE J Sel Top Appl Earth Obs Remote Sens. 2014;7(3):906–16.##[4].  Chakrabarty BK. Urban management: Concepts, principles, techniques and education. Cities. 2001;18(5):331–45.##[5].  Deng Z, Zhang X, Li D, Pan G. Simulation of land use/land cover change and its effects on the hydrological characteristics of the upper reaches of the Hanjiang Basin. Environ Earth Sci. 2015;73(3):1119–32.##[6].   fisheries management in Songkhla Lake, Thailand. EEPSEA, IDRC Regional Office for Southeast and East Asia, Singapore, SG; 2010.##[7].  Maghami Moghim F, Karimi A, Haghnia G, Dourandish A. Determination of optimum cropping pattern in at local scale to reduce land degradation using a linear programming model(A case study: Roin area, North Khorasan Province). Soil Manag J. 2013;(1):1–10.##[8].  Palamuleni LG, Ndomba PM, Annegarn HJ. Evaluating land cover change and its impact on hydrological regime in Upper Shire river catchment, Malawi. Reg Environ Chang. 2011;11(4):845–55.##[9].  Pikounis M, Varanou E, Baltas E, Dassaklis A, Mimikou M. Application of the SWAT model in the Pinios river basin under different land-use scenarios. Glob Nest Int J. 2003;5(2):71–9.##[10].            Croke BFW, Merritt WS, Jakeman AJ. A dynamic model for predicting hydrologic response to land cover changes in gauged and ungauged catchments. J Hydrol. 2004;291(1–2):115–31.##[11].            Zhang L, Nan Z, Yu W, Ge Y. Modeling land-use and land-cover change and hydrological responses under consistent climate change scenarios in the Heihe River Basin, China. Water Resour Manag. 2015;29(13):4701–17.##[12].            Mohammadi M, Nastaran M, Sahebgharani A. Sustainable spatial land use optimization through non-dominated sorting Genetic Algorithm-II (NSGA-II):(Case Study: Baboldasht District of Isfahan). Indian J Sci Technol. 2015;8(S3):118–29.##[13].            Singh HV, Kalin L, Morrison A, Srivastava P, Lockaby G, Pan S. Post-validation of SWAT model in a coastal watershed for predicting land use/cover change impacts. Hydrol Res. 2015;46(6):837–53.##[14].            Guo J, Su X, Singh VP, Jin J. Impacts of climate and land use/cover change on streamflow using SWAT and a separation method for the Xiying River Basin in northwestern China. Water. 2016;8(5):192.##[15].            Makhdoom M. Fundamental Land use planning.15 nd ed. Tehran. University of Tehran Press; 2010. [ Persian]##[16].            Studies GPP. Identification and Development of Criteria for Assessing the Ecological Capacity of Uses in Golestan Province by Multi-Criteria Evaluation (MCE). 2009. p. 241.##[17].            Kallali H, Anane M, Jellali S, Tarhouni J. GIS-based multi-criteria analysis for potential wastewater aquifer recharge sites. Desalination. 2007;215(1–3):111–9.##[18].            Asgarian A, Jabbarian Amiri B, Shabani Alizadeh A, Feghhi J. Predicting the Spatial Growth and Urban Sprawl in Sari, Iran Using Markov Cellular Automata Model and Shannon Entropy [Internet]. Iranian Journal of Applied Ecology; 2014. 13-25 K1-Urban sprawl K1-Remote sensing K1-S p. Available from: http://ijae.iut.ac.ir/article-1-427-fa.html [Persian]##[19].            Gyawali S, Techato K, Monprapussorn S, Yuangyai C. Integrating land use and water quality for environmental based land use planning for U-tapao river basin, Thailand. Procedia-Social Behav Sci. 2013;91:556–63.##[20].            Joh H-K, Park J-Y, Shin H-J, Lee J-W, Kim S-J. The Uncertainty Analysis of SWAT Simulated Streamflow Applied to Chungju Dam Watershed. In: Proceedings of the Korea Water Resources Association Conference. Korea Water Resources Association; 2011.##[21].            Green CH, Tomer MD, Di Luzio M, Arnold JG. Hydrologic evaluation of the soil and water assessment tool for a large tile-drained watershed in Iowa. Trans ASABE. 2006;49(2):413–22.##[22].            Santhi C, Arnold JG, Williams JR, Dugas WA, Srinivasan R, Hauck LM. validation of the swat model on a large RWER basin with point and nonpoint sources 1. JAWRA J Am Water Resour Assoc. 2001;37(5):1169–88.##[23].            Akbari Mejdar H, Bahremand A.R, Najafinejad A, Sheikh V.B. Daily flow simulation of Chehelchai river Golestan province using SWAT model. Journal of Water and Soil Conservation. 2013; 20(3): 253-259. [Persian]##[24].            Rostamian R, Mousavi S.F, Heidarpour M , Afyuni M, Abaspour K. Application of SWAT 2000 Model for Estimating Runoff and Sediment in Beheshtabad Watershed, a Sub-basin of Northern Karun. Journal of Water and Soil Science. 2009;12(46-B):517-531. [ Persian]##[25].            Yu D, Xie P, Dong X, Su B, Hu X, Wang K, et al. The development of land use planning scenarios based on land suitability and its influences on eco-hydrological responses in the upstream of the Huaihe River basin. Ecol Modell. 2018;373:53–67.##[26].            Salmani H, Mohseni Saravi M, Rohani H, Salajeghe A. Evaluation of Land Use Change and its Impact on the Hydrological Process in the Ghazaghli Watershed. J watershed Manag Res [Internet]. 2012;3(6). Available from: http://jwmr.sanru.ac.ir/article-1-120-fa.html [Persian]##[27].            Owji M.R, Nikkami D, Mahdian M.H, Mahmoudi Sh. Minimizing runoff and sedimentation by optimizing land use (Case Study: Jajrood watershed). Journal of Water and Soil Conservation. 2013; 20(4):183-199. [Persian]##

0 بهینه‌سازی مدل دراستیک و سینتکس در ارزیابی آسیب‌پذیری آبخوان دشت شبستر Optimization of the DRASTIC and SINTACS Models in Assessing the Vulnerability of the Shabestar Plain Aquifer https://ije.ut.ac.ir/article_70172.html 10.22059/ije.2018.264421.940 0 دشت شبستر منطقۀ فعالی از نظر کشاورزی است و استفاده از منابع آب زیرزمینی در آن به‌علت کمبود آب سطحی اهمیت بسیار زیادی دارد. رشد روزافزون جمعیت و فعالیت‏های صنعتی و کشاورزی و به تبع پسماندهای ناشی از آنها، احتمال آلودگی این آبخوان را افزایش می‌دهد. بنابراین، ارزیابی آسیب‏پذیری آبخوان این دشت برای توسعه، مدیریت و تصمیم‌های کاربری اراضی، چگونگی پایش کیفی منابع آب زیرزمینی و جلوگیری از آلودگی این منابع، بسیار مفید است. در مطالعۀ حاضر به‌منظور ارزیابی آسیب‏پذیری آبخوان دشت شبستر از روش دراستیک و سینتکس استفاده شده است. با توجه به اینکه رتبه‏ها و وزن‏های مدل‏های آسیب‏پذیری تا حدودی به نظر کارشناسی مربوط است، برای بهبود رتبه‏ها در هر دو مدل دراستیک و سینتکس از روش ویلکوکسن و به‌منظور بهینه‏سازی وزن‏ها، از روش آماری ساده و الگوریتم ژنتیک استفاده شد. در نهایت، مدل‏های بهینه‌شدۀ ویلکوکسن-آماری- دراستیک-، ویلکوکسن-الگوریتم‏ ژنتیک- دراستیک-، ویلکوکسن-آماری- سینتکس و ویلکوکسن- الگوریتم ژنتیک- سینتکس ساخته شد. در تمام مدل‏های بهینه‏سازی ضریب تعیین بین غلظت نیترات و شاخص آسیب‏پذیری مربوط به آن نسبت به مدل اولیه افزایش یافت. ضریب تعیین بالاتر مدل سینتکس-ویلکوکسن-الگوریتم‏ ژنتیک (46/0=) نسبت به دیگر مدل‏های بهینه‌شده نشان‌دهندۀ کارایی بهتر آن در منطقۀ مطالعه‌شده است. 1 Shabestar plain is an active agricultural area and the utilization of groundwater resources is extremely important due to the shortage of surfaces water resources. Increasing of population and technological and agricultural activities possibly causes the aquifer contamination in this area. Therefore, assessing the groundwater vulnerability of this aquifer will be very useful for development, management and land use decisions, to monitoring of the groundwater resources quality and preventing the contaminations of groundwater resources. In this study DRASTIC and SINTACS methods were used to assess the vulnerability of the Shabestan plain aquifer. Considering that the ratings and weights of the DRASTIC and SINTACS models are somewhat expertly Wilcoxon rank-sum test (WRST) method was used to improve the ratings in both the models and in order to optimize weights, simple statistical (SS) and genetic algorithm(GA) methods were used. Finally, the optimized WRST-SS-DRASTIC, WRST-GA-DRASTIC, WRST-SS-SINTACS, WRST-GA-SINTACS models were made. In all optimization models, the determination coefficient between the nitrate concentration and the vulnerability index was increased relative to the original model. The higher determination coefficient of the WRST-GA-SINTACS model than other optimized models represents the better performance of this optimized model in the study area. 77 88 فاطمه کدخدایی ایلخچی Fatemeh Kadkhodaie دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران kadkhodaie.fatemeh@yahoo.com اصغر اصغری مقدم Asghar Asghari Moghaddam استاد، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران moghaddam@tabrizu.ac.ir رحیم برزگر Rahim Barzegar دانشجوی دکتری هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران rm.barzegar@yahoo.com مریم قره‌خانی Maryam Gharekhani دانشجوی دکتری هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز ایران gharekhani_m@yahoo.com آسیب‏پذیری بهینه‏سازی دراستیک سینتکس شبستر [1].  Kazakis N, Konstantions SV. Groundwater vulnerability and pollution risk assessment of porous aquifers to nitrate: Modifying the Drastic method using quantitative parameters. Journal of Hydrology. 2015;525:13-25.##[2].  Patrikaki O, Kazakis N, Voudouris K. Vulnerability map: a useful tool for groundwater protection: an example from Mouriki Basin, North Greece. Fresenius Environ. Bull. 2012; 21(8c): 2516-2521.##[3].  Vrba J, Zoporotec A. Guidebook on mapping groundwater vulnerability. International Contributions to Hydrogeology.Verlag Heinz Heise GmbH and Co. KG.1994.##[4].  Stigter T, Riberio L, Carvalho Dill A. Evaluation of an intrinsic and a specific vulnerability assessment method in comparison with groundwater salinization and nitrate contamination level in two agriculture regions in the south of Portugal. Hydrogeol J. 2006; 14:79-99.##[5].  Almasri M.N. Assessment of intrinsic vulnerability to contamination for Gaza costal aquifer. Jornal of Environmental Management. 2008; 88(4): 577–593.##[6].  Babiker I S, Mohamed M M A, Hiyama T, Kato K. A GIS-based DRASTIC model for assessing aquifer vulnerability in Kakamigahara, Heights, Gifu Prefecture, central Japan. Science of the Total Environment. 2005; 345:127–140.##[7].  Hamza M. H, Added A, Rodriguez R, Abdeljaoued S, Ben Mammou A. GIS-based DRASTIC vulnerability and net recharge reassessment inan aquifer of a semi-arid region (Metline-Ras Jebel-RafRaf aquifer, Northern Tunisia). Journal of Environmental Management. 2007; 84: 12-19.##[8].  Gogu R.C, Dassargues A. Current trends and future challenges in groundwater vulnerability assessment using overlay and index methods. Environmental geology. 2000; 39(6): 549–559.##[9].  HarterT, Walker L. Assessing vulnerability of groundwater. US Natural Resources Conservation Service. 2001.##[10].            Asghari Moghaddam A, Fijani E, Nadiri A. Optimization of DRASTIC model by artificial intelligence for groundwater vulnerability assessment in Maragheh- Bonab plain. Journal of Geoscience. 2015; 94:169-176 (In Persian).##[11].            Panagopoulos G, Antonakos A, Lambrakis N. Optimization of DRASTIC model for groundwater vulnerability assessment, by the use of simple statistical methods and GIS. Hydrogeology Journal. 2006; 14:894-911.##[12].            Secunda S, Collin ML, Melloul AJ. Groundwater vulnerability assessment using a composite model combining DRASTIC with extensive agricultural land use in Israel’s Sharon region. Journal of Environmental Management. 1998; 54:39-57.##[13].            McLay CDA, Dragten R, Sparling G, Selvarajah N. Predicting groundwater nitrate concentrations in a region of mixed agricultural land use: a comparison of three approaches. Environmental Pollutants. 2001; 115:191-204.##[14].            Fijani E, Nadiri A, Asghari Moghaddam A, Tsai F & Dixon B. Optimization of DRASTIC Method by Supervised Committee Machine Artificial Intelligence to Assess Groundwater Vulnerability for Maragheh-Bonab Plain Aquifer, Iran. Journal of hrdrology. 2013, 530, 89-100.##[15].            Nadiri A.A, Sedghi Z, Khatibi R, Sadeghfam S,. Mapping Specific Vulnerability of multiple confined and un‏confined aquifers by using artificial intelligence to learn from multiple DRASTIC frameworks. Journal of Environmental Management, 2018. 415-428.##[16].            Nadiri A.A, Gharekhani M, Khatibi R. Mapping Aquifer vulnerability Indices using Artificial Intelligence-running Multiple Frame works (AIMF) With Supervised and unsupervised Learning, Water resource Management, 2018. 3023-3040.##[17].            Barzegar R, Asghari Moghaddam A, Nadiri A, Fijani E. Using different fuzzy logic methods to optimize DRASTIC model, case study: Tabriz plain aquifer. Journal of Geoscience. 2015; 95:211-222 (In Persian).##[18].            Hamamin D.F & Nadiri A.A. Supervised Committee Fuzzy logic model to assess groundwater intrinsic vulnerability in multiple aquifer systems. Arabian Journal of Geoscineces, 2018. 1-14.##[19].            Aller L, Bennett T, Lehr J.H, Petty R.J, Hackett G. DRASTIC: A Standardized System For Evaluating Ground Water Pollution Potential Using Hydrogeologic Setting, EPA 600/2-87-035.U.S.Environmental Protection Agency, Ada,Oklahoma. 1987.##[20].            Civita M..Legenda unificata per le Carte della vulnerabilita dei corpi idrici sotterranei/ Unified legend for the aquifer pollution vulnerability Maps, Studi sulla Vulnerabilita degli Acquiferi. Pitagora Edit, Bologna. 1990.##[21].            Wilcoxon, Frank (1945) Individual comparisons by ranking methods. Biometrics Bulletin. 1 (6): 80–83. doi:10.2307/3001968.##[22].            Ahmadi J, Akhondi L, Abbasi H, Khashei-Siuki A, Alimadadi M. Determination of aquifer vulnerability using DRASTIC model and a single parameter sensitivity analysis and acts and omissions (Case Study: Salafchegan-Neyzar Plain). J of Water and Soil Conservation. 2013; 20(3): 1-25.##[23].            Samey A. A and C.Gang. A GIS Based DRASTIC Model for the Assessment of Groundwater Vulnerability to Pollution in West Mitidja: Blida City, Algeria. Research Journal of Applied Sciences. 2008; 3(7): 500-507##[24].            Jafari SM, Nikoo MR. Groundwater risk assessment based on optimization framework using DRASTIC method.Arab J Geosci. 2016; 9:742, 7-14.##[25].            Piscopo G. Groundwater vulnerability map, explanatory notes, Castlereagh Catchment, NSW, Department of Land and Water Conservation, Australia. 2001.##[26].            Huan H, Wang J, Teng Y. Assessment and validation of groundwater vulnerability to nitrate based on a modified DRASTIC model: Acase study in Jilin City of northeast china, Sci Total Environ. 2012. 440:14-23.##

0 ارزیابی و مدل‌سازی پارامتر‏های محیطی مؤثر بر وقوع بهمن در محور میگون‏-شمشک با استفاده از تکنیک‌های آماری چندمتغیره Assessing and Modeling Effective Environmental Parameters on Snow Avalanche in Meigun-Shemshak Road using Multivariate Statistical Techniques https://ije.ut.ac.ir/article_70173.html 10.22059/ije.2018.265609.950 0 سقوط بهمن یکی از پدیده‏های مناطق کوهستانی و برف‏گیر است، که ممکن است خطرهای فراوان و مشکلات جبران‌ناپذیر به وجود آورد. هدف از پژوهش حاضر، تعیین مهم‏ترین پارامترهای مؤثر در وقوع بهمن در گذرگاه‏های ‏محور میگون‏- شمشک است. این محور در حوضۀ آبخیز شمشک با وسعتی ‏حدود ۷۵/۳۷ کیلومترمربع در شمال شرقی تهران و در شهرستان شمیران واقع ‏است. به‌منظور ارزیابی گذرگاه‏های بهمن، پارامتر‏های محیطی مؤثر بر وقوع بهمن شامل طول دره، عرض دره، آزیموت، درصد شیب، ضریب انحنای دره، ارتفاع، رس، سیلت، ماسه، ضریب زبری، درصد پوشش گیاهی، درصد پوشش سنگی، بارش، دما و برف تعیین شد. در منطقۀ مطالعه‌شده سه نوع درۀ دارای بهمن دائمی، آنی و بدون بهمن شناخته شد. نتایج به‌دست‌آمده از مقایسۀ پارامتر‏های محیطی دره‏های بهمن آنی و دائمی نشان داد درصد شیب، ضریب زبری، میزان رس، سیلت، ماسه، درصد پوشش گیاهی و سنگی تفاوت معنا‏داری بین این دو دره دارند. همچنین، در مقایسۀ بین گذرگاه‏های این دو دره فقط پارامتر ضریب انحنای دره معنا‏دار شد. نتایج مقایسۀ هر سه نوع دره نشان داد آزیموت، ضریب انحنای دره، درصد شیب، ضریب زبری، درصد پوشش گیاهی و سنگی دارای تفاوت معنا‏داری است. طی مقایسۀ گذرگاه‏های هر سه نوع دره، ضریب انحنای دره به عنوان پارامتر معنا‏دار شناخته شد. مهم‏ترین پارامترهای مؤثر بر وقوع بهمن که از نتایج تحلیل عاملی به دست آمد، آزیموت و ضریب زبری است. 1 Snow avalanche is one of the phenomena in snowy and mountainous areas that may result in hazards and irreparable problems. The objective of this study is to determine the most important effective factors in avalanche events in Meigoun-Shemshak road. Meigoun- Shemshak road has been located in Shemshak drainage basin with an area of 37.75 Km2 in Roodbar Ghasran district, Shemiranat County, Northeast Tehran. To assess avalanche corridors, effective environmental parameters on avalanche including length of valley, width of valley, azimuth, slope percentage,  valley curvature coefficient, elevation, clay, silt, sand, roughness coefficient, vegetation and rock cover percentage, precipitation, temperature and snow were determined. In the studied area, three types of valley were identified: ephemeral avalanche valley, permanent avalanche valley, without avalanche valley. The environmental parameters comparison between ephemeral avalanche valley and permanent avalanche valley showed that slope percentage, roughness coefficient, clay, silt, sand, vegetation and rock cover percentage are significant in the valleys and also in comparison between the sections of them only valley curvature coefficient was significant. In comparison between three types of valleys, parameters: Azimuth, valley curvature coefficient, slope percentage, surface roughness, vegetation and rock cover percentage were significant. The results of comparison between sections of the three types showed valley curvature coefficient was the significant parameter. The most important parameters affecting the avalanche are Azimuth and surface roughness coefficient. 89 98 کاظم نصرتی Kazem Nosrati دانشیار، گروه جغرافیای طبیعی، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران ایران k_nosrati@sbu.ac.ir سارا کیاشمشکی Sara Kiashemshaki دانش‌آموختۀ کارشناسی ارشد، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران ایران shemshakisara@yahoo.com محمدمهدی حسین‌زاده Mohammad Mehdi Hoseinzadeh دانشیار، گروه جغرافیای طبیعی، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران ایران m_hoseinzadeh@sbu.ac.ir بهمن برف تکنیک‏های آماری چندمتغیره گذرگاه بهمن محور میگون‏-شمشک [1]. Armstrong B.R, Knox W. The avalanche book (M. Dadkhah, Trans.). 1st ed. ‎Tehran: University of Tehran‏ ; 1977 ‎(Persian).##[2]. Yousefi S, Vafakhah M, Abdollahi Z. Avalanche Zoning Using GIS. Geomatic ‎Conference. 15-19 May 2011, Iran National Cartographic Center,Tehran, Iran (Persian).‎##[3]. Biroudian N. Snow and Avalanche, Snowy Areas Management. 1st ed. Mashhad: Imam Reza ‎University; 2003 (Persian).‎##[4]. Cooke R.U, Doornkamp J.C. Geomorphology in Enviromental Management (Sh. Gudarzinejad Trans).1 st. Vol. 2. Tehran: SAMT; 1999 (Persian).##[5]. Tilton B. The Basic Essentials of Avalanche Safety. (R. Danaei, Trans.).Tehran: Ravan; 2001 (Persian).##[6]. ‎Ahmadi H, Nasri M. An Investigation on avalanche zoning in Se Pestan valley watershed(Fereidunshahr, Isfahan province) using GIS techniques. Journal of the Iranian Natural Res. 2007; 60(1): 13-32 (Persian).##[7]. Ahmadi H, Taheri S. Strategic Studies for Avalanche High Risk Areas in ‎Watershed case study: Chalous road. 5th National Conference on Watershed ‎Management Sciences and Engineering. 22-23 Apr. 2009, Gorgan University of Agricultural ‎Sciences and Natural Resources, Gorgan, Iran (Persian).‎‏ ‏##[8]. Hirashima H, Nishimura K, Yamaguchi S, Sato A, Lehning M. Avalanche forecasting in a heavy snowfall area using the snowpack model. Cold Regions Science and Technology. 2008; 51(2–3): 191-203.##[9]. Munteanu A, Nedelea A, Comanescu L. The dynamics of the snow avalanche affected areas in Piatra Mica mountains (Romania). Comptes Rendus Geoscience 2011; 343(10): 691-700.##[10].            Eckerstorfer M, Christiansen H.H. Meteorology, Topography and Snowpack Conditions causing Two Extreme Mid-Winter Slush and Wet Slab Avalanche Periods in High Arctic Maritime Svalbard. Permafrost and Periglacial Processes. 2012; 23(1): 15-25.##[11].            Zare Bidaki R, Ahmadi H, Mahdavi M, Sedaghatkerdar A. Avalanche hazard mapping in Nesa -Gachsar road using geomorphologic and climatic data. Journal of Range and Watershed Management, Journal of Natural Resources 2011; 64(3): 295-306 (Persian).##[12].            Talebi M, Hoseinzadeh R, Barandeh R. Avalanche Hazard Zoning in Central Alborz. ‎The 1st National Conference on Application of Sciences and Modern Technologies in ‎Agricultural and Natural Resources. 6 Mar. 2014, Islamic Azad Univercity Meybod Branch, Meybod, ‎Iran (Persian).##[13].            Kofeilifard R, Esmaliouri A. Avalanche Hazard Zoning using AHP case study: Khalkhal watershed. 1st National Conference on Agricultural and Enviromental Sciences. 17 June 2015. Zaminkav Research Centre, Ardabil, Iran (Persian).##[14].            Nayyeri H, Charehkhah B, Karami M. Zonation of Avalanche Pathways of Kurdistan Province. International Conference on Sustainable Development with a Focus on Agriculture, Enviroment and Tourism. 16-17 Sep. 2015, Tabriz, Iran (Persian).##[15].            Kroetsch D.Particle size distribution: Soil sampling and methods of analysis. (2nd Ed). CRC Press, Boca Raton. FL; 2008. p. 747-56.##[16].            Nosrati K, Majdi M. Soil Quality Assessment in Western Part of Tehran using Minimum Data set Method. J. Water and Soil Sci (Sci. & Technol. Agric. & Natur. Resour.) 2018; 21(4): 177-88 (Persian).##[17].            Nosrati K. Applied methods in scientific research. 1st ed. Tehran: Jahad-e Daneshgahi Shahid Beheshti Branch; 2013 (Persian).##

0 ارزیابی تغییر اقلیم ایستگاه بجنورد طی دورۀ 2016 تا 2050 با استفاده از مدل‌های ریزمقیاس‌نمایی LARS WG و SDSM Assessment of Climate Change in Bojnourd Station in 2016-2050 using Downscaling Models LARS WG and SDSM https://ije.ut.ac.ir/article_70174.html 10.22059/ije.2018.265918.952 0 اقلیم زمین همواره ‌در حال تغییر بوده است، ولی روند فعلی تغییرات اقلیمی زمین به‌دلیل تأثیر انسان بر آن، اهمیت بی‌سابقه‌ای پیدا کرده است. در پژوهش حاضر برای ارزیابی تغییرات اقلیمی در ایستگاه بجنورد از مدل‌های‌ LARS WG و SDSM به منظور ریزمقیاس‌نمایی استفاده شده است. در هر دو مدل سناریوهای A و B ‌بررسی شده، اما در مدل SDSM از سناریوهای جدید RCP نیز استفاده شده است. نتایج بررسی وضعیت ایستگاه از نظر دما این نکته را روشن می‌کند که متوسط دمای ایستگاه طی دورۀ مطالعه حدود 52/13 درجۀ سانتی‏گراد است، اما بعد از سال 2000 دمای ایستگاه بیشتر از میانگین درازمدت آن قرار گرفته است. نتایج مدل LARS WG نشان می‏دهد بارش در ایستگاه تا سال 2050 افزایش می‏یابد. در سناریوی B1 مقدار افزایش بارش تا سال 2050، 258 میلی‏متر برآورد شده که 16 میلی‏متر بیشتر از بارش پایه است و تمامی فصول در این سناریو افزایش بارش دارند و مقدار افزایش در سناریوی A2 به میزان 256 میلی‌متر در سال می‏رسد. در مدل SDSM بارش افزایش می‏یابد و این افزایش بارش در سناریوهای A2 و B1 بیشتر از سناریوهای RCP است. این مقدار در سناریوی A2، 289 میلی‏متر؛ در سناریوی B2، ‌294 میلی‏متر؛ در سناریوی 6/2 RCP، این مقدار 264 میلی‏متر؛ در سناریوی 5/4 RCP، 273 میلی‏متر و در سناریوی 5/8 RCP، این مقدار 264 میلی‏متر افزایش می‏یابد. ‌در مدل LARS WG دمای کمینه در هر دو حالت روند افزایشی دارد و بیشترین مقدار افزایش دمای کمینه به فصل زمستان سناریوی A2 به میزان 8/0 درجۀ سانتی‏گراد مربوط است. از نظر ماهانه در هر دو سناریو دمای بیشینه در ماه‏های مارس، آوریل و می بیشترین افزایش را نسبت به دیگر فصول را دارد. مدل SDSM ‌دمای بیشینه و کمینۀ سالانۀ کمتری را نسبت به دورۀ پایه نشان می‏دهد؛ اما از نظر ماهانه ماه‏های مارس، آوریل و می هم ‏دمای کمینه افزایش‏ یافته و هم‏ دمای بیشینه افزایش می‏یابد که نشان‌دهندۀ تطابق نتایج هر دو مدل با هم است. 1 The climate of the land has always been changing over time but the current trend in climate change has become important due to the role of humans which has been unprecedented over the past years. In this study, The LARS WG and SDSM models are used to evaluate the climate change at Bojnourd station for downscaling climate and both models evaluate A and B scenarios but also used RCP new scenario in SDSM. The result of the status of the station showed temperature mean station is 13.52 c but after 2000, the temperature of the station is higher than its long-term average. The results of the LARS WG model show that precipitation will increase at the station in year 2050. In scenario B1, the amount of precipitation increase almost 16 mm more than base precipitation to 2050 and all season’s precipitation are increasing in this scenario. In scenario A2, the increase in this scenario reaches almost 256mm. In total, the SDSM model downloading to increase precipitation and this increase showed A1 and B2 scenarios more than RCP scenarios, therefore In the scenario A2 value is 289mm, the scenario B2 is 294 mm, the scenario RCP 2.6 is 264 mm, the scenario 4.5 RCP this is 273 mm and in the RCP scenario of 264 mm. In the case of temperature in the LARS WG model, the minimum temperature increases in both cases. The maximum winter temperature rise is 0.8 c in the A2 scenario. In both scenarios, the maximum temperature in March, April and May is the highest increase compared to other months. The SDSM model shows that the maximum and minimum annual temperatures of this model are lower temperatures than the base period. But the monthly increase in the months of March, April and May is the minimum and maximum increase, which indicates the matching of the results of both models. 99 109 غلامعباس فلاح قالهری Gholam Abbas Fallah Ghalhari دانشیار دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار ایران ab_fa789@yahoo.com حسین یوسفی Hossein Yousefi دانشیار دانشکدۀ علوم و فنون نوین دانشگاه تهران ایران hosseinyousefi@ut.ac.ir احمد حسین‌زاده Ahmad Hosseinzadeh دانشجوی دکتر‌ی اقلیم‌شناسی شهری، دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار ایران ahmad.ut@gmail.com محمدرضا علیمرادی Mohamadreza Alimardani دانشجوی دکتر‌ی تغییر اقلیم، دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری، سبزوار ایران mralimoradi@gmail.com الیاس ریحانی Elyas Reyhani دانشجوی کارشناسی ارشد اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران ایران elyas.reyhani@ut.ac.ir بجنورد تغییر اقلیم ریزمقیاس‌نمایی SDSM LARS WG [1].   Mozafari gh, shafiei sh. predictive and spatial analysis drought in Yazd province in the period from 2030 to 2011 AD using general circulation models of the atmosphere International Conference on Architecture. International Conference on Architecture, Urbanism, Civil Engineering, Art, Environment Future Horizons & Retrospect. tehran. 2015:1-9. [Persian]##[2].   kelanki m and karandish f. Forecasting the long-term effects of climate change on climatic components in the region wet, journal of Water and Irrigation Engineering,2015,20(5),131-148. [Persian]##[3].   Tirgarfakheri f, arezomandi f. Application downscaling of GCMs to create a map of rainfall on the southern shores of the Caspian. International Symposium on Environmental and Water Resources Engineering. tehran: Environmental and Water Resources Engineering. 2015:1-10.[Persian]##[4].    Mazafari gh,moradi h,khodaqoli m. Evaluation of drought conditions in Sistan and Balouchestan province during 1391 – 1410 Using the finer scale of exponential data of the general circulation model of the atmosphere.Quarterly Journal of Geographical Information.2014;93.[Persian]##[5].   Falah ghalhari gh. Climate data downscaling. Publisher sokhan gostar. Second volume.[Persian]##[6].   Lüliu L, Zhaofei L, Xiyan R, Thomas F, Ying X. Hydrological impacts of climate change in the Yellow River Basin for the 21st century using hydrological model and statistical downscaling model. Quaternary International.2011; 244(2):211-220.##[7].   Saadatfar A, Barani H, Bahremand A, Massah Bavani A, Sepehry A, Abedi A. Statistical Downscaling HadCM3 Model for Detection and Perdiction of Seasonal Climatic Variations (Case Study: Khabr Rangeland, Kerman, Iran). Journal of Rangeland Science. 2013; 3(3).[Persian]##[8].   Aida T, Thamer A, Abdul H, MalekM, Mashohor S. Potential Impacts of Climate Change on Precipitation and Temperature at Jor Dam Lake, Pertanika.J. Sci. & Technol. 2016;24 (1): 213 – 224.##[9].   Goodarzi E, Massah Bavani A, Dastorani M, Talebi A. Evaluating effect of downscaling methods; change-factor and LARS-WG on surface runoff (A case study of Azam-Harat River basin, Iran).Desert.2014; 19(2): 99-109.[Persian]##[10].       Rashid M, Mukand S. Future changes in extreme temperature events using the statistical downscaling model (SDSM) in the trans-boundary region of the Jhelum river basin.2014; 5(66): 56–66.##[11].       Arun Mondalp, Deepak K,  Kundu S. Change in rainfall erosivity in the past and future due to climate change in the central part of India.2016;4(3):186-194.##[12].       Rezaei m, nohtani m, abkar a, mehri mirkazehi m. Performance Evaluation of Statistical Downscaling Model (SDSM) in Forecasting Temperature Indexes in Two Arid and Hyper Arid Regions (Case Study: Kerman and Bam). Journal of Watershed Management Research.2014; 4(14): 113-177.[Persian]##[13].       kelanki m and karandish f. Forecasting the long-term effects of climate change on climatic components in the region wet, journal of Water and Irrigation Engineering,2015,20(5),131-148. [Persian]##[14].        Dehqan z, fathian f,eslamian s. Comparative evaluation of SDSM, IDW and LARS-WG models to simulate and fine-scale the temperature and precipitation.Water and Soil Journal.2013; 29(5).[Persian]##[15].       Semenov M, Barrow E. LARS-WG A Stochastic Weather Generator for Use in Climate Impact Studies. 2002.##[16].       Wilby R, Dawson C, Barrow E. SDSM – a decision support tool for the assessment of regional climate change impacts. Environmental and Modelling Software.2002; 17: 145-157.##[17].       Falah ghalhari gh. Climate data downscaling. Publisher sokhan gostar. First volume.[Persian]##

0 بررسی پتانسیل منابع آبی کارست پرآو-بیستون به‌عنوان منابع تأمین آب پایدار اکوسیستم‌های زاگرس Evaluation of the Potential of the Water Resources of Parao-Bisetoun's Karst as the Stable Water Suppliers for Zagros's Ecosystems https://ije.ut.ac.ir/article_70289.html 10.22059/ije.2018.266517.958 0 آب‏های زیرزمینی یکی از منابع طبیعی مهم جهانی برای جوامع و نیز فعالیت‏های کشاورزی و صنعتی هستند. یکی از منابع مهم کارست، منابع آبی آن است. شناخت عوامل مؤثر در تغذیۀ چشمه‏ها و همچنین تعیین مناطق با پتانسیل بالای منابع آب کارستی، می‏تواند به ما برای مدیریت منابع آب کمک کند. هدف از تحقیق حاضر، تعیین پتانسیل منابع آب تودۀ کارستی پرآو-بیستون است. برای شناخت منشأ کارستی چشمه‏های منطقۀ مطالعه‌شده از آنالیز هیدروشیمیایی آب آنها استفاده شد. تیپ آب کربناته، رخسارۀ کلسیک، قرارگرفتن در ناحیۀ چپ نمودار پایپر و بررسی نسبت مولار، همگی، نشان‌دهندۀ منشأ کارستی چشمه‏های منطقۀ مطالعه‌شده است. در پژوهش حاضر با استفاده از مدل TOPSIS و بررسی هشت متغیر سنگ‏شناسی، تراکم گسل، بارش، تراکم آبراهه، شیب، ارتفاع، جهت شیب و پوشش گیاهی، به تعیین پتانسیل منابع آب زیرزمینی در تودۀ کارستی پرآو-بیستون اقدام شد. به این منظور، برای استانداردسازی لایه‏ها از منطق فازی و برای تعیین وزن هر یک از لایه‏ها از روش تحلیل سلسله‏مراتبی (AHP) استفاده شد. در نهایت با اجرای مدل، نقشۀ پتانسیل منابع آب کارست منطقۀ مطالعه‌شده به دست آمد. بررسی نقشۀ نهایی، بیان‌کنندۀ تأثیر زیاد دو عامل سنگ‎شناسی و گسل‎ها در پتانسیل منابع آب کارست هستند، به‌طوری که طبقات با پتانسیل بالا، منطبق بر سازند‎های ضخیم‎لایۀ آهکی با تراکم زیاد گسل‎ها و شکستگی‎های محلی‌اند. از نظر سنگ‎شناسی، طبقه با پتانسیل خیلی زیاد منطبق بر واحد آهک بیستون با خالص‏ترین نوع آهک و بخش‎هایی از رادیولاریت‎هاست. در کل، چشمه‏های پرآبی مانند سرابله، بیستون، برناج، شاه حسین و ورمنجه در طبقات با پتانسیل زیاد و خیلی زیاد قرار می‏گیرند که نشان‌دهندۀ برآورد مناسب مدل از مناطق با پتانسیل بالای منابع آب کارست است. 1 Underground water is one of the most important natural resources for societies, agricultural and industrial activities. One of the most important sources of Karst is its water resources. Understanding the factors influencing feeding springs can help us manage water resources and also, determine areas with high potential of Karst water resources. The purpose of this study is to determine the Karst water resources potential of the Parao-Bisetoun karstic mass. Hydro-chemical analysis of water was used to understand the origin of Karstic springs in the study area. Carbonate type, calcific facies, position in the left region of the Piper diagram and study of molar ratio, all indicate the Karstic source of springs in the study area. In this study, action is taken to determine the potential of underground water resources in the Parao-Bisetoun karstic mass, using the TOPSIS model and the study of 8 variables of lithology, fault density, rainfall, drainage density, slope, elevation, slope and vegetation. For this purpose, fuzzy logic is used to standardize the layers and used Analytic Hierarchy Process (AHP) to determine the weight of each layers. Eventually, with the implementation of the model, the map of Karst water resources potential of the study area was obtained. The review of the final map indicates the great impact of the two lithological factors and faults on the potential of Karst water resources, so that classes with high potential matches on the thick formations of the limestone layer with high density of faults and local fractures. As far as lithology is concerned, the class with a lot of potential matches with Bisetoun lime unit, having the purest type of lime, plus parts of radiolarities. In general, high water springs such as Sarableh, Bisetoun, Barnaj, Shah Hussain and Varmanjeh lie in the margin of many potential and very high classes. This illustrates the proper estimation of the model from high potential of Karst water resources. 111 123 ساسان زنگنه‌تبار Sasan Zanganetabar کارشناسی ارشد، دانشکدۀ جغرافیا، دانشگاه خوارزمی، تهران‌ ایران zangenegeo154@gmail.com مهرنوش قدیمی Mehrnoosh Ghadimi استادیار، دانشکدۀ جغرافیا، دانشگاه تهران، تهران‌ ایران ghadimi@ut.ac.ir پرآو-بیستون کارست منابع آب هیدروشیمیایی TOPSIS [1].  Manap, M.A., Nampak, H., Pradhan, B., Lee, S., Sulaiman, W.N.A., Ramli, M.F. Application of probabilistic-based frequency ratio model in groundwater potential mapping using remote sensing data and GIS. Arab. J. Geosci. 2014; 7(2):711–724.##[2].  Naghibi, S.A., Pourghasemi, H.R. A comparative assessment between three machine learning models and their performance comparison by bivariate and multivariate statistical methods in groundwater potential mapping. Water Resour. Manag. 2015;229 (14):5217–5236.##[3].  Nampak, H., Pradhan, B., Manap, M.A. Application of GIS based data driven evidential belief function model to predict groundwater potential zonation. J. Hydrol. 2014; 513:283–300.##[4].  Rahmati, O., Pourghasemi, H., Melesse, A. Application of GIS-based data driven random forest and maximum entropy models for groundwater potential Mapping: a case study at Mehran Region, Iran. Catena. 2016; 137: 360–372.##[5].  British Columbia, Ministry of Forests. Karst management Handbook for British Columbia. 2003. www.publications.gov.bc.ca.##[6].  Ford,D. Williams,P. Karst Hydrogeology and Geomorphology. John & Sons, Ltd. 2007.##[7].  LaMoreaux, P. E. History of karst hydrogeological studies, Proceedings of the International Conference on Environmental Changes in Karst Areas -I.G.U.- U.I.S.- Italy 15-27 Sept. 1991 ; Quaderni del Dipartimento di Geografia n. 13, 1991 -Università di Padova, pp. 215- 229.##[8].  Magesh NS, Chandrasekar N, Soundranayagam JP. Delineation of groundwater potential zones in Theni district, Tamil Nadu, using remote sensing, GIS and MIF techniques. GSF. 2012; 3(2):189-196.https://doi.org/10.1016/j.gsf.2011.10.007.##[9].  Preeja KR, Sabu J, Jobin T, Vijith H. Identification of groundwater potential zones of a Tropical River basin (Kerala, India) using remote sensing and GIS techniques. J Indian Soc Remote Sens. 2011; 39(1): 83–94 https://link.springer.com/article/10.1007/s12524-011-0075-5.##[10].            Rassam DW, Pagendam DE, Hunter HM. Conceptualisation and application of models for groundwater–surface water interactions and nitrate attenuation potential in riparian zones. Environ Modell Software. 2008;23:859–875. https://doi.org/10.1016/j.envsoft.2007.11.003.##[11].            Magesh NS, Chandrasekar N, Soundranayagam JP. Morphometric evaluation of Papanasam and Manimuthar watersheds, parts of western Ghats, Tirunelveli district, Tamil Nadu India: a GIS approach.Environ Earth Sci. 2011; 64:373–381. https://doi.org/10.1007/ s12665-010-0860-4.##[12].            Shaban A, Khawlie M, Abdallah C. Use of remote sensing and GIS to determine recharge potential zone: the case of occidental Lebanon. Hydrogeol J. 2006; 14(4):433–443. https://doi.org/10.1007/s10040-005-0437-6##[13].            Thomas J, Joseph S, Thrivikramji K, Abe G, Kannan N. Morphometrical analysis of two tropical mountain river basins of contrasting environmental settings, the southern western Ghats, India. Environ Earth Sci. 2012;66(8):2353–2366. https://doi.org/10.1007/s12665-011-1457-2.##[14].            Senthil-Kumar GR, Shankar K. Assessment of groundwater potential zones using GIS. Front Geosci. 2014; 2(1):1–10.##[15].            Etishree A., Rajat A., Garg RD., Garg PK. Delineation of groundwater potential zone: An AHP/ANP approach. Journal of Earth System Science. 2013; 122(3): 887-898. Doi: 10.1007/s12040-013-0309-8.##[16].            Kumar, U., B. Kumar and M. Neha. Groundwater Prospects Zonation Based on RS and GIS Using Fuzzy Algebra in Khoh River Watershed, Pauri-Garhwal District, Uttarakhand, India. Global Perspectives on Geography (GPG). 2013; Vol. 1: 37-45.##[17].            Waikar, M.L., A. P. Nilawar. Identification of Groundwater Potential Zone using Remote Sensing and GIS Technique, International Journal of Innovative Research in Science, Engineering and Technology. 2014; Vol. 3:12163-12174.##[18].            Dashti barmaki, M. Rezaee, M. and Ashjari, J. Potentiality of water resources of karst mountains of Devon and Shapur based on multi-criteria decision making. Journal of Iran water researches. 2015;16: 89-100. (In Persian).##[19].            Razavi Termeh S.V. Mesgari M.S. Kazemi K. Evaluation and comparison of frequency ratio, statistic index and entropy methods for groundwater potential mapping using GIS (Case Study: Jahrom Township). Iranian Journal of Ecohydrology, 2017; 4(3): 725-736. doi: 10.22059/ije.2017.62505. (in persian)##[20].            Maleki, A. Oveisee moaakher, M. and Baghri, A. Investigating the capacity of groundwater resources in karstic formation of khorin kermanshah mountain using GIS technique and geophysical methods. Geography and Environmental Planning. 2017; 1:135-150. (In Persian)##[21].            Afrasiabian, A. Karst hydrology studies in Maharloo calcareous basin. The second scientific seminar on water resources studies. Collection of articles. 1991; 126-137. (In Persian)##[22].            Braud, J. LA suture du Zagros au niveau de Kermanshah (Kurdistan Iranian): Mem Geodiffusion. 1989; 5, 489P., 125 Fig, 1, Carte H, T., Paris.##[23].            Karimi vardanjani, H. Karst Hydrogeology (concepts and methods) (1th Ed.). Eram of Shiraz Press. 2010;28-29. (In Persian).##[24].            Darvari Z., Gholami V., Jokar Sarhangei E. Simulation of Karst Springs Discharge Using Artificial Neural Network (Case Study: Central Alborz Highlands). Physical Geography Researches. 2012;43(77): 57-68. (In Persian).##[25].            Kazemi, R. Ghayomian, J. and Jalali, N. Investigating the role of structural factors in the frequency of water resources in the Lar karstic region using remote sensing and GIS. Journal of Research and Innovation in Natural Resources. 2006; 19(3): 33-41. (In Persian)##[26].            Ballukraya, P. N., and Kalimuthu, R. Quantitative hydrogeological geomorphological analyses for groundwater potential assessment in hard rock terrains. Current Science. 2010;98. No2.##[27].            Ekhtesasi, M. Sehati, M. Mosleharayee, A. and Azimzadeh, H. The effect of some characteristics of stone andesite and granite units on the amount of vegetation deposition in arid regions (A case study of Mehriz Yazd). Journal of Watershed researches, 2011; 92, 32-44. (In Persian)##

0 بررسی و مقایسۀ روشهای برآورد تبخیر و تعرق واقعی در حوضۀ آبریز دریاچۀ ارومیه Evaluation and Comparison of Estimation Methods for Actual Evapotranspiration in the Urmia Lake Basin https://ije.ut.ac.ir/article_70291.html 10.22059/ije.2018.268016.970 0 تبخیر و تعرق واقعی یکی از متغیرهای اصلی در محاسبۀ بیلان آب و انرژی سطح زمین محسوب می‏‌شود. تا ‏کنون روش‏های مختلفی برای محاسبۀ تبخیر و تعرق واقعی ارائه ‌شده است. هدف از مطالعۀ حاضر، بررسی و مقایسۀ انواع روش‏های موجود برای برآورد تبخیر و تعرق واقعی در حوضۀ آبریز دریاچۀ ارومیه به‌منظور انتخاب الگوریتم بهینه است. به‌‌بیان ‌دیگر، با بررسی مزایا و معایب روش‌های تخمین تبخیر و تعرق واقعی، کارایی هر یک از این روش‌ها در حوضۀ آبریز دریاچۀ ارومیه بررسی می‌شود. در تحقیق حاضر با استفاده از الگوریتم‌های ETLook، SEBAL، SEBS و S-SEBI که بر پایۀ معادلۀ بیلان انرژی استوار هستند و مقایسۀ نتایج به‌دست‌آمده از الگوریتم‌های مختلف این نتیجه به دست آمد که روش ETLook با بهره‌گیری از جدیدترین روش‏های برآورد تبخیر و تعرق توانسته است بسیاری از ضعف‏های سایر الگوریتم‏ها را پوشش دهد. این روش دومنبعی که پوشش گیاهی و خاک را به‌صورت جداگانه تحلیل می‏کند، با استفاده از تصاویر رطوبت خاک توانسته است حتی در روزهای ابری نیز کارایی خود را برای محاسبۀ تبخیر و تعرق از دست ندهد. با این‌حال، تجاری‌بودن این الگوریتم و اختلاف زیاد نتایج محصول جهانی WaPOR (تولیدشده با ETLook) با مشاهدات زمینی در حوضۀ آبریز دریاچۀ ارومیه سبب شده است تا استفاده از آن نیز چندان میسر و مناسب نباشد. با توجه به جمیع شرایط ازجمله داشتن پایۀ فیزیکی مناسب، سهولت در اجرا و مقایسه با مقادیر زمینی می‏توان گفت که الگوریتم SEBAL مناسب‏ترین گزینه برای برآورد تبخیر و تعرق واقعی حوضۀ آبریز دریاچۀ ارومیه است. 1 One of the main variables in calculating the water balance and land surface energy is Actual evapotranspiration. Different methods for calculating actual evapotranspiration have been presented so far. Investigate and compare various existing methods for estimating actual evapotranspiration in the Urmia Lake basin in order to select an optimal algorithm was The purpose of this study .Using the ETLook, SEBAL, SEBS and S-SEBI algorithms based on the energy balance equation, the results obtained by comparing the results of different algorithms showed that the ETLook method has been able to utilize the latest methods of estimation of evapotranspiration. Many The weaknesses of other algorithms are covered. This two-source method analyzes vegetation and soil separately, by using soil moisture images, has not even been able to withstand its efficiency in calculating evapotranspiration, even in cloudy days. However, the commercialization of this algorithm and the great difference in the results of the global WaPOR product (produced with ETLook) with ground observations in the Urmia Lake basin has made it less and less convenient to use. Considering all the conditions, including having a suitable physical base, ease of implementation and comparison with ground values, it can be admitted that the SEBAL algorithm is the most suitable option for estimating the actual evapotranspiration of the Urmia Lake basin. 125 136 مصطفی جوادیان Mostafa Javadian کارشناس، مرکز تحقیقات سنجش از دور (RSRC)، دانشگاه صنعتی شریف، تهران ایران mostafa.javadian@yahoo.com فاطمه کردی Fatemeh Kordi کارشناس، مرکز تحقیقات سنجش از دور (RSRC)، دانشگاه صنعتی شریف، تهران ایران kordi_f72@yahoo.com مسعود تجریشی Masoud Tajrishy استاد، دانشکدۀ مهندسی عمران و مدیر مرکز تحقیقات سنجش از دور (RSRC)، دانشگاه صنعتی شریف، تهران ایران tajrishy@sharif.edu ارومیه تبخیر و تعرق محصول جهانی SEBAL WaPOR [1]. Tang R, Li ZL & Tang B. An application of the T s–VI triangle method with enhanced edges determination for evapotranspiration estimation from MODIS data in arid and semi-arid regions: Implementation and validation. Remote Sensing of Environment. 2010;114, 540-551##[2]. Inoue Y. Synergy of Remote Sensing and Modeling for Estimating Ecophysiological Processes in Plant Production. Plant Production Science. 2003;6:3–16.##[3]. Gowda PH, Chavez J L, Colaizzi PD, Evett S, Howell T A, Tolk JA. ET mapping for agricultural water management: present status and challenges. Irrigation Science. 2007;26:223-237.##[4]. Ayoola O, Emmanuel O, Harald K, Frank A, Joel A, Salisu T, Luitpold H, Jan B. Comparison Of Sebal Estimated Heat Fluxes And Evapotranspiration Using Field And Remote Sensing Data In The Sudanian Savanna In West Africa. International Journal of Agriculture and Environmental Research. 2018; 22:2455-6939##[5]. Zhang K, Kimball JS, and Running SW. A review of remote sensing based actual evapotranspiration estimation. WIREs Water. 2016;3: 834–853.##[6]. Kjaersgaard J H, Allen RG, Garcia M, Kramber W & Trezza, R. Automated selection of anchor pixels for landsat based evapotranspiration estimation. In World Environmental and Water Resources Congress 2009: Great Rivers (pp. 1-11).##[7]. Bastiaanssen, W, Van der Wal T, and Visser T.Diagnosis of regional evaporation by remote sensing to support irrigation performance assessment, Irrig. Drain. Syst. 1996; 10(1), 1–23##[8]. Allen R, Tasumi M, and Trezza R.Satellite-based energy balance for mapping evapotranspiration with internalized calibration (METRIC)—Model, J.Irrig. Drain. Eng. 2007;133(4), 380–394.##[9]. Bagheri Haroni, MH, Evaluating remote sensing to estimate water balance in regional scale harvest ground water Emphasizing the net purification of groundwater (case study: Urmia Lake basin), M.Sc. thesis, TMU university, 2011.[Persian]##[10].            DroogersPW, Immerzeel W, and Lorite IJ.Estimating actual irrigation application by remotely sensed evapotranspiration observations, Agric. Water Manage.2010; 97, 1351–1359##[11].            Hu G, Jia, L & Menenti M. Comparison of MOD16 and LSA-SAF MSG evapotranspiration products over Europe for 2011. Remote Sensing of Environment. 2015; 156, 510-526.##[12].            Zhao LL, Ronglin, T, Zhengming W, Yuyun B, Chenghu Z, Bohui T, Guangjian Y, et al. A Review of Current Methodologies for Regional Evapotranspiration Estimation from Remotely Sensed Data. Sensors, 2009; 9:3801-3853.##[13].            Remote Sensing Research Center (RSRC), Estimation of evapotranspiration, costs and the amount of water saving in agriculture (case study: Urmia Lake basin for 2010 ), EWRC in Sharif university of Technology, 2015. [Persian]##[14].            Su Z. The Surface Energy Balance System (SEBS) for estimation of turbulent heat fluxes SEBS-The SurfaceEnergy Balance. Hydrology and Earth System Sciences. 2002;6(1): 85-100.##[15].            Martens B, Miralles DG, Lievens H, van der Schalie R, de Jeu RAM, Fernández-Prieto D, et al. N.E.C: GLEAM v3: satellite-based land evaporation and root-zone soil moisture, Geoscientific Model Development. 2018;10, 1903–1925.##[16].            www.fao.org/3/i7315en/I7315EN##[17].            Hatch U, Jagtap S, Jones J, Lamb M. Potential effects of climate change on agricultural water use in the southeast U.S. Journal of the American Water Resources Association. 1999;35 (6), 1551–1561.##[18].            Allen R, Pereira LS, Raes D and Smith M. Crop evapotranspiration-Guidelines for computing crop water requirements-FAO Irrigation and drainage paper 56. FAO, Rome. 1998; 300(9), D05109.##[19].            http://www.fao.org/in-action/remote-sensing-for-water-productivity/wapor/en/#/home##[20].            Wang Y, Yu P, Xiong W, Wang L.Water-Yield Reduction after Afforestation and Related Processes in the Semiarid Liupan Mountains, China. American Water Resources Association. 2008;44(5):1086-1097.##[21].            Yekom Consulting engineering, Implementation of 40 percent reduction in agricultural water consumption in the Zarrine-Rud and Simin-e Hidro rivers basin (case study: Saeen ghalee and miandoab), 2016. [Persian]##

0 تحلیل عدم قطعیت مدل شبیه‌سازی-بهینه‌سازی آبخوان با استفاده از الگوریتم مونت کارلو (زنجیرۀ مارکوف) Analysis of the Uncertainty of the Simulation-Optimization Model using the Monte Carlo Markov Chain Algorithm https://ije.ut.ac.ir/article_70294.html 10.22059/ije.2018.269045.976 0 تحلیل عدم قطعیت، مرحله‏ای جدانشدنی در فرایند مدل‏سازی‏های هیدرولوژی است. ارزیابی کمی عدم قطعیت در خروجی‏های مدل شبیه‏سازی و تخمین پارامترهای آن، موجب افزایش اطمینان در نتایج مدل‏سازی و شناخت درستی از منابع عدم قطعیت می‏شود. با توجه به رشد روزافزون کاربرد مدل‏های آب زیرزمینی در مدیریت و پیش‏بینی رفتار آبخوان‏ها، ‌پژوهش حاضر به‌منظور تحلیل عدم‏ قطعیت در شبیه‌سازی کمی-کیفی آبخوان و تأثیر آن در نتایج بهینه‌سازی انجام شد. با استفاده از مدل هیدرولوژیکی SWAT، میزان تغذیه مشخص شده و وارد مدل جریان آب زیرزمینی MODFLOW و مدل انتقال آلاینده MT3DMS شد. در تحقیق حاضر از الگوریتم DREAMzs که یکی از الگوریتم‌های مبتنی بر مونت کارلو (زنجیرۀ مارکوف) است، به منظور بررسی عدم قطعیت پارامترهای مدل MODFLOW استفاده شد. در ادامه، با لینک‌کردن مدل با MOPSO میزان بهینۀ هد و شوری در آبخوان مد نظر به‌دست آمد. نتایج به‌دست‌آمده نشان داد میزان دقت در ورودی‌های مدل سبب مطلوبیت در نتایج با توجه به هدف تعیین‌شده که کاهش میزان افت آب است، شد. 1 Uncertainty analysis is an inseparable step in the process of hydrological modeling. Quantitative assessment of the uncertainty in the simulation model outputs and its parameters lead to an increase of confidence in the results of modeling and understanding of the sources of uncertainty.  Due to the increasing use of groundwater management model and predicting the behavior of the aquifer, this research is seeking to analyze the uncertainty in quantitative-qualitative aquifer simulation and its effect on optimization results. Using SWAT hydrologic model, the amount of recharge is specified and inserted into MODFLOW groundwater flow model and MT3DMS transmission model. In this research, the DREAM (zs) algorithm (based on Monte Carlo Markov chain algorithms) was used to examine the uncertainty of MODFLOW model parameters. Then by linking the model with MOPSO, the optimum head and salinity are obtained in the aquifer. The results show that the accuracy of the inputs of the model leads to the desirability of the results in relation to the intended purpose of reducing the water table. 137 151 خدیجه نوروزی خطیری Khadije Norouzi Khatiri دانشجوی دکتری، دانشکدۀ محیط زیست، پردیس دانشکده‌های فنی، دانشگاه تهران ایران eng.norouzi2011@yahoo.com محمدحسین نیک‌سخن Mohammad Hossein Niksokhan دانشیار، دانشکدۀ محیط زیست، پردیس دانشکده‌های فنی، دانشگاه تهران ایران niksokhan@ut.ac.ir امین سارنگ Amin Sarang استادیار، دانشکدۀ محیط زیست، پردیس دانشکده‌های فنی، دانشگاه تهران ایران sarang@ut.ac.ir آب زیرزمینی شبیه‌سازی- بهینه‌سازی عدم قطعیت PSO [1].               Mirzaei M, Huang Y.F, and El-Shafie A. Applicati on of the generalized likelihood uncertainty estimation (GLUE) approach for assessing uncertainty in hydrological models. A review, Stochastic Environmental Research and Risk Assessment. 2015; 29(5): 1265-1273.##[2].               Rojas R, Kahunde S. Application of a multimodel approach to account for conceptual model and scenario uncertainties in groundwater modeling. Journal of Hydrology.2010; 394(3)416-435.##[3].               Montanari A, Grossi G. Estimating the uncertainty of hydrological forecasts. A statistical approach, Water Resources Research. 2008; 44: W00B08.##[4].               Blazkova S, Beven K. A limits of acceptability approach to model evaluation and uncertainty estimation in flood frequency estimation by continuous simulation: Skalka catchment, Czech Republic, Water Resources Research. 2009; 45: W00B16.##[5].               Blasone R.S, Parameter estimation and uncertainty assessment in hydrological modelling. 2007; Technical university of Denmark.##[6].               Johnson J. Framework to effectively quantify and communicate groundwater model uncertainty to management and client, U.S. department of the Interior Urea of Reclamation. Pacific Northwest Regional Office Boise. 2010; Idaho, U.S.A.##[7].               Vrugt JA, Gupta HV, Bouten W, Sorooshian S. A Shuffled Complex Evolution Metropolis algorithm for optimization and uncertainty assessment of hydrologic parameter estimation. Water Resources Research. 2003; 39(8):1201.##[8].               Kanso A, Chebbo G, Tassin B. Application of MCMC–GSA model calibration method to urban runoff quality modeling, Reliability Engineering & System Safety. 2004; 91(10-11):1398–1405.##[9].               Dotto C.B.S, Mannina G, Kleidorfen M, Vezzaro L, Henrichs M, cCarthy, et al. Comparison of different uncertainty techniques in urban stormwater quantity and quality modeling, Water Research. 2012; 46(8):2545-2558.##[10].            Talebizadeh M, Morid S, Ayyoubzadeh SA, Ghasemzadeh M. ncertainty Analysis in Sediment Load Modeling Using ANN and SWAT Model. Water Resources Management. 2009; 24(9):1747-1761.##[11].            Pohll G. Pohlmann K, Hassan A, Chapman J, Mihvec T. Assessing groundwater model uncertainty for the central Nevada test area. Spectrum 2002.##[12].            Hassan AE, Bekhit HB, Chapmann JB. Uncertainty assessment of a stochastic groundwater flow model using GLUE analysis. Journal of Hydrology. 2008; 362:89-109.##[13].            Blasone R.S, Vrugt J.A, Madsen H, Rosberg D, Robinson B.A, Zyvoloski, G.A. Generalized likelihood uncertainty estimation (GLUE) using adaptive Markov Chain Monte Carlo sampling, Advances in Water Resources. 2008; 31:630–648.##[14].            Fu J, Gomez-Hernandez JJ. Uncertainty Assessment and data worth in groundwater flow and mass transport modeling using a blocking markov chain montecarlo method. Journal of Hydrology. 2009; 364:328-341.##[15].            Sepúlveda N. Doherty J. Uncertainty Analysis of a Groundwater Flow Model in East-Central Florida. Groundwater. 2015; 53(3):464–474.##[16].            Keating EH, Doherty J, Vrugt JA, Kang Q. Optimization and uncertainty assessment of strongly non-linear groundwater models with high parameter dimensionality. Water Resources Research. 2010; W10517(46).##[17].            Rojas R, Feyen L, Dassargues A. Conceptual model uncertainty in groundwater modeling: Combining generalized likelihood uncertainty estimation and Bayesian model averaging. Water Resources Research. 2008; W12418 44(12):619-624.##[18].            McKinney DC, Lin MD. Genetic algorithm solution of groundwater management models. Water Resources Research. 1994; 30(6):1897.##[19].            Huang C, Mayer AS. Pump-and-treat optimization using well locations and pumping rates as decision variables. Water Resources Research. 1997; 33(5):1001–1012.##[20].            Storck P, Eheart JW, Valocchi AJ. A method for the optimal location of monitoring ells for detection of groundwater contamination in threedimensional heterogeneous aquifers. Water Resources Research. 1997; 33(9):2081.##[21].            Das, Datta. Application of optimisation techniques in groundwater quantity and quality management. Sadhana: Academy Pro- ceedingsin Enging. 2001; 26 (4).293-316.##[22].            Hsiao CT, Chang LC. Dynamic optimal groundwater management with inclusion of fixed costs. Journal of Water Resources Planning and Management. 2002; 128(1):57–65.##[23].            Loaiciga HA. Analytical game theoretic approach to groundwater extraction. Journal of Hydrology. 2004; 297:22–33.##[24].            Reed PM, Minsker BS. Striking the balance: Long-term groundwater monitoring design for conflict objectives. Journal of Water Resources Planning and Management. 2004; 130(2):140-149.##[25].            Tran TM. Multi-Objective Management of Saltwater in Groundwater. Optimization under Uncertainty. 2004; TU Delft University of Technology.##[26].            Wu J, Zheng C, Chein C.C, Zheng L. A comprative study of Monte Carlo simple genetic algorithm and noisy genetic algorithm for cost-effective sampling network design under uncertainty. Advance in Water Resources. 2005;29(1) 899-911.##[27].            Karamouz M, Tabari M. M, Kerachian R. Application of artificial neural networks and generic algorithms in conjunctive use of surface and groundwater resources. Water International. 2007; 32(1): 163-176.##[28].            Salazar R, Szidarouszky F, Coppola EJr, Rojana A. Application of game theory for groundwater conflict in Mexico. Journal of Environmental Management. 2007; 84: 560-571.##[29].            Bazargan-Lari MR, Kerachian R, Mansoori A. A conflictresolution model for the onjunctive use of surface and groundwater resources that considers water-quality issues: A case study. Environmental Management. 2009; 43:470–482.##[30].            Mahjoub MA, Ammar S, Edziri H, Bouraoui A, Zine Mighri, Z. Antiin- flamatory and antioxidant activities of some extracts and pure natural products isolated from Rhus tripartitum (Ucria) leaves, stems and fruits. Med. Chem. Res. 2010; 19: 271–282.##[31].            Ketabchi H, Ataie-Ashtiani B. Development of Combined Ant Colony Optimization Algorithm and Numerical Simulation for Optimal Management of Coastal Aquifers. Iran-Water Resources Research. 2011; 7(1):1-12 (In Persian).##[32].            Fallah mahdipour A, Bozorg Hadad A, Alimohammadi S. Optimal Operation of the Conjunctive Aquifers - Dam system: The Genetic Programming Approach. Water resource engineering. 2014; 7(21):51-66 (In Persian).##[33].            Ayvaz MT, Elçi A. A groundwater management tool for solving the pumping cost minimization problem for the Tahtali watershed (Izmir-Turkey) using hybrid hs-solver optimization algorithm. Journal of Hydrology. 2013; 478:63–76.##[34].            Narula K, Gosain, A. K. Modeling hydrology, groundwater recharge and non-point nitrate loadings in the Himalayan Upper Yamuna basin. Science of The Total Environment. 2013; 468, S102-S116.##[35].            Elçi A, Ayvaz MT. Differential-evolution algorithm based optimization for the site selection of groundwater production wells with the consideration of the vulnerability concept. Journal of Hydrology. 2014; 511:736–749.##[36].            Nakhaei M, Mohammadi M, Rezaie M. Optimizing of aquifer withdrawal numerical model using genetic algorithm (case study: Uromiyeh coastal aquifer). Iran-Water Resources Research. 2014; 10(2):94-97 (In Persian).##[37].            El Alfy M. Numerical groundwater modelling as an effective tool for management of water resources in arid areas. Hydrological Sciences Journal. 2014; 59(6), 1259-1274.##[38].            Izady A, Davary K, Alizadeh A, Ziaei AN, Akhavan S, Alipoor, et al. Groundwater conceptualization and modeling using distributed SWAT-based recharge for the semi-arid agricultural Neishaboor plain, Iran. Hydrogeology Journal. 2015; 23(1): 47-68.##[39].            Raei E, Nikoo MR, Pourshahabi S. A multi-objective simulation-optimization model for in situ bioremediation of groundwater contamination: Application of bargaining theory Journal of Hydrology.2017; 551: 407-422.##[40].            Thomas A. Simulation optimization model for aquifer parameter estimation using coupled meshfree point collocation method and cat swarm optimization. Engineering Analysis with Boundary Elements. 2018; 91: 60-72.##[41].            Bates BC, Campbell EP. A Markov Chain Monte Carlo scheme for parameter estimation and inference in conceptual rainfall - runoff modeling. Water Resources Research. 2001; 37: 937-947.##[42].            Neal R. Probabilistic inference using Markov Chain Monte Carlo methods, Technical Report CRG-TR-93-1, Department of Computer Science. University of Toronto. Toronto. Canada. 1993; 144.##[43].            Kuczera G, Parent E. Monte Carlo assessment of parameter uncertainty in conceptual catchment models: The Metropolis algorithm. Journal of Hydrology. 1998; 211: 69-85.##[44].            Metropolis N, Rosenbluth A.W, Rosenbluth M.N, Teller A.H, Teller E. Equations of state calculations by fast computing machines. Journal of Chemical Physics. 1953; 21: 1087-1091.##[45].            Hastings W.K. Monte Carlo sampling methods using Markov Chains and their applications. Biometrika. 1970; 57: 97-109.##[46].            Laloy E, Vrugt J.A. High-dimensional posterior exploration of hydrologic models using multiple-try DREAM (ZS) and high-performance computing. Water Resources Research. 2012; 48: W01526.##[47].            Vrugt, JA, Ter Braak CJF, Diks CGH, Robinson BA, Hyman JM, Higdon D. Accelerating Markov Chain Monte Carlo simulation using self-adaptative differential evolution with randomized subspace sampling. International Journal of Nonlinear Sciences and Numerical Simulation. 2009; 10: 273-290.##[48].            Kuczera G, Kavetski D, Renard B, Thyer M. A limited-memory acceleration strategy for MCMC sampling in hierarchical Bayesian calibration of hydrological models. Water Resources Research. 2010; 46: W07602.##[49].            Ter Braak CJF. A Markov chain Monte Carlo version of the genetic algorithm differential evolution: Easy Bayesian computing for real parameter spaces. Statistics and Computing. 2006; 16: 239-249.##[50].            Vrugt JA, Ter Braak CJF, Clark MP, Hyman JM, Robinson BA. Treatment of input uncertainty in hydrologic modeling: Doing hydrology backward with Markov chain Monte Carlo simulation. Water Resources Research. 2008; 44: W00B09.##[51].            Montanari A, Koutsoyiannis D. A blueprint for process-based modeling of uncertain hydrological systems. Water Resources Research. 2012; 48: W09555.##[52].            Schoups G, Vrugt J.A. A formal likelihood function for parameter and predictive inference of hydrologic models with correlated, heteroscedastic and non-Gaussian errors. Water Resources Research. 2010; 46: W10531.##[53].            Koskela JJ, Croke BWF, Koivusalo H, Jakeman AJ, Kokkonen T. Bayesian inference of uncertainties in precipitation-streamflow modeling in a snow affected catchment. Water Resources Research. 2012; 48: W11513.##[54].            Kamali A, Niksokhan MH. Development of a Model for Calculation of Sustainability Index of Groundwater Resources. Ecohydrology. 2017; 4(4): 1071-1087. (In Persian)##[55].            Studies of gavkhuni water balance, groundwater report, zayanderoud consulting company.2015.##[56].            McDonald M, Harbaugh GAW. A modular three-dimensional finite-difference ground-water flow model.1988.##[57].            Storn R, Price K. Differential evolution-A simple and efficient heuristic for global optimization over continuous spaces. Journal of Global Optimization.1997; 11: 341-359.##[58].            Price K.V, Storn R.M, Lampinen J.A. Differential evolution, A practical approach to global optimization, Springer. Berlin. 2005; 538 pp.##[59].            Gelman A, Rubin D.B. Inference from iterative simulation using multiple sequences, Statistical Science.1992; 7: 457-472.##[60].            Eberhart RC, Kennedy J. A new optimizer using particle swarm theory. In: Proc. of the Sixth International Symposium on Micro Machine and Human Science; 1995; 4-6 October, Nagoya, Japan, 39-43.##[61].            Alemayehu T, van Griensven A, Woldegiorgis B.T, Bauwens W. An improved SWAT vegetation growth module and its evaluation for four tropical ecosystems. Hydrol. Earth Syst. Sci. 2017; 21, 4449–4467.##[62].            Nourali M, Ghahraman B, Pourreza-Bilondi M, Davary K. Effect of formal and informal likelihood functions on uncertainty assessment in a single event rainfall-runoff model. Journal of Hydrology. 2016;540: 549–564.##

0 تحلیل مقایسه‌ای عامل فرسایش‌پذیری خاک در حوضۀ آبخیز شازند Comparative Analysis of soil Erodibility Factor in Shazand Watershed https://ije.ut.ac.ir/article_70295.html 10.22059/ije.2018.269592.985 0 فرسایش خاک نوعی مشکل جدی محیطی، اجتماعی و اقتصادی است که نه تنها سبب تخریب شدید زمین و هدررفت خاک می‌شود، بلکه تهدید ثبات و سلامت جامعه و به‏طور کلی توسعۀ پایدار آن را در پی دارد. فرسایش‏ خاک با متغیرهای مختلف خاک، اندازه‏گیری‏ها و محاسبات آنها مرتبط است. یکی از عوامل مهم در تعیین فرسایش خاک، فرسایش‏پذیری خاک (K) است. روش‏های مختلفی برای تعیین عامل فرسایش‏پذیری ‏خاک با استفاده از مدل‏های تجربی یا اندازه‏گیری‏های صحرایی ارائه شده است. در حال حاضر، روابط مبتنی بر ویژگی‏های اولیۀ خاک مانند بافت، مادۀ آلی، ساختمان و نفوذپذیری به‏صورت گسترده‏ای استفاده شده‏اند. بنابراین، در پژوهش حاضر از سه رابطۀ متداول شامل ویشمایر و اسمیت (1978)، رومکنز و همکارانش (1986) و توری و همکارانش (1997 و 2002) به‌ترتیب با علایم K1، K2 و K3 برای برآورد عامل فرسایش‏پذیری خاک در حوضۀ آبخیز شازند استفاده شد. به همین منظور، به نمونه‏برداری صحرایی در 140 نقطه از حوضۀ آبخیز شازند با مساحت 1740 کیلومترمربع اقدام شد. حوضۀ آبخیز شازند خاک آهکی با مادۀ آلی کم و بافت متوسط دارد. در ادامه، آزمون تحلیل واریانس یک‏طرفه برای تحلیل نتایج K1، K2 و K3 تحت تأثیر طبقات مختلف شیب و ارتفاع و کاربری‏های مختلف اراضی و روش کریجینگ برای تهیۀ الگوی مکانی آنها به‏کار گرفته شد. نتایج به‌دست‌آمده از تحلیل واریانس یک‏طرفه بیان‌کنندۀ اختلاف‏ معنا‏دار K1، K2 و K3 تحت تأثیر طبقات شیب و ارتفاع (05/0 > P) و نبود اختلاف معنا‏دار آنها تحت تأثیر کاربری اراضی (318/0 ≤ P) بود. همچنین، میانگین عامل فرسایش‏پذیری خاک برای سه رابطۀ یادشده به‏ترتیب برابر با 054/0، 039/0 و 035/0 t ha h ha-1 MJ-1 mm-1 محاسبه شد. 1 Soil erosion is a serious environmental, social and economic problem. It not only causes severe land degradation and soil loss, but also threatens the stability and health of the society and, in general, its sustainable development. Soil erosion is related to different soil characteristics, measurements and its calculations. The soil erodibility factor (K) is one of the important factors in determining soil erosion. Different methods have been developed to determine of K using empirical models or field measurements. Currently, widely used equations that estimate K, on the basis of soil basic properties, include soil texture, organic matter, structure, and permeability. Therefore, in this study, three commonly equations were used to estimate of K in Shazand watershed such as Wischmeier and Smith (1978), Romkens et al. (1986), Torri et al. (1997 and 2002) with K1, K2 and K3, respectively. In this regard, field sampling was done at 140 points of Shazand watershed with an area of 1740 km2. The Shazand watershed has limestone with low organic matter and medium texture. In the following, one-way ANOVA was used to analyze of K1, K2 and K3 results under the impact of different slope and elevation classes and different land uses, as well as Kriging's method for generation their spatial pattern. The results of one-way ANOVA showed that K1, K2 and K3 influenced by different slope and elevation classes with a significant difference (P< 0.05). But they had no significant difference (P ≤ 0.318) in different land use. Also, the average of K1, K2 and K3 was calculated to be 0.054, 0.039 and 0.035 t ha h ha-1 MJ-1 mm-1 respectively. 153 163 محبوبه کیانی هرچگانی Mahboobeh Kiani Harchegani پژوهشگر پسادکتری علوم و مهندسی آبخیزداری، دانشکدۀ منابع طبیعی دانشگاه تربیت مدرس ایران mahboobeh.kiyani20@gmail.com سید حمیدرضا صادقی Seyed Hamidreza Sadeghi استاد گروه مهندسی آبخیزداری، دانشکدۀ منابع طبیعی دانشگاه تربیت مدرس ایران sadeghi@modares.ac.ir سامره فلاحتکار Samereh Falahatkar استادیار گروه مهندسی محیط زیست، دانشکدۀ منابع طبیعی، دانشگاه تربیت مدرس ایران samereh.falahatkar@modares.ac.ir تخریب خاک خاک‏های آهکی فرسایش‏پذیری مقیاس حوضۀ آبخیز [1]. MEA (Millennium Ecosystem Assessment). Ecosystems and human well-being: desertification synthesis. Washington: World Resource Institute. 2005.##[2]. 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, J. Watershed Eng. Manag. 2017, 9(2): 205-2016.##[3]. Kiani-Harchegani M, Sadeghi SHR, Asadi H. Comparing grain size distribution of sediment and original soil under raindrop detachment and raindrop-induced and flow transport mechanism, Hydrol. Sci. J. 2018, 63 (2), 312-323.##[4]. Seager R, Ting M, Held MI, Kushnir Y, Lu J, Vecchi G, et al. Model projections of an imminent transition to a more arid climate in southwestern North America. Sci. 2007, 316: 1181–1184.##[5]. Ravi S, Breshears DD, Huxman TE, D’Odoric P. Land degradation in drylands: Interactions among hydrologic-aeolian erosion and vegetation dynamics. Geomorph. 2009, 116(3-4): 236-245.##[6]. Sommer S, Zucca C, Grainger A, Cherlet M, Zougmore R, Sokona Y, Hill J, Della R, Peruta Roehrig J, Wang G. Application of indicator systems for monitoring and assessment of desertification from national to global scales. Land Deg. Dev. 2011, 22(2): 184-197.##[7]. Wang G, Fang Q, Wu B, Yang H, Xu Z. Relationship between soil erodibility and modeled infiltration rate in different soils. J. Hydrol. 2015, 528: 408-418.##[8]. Efthimiou N, Lykoudi E, Karavitis C. 2017, Comparative analysis of sediment yield estimations using different empirical soil erosion models. Hydrol. Sci. J. 2017, 62(16): 2674-2694.##[9]. Wischmeier WH, Smith DD. Predicting rainfall erosion losses (No. 537). USDA Agricultural Service Handbook. 1978, Washington, D.C.##[10]. Renard KG, Foster GR, Weesies GA, McCool DK, Yoder DC. Predicting soil erosion by water: A guide to conservation planning with the revised universal soil loss equation RUSLE (p. 404). U. S. Department of Agriculture, Agriculture Handbook 703, Government Printing Office, SSOP, Washington, D.C., 1997, ISBN 0-16-048938-5.##[11]. Wang G, Gertner G, Fang S, Anderson A.B. Mapping multiple variables for predicting soil loss by geostatistical methods with TM images and a slope map. Photogram. Eng. Remote Sens. 2003, 69: 889–898.##[12]. Lu DLG, Valladares GS, Batistella M. Mapping soil erosion risk in Rondonia, Brazilian Amazonia: Using RUSLE, remote sensing and GIS. Land Deg. Dev. 2004, 15: 499–512.##[13]. Ozcan AU, Erpul G, Basaran M, Erdogan HE. Use of USLE/GIS technology integrated with geostatistics to assess soil erosion risk in different land uses of Indagi Mountain Pass—Cankırı, Turkey. Environmental Geology. 2008, 53(8): 1731–1741.##[14]. Saygın SD, Basaran M, Ozcan AU, Dolarslan M, Timur OB, Yilman FE, Erpul G. Land degradation assessment by geo-spatially modeling different soil erodibility equations in a semi-arid catchment. Environ. Monitor. Asses. 2011, 180(1-4): 201-215.##[15]. Panagos P, Meusburger K, Ballabio C, Borrelli P, Alewell C. Soil erodibility in Europe: a high-resolution dataset based on LUCAS. Sci. Total Environ. 2014, 479: 189-200.##[16]. Wang G, Gertner G, Liu X, Anderson A. Uncertainty assessment of soil erodibility factor for revised universal soil loss equation. Catena, 2001, 46: 1–14.##[17]. Parysow P, Wang G, Gerther G, Anderson A. Spatial uncertainty analysis for mapping soil erodibility based on joint sequential simulation. Catena. 2003, 53: 65–78.##[18]. Bonilla CA, Johnson OI. Soil erodibility mapping and its correlation with soil properties in Central Chile. Geoderma, 2012, 189: 116-123.##[19]. Fu BJ, Zhao WW, Chen LD, Zhang QJ, Lü YH, Gulinck H, Poesen J. Assessment of soil erosion at large watershed scale using RUSLE and GIS: a case study in the Loess Plateau of China. Land Deg. Dev. 2005, 16(1): 73-85.##[20]. Pérez-Rodríguez R, Marques MJ, Bienes R. Spatial variability of the soil erodibility parameters and their relation with the soil map at subgroup level. Sci. Total Environ. 2007, 378(1-2): 166-173.##[21]. Baskan O, Dengiz O. Comparison of traditional and geostatistical methods to estimate soil erodibility factor. Arid land Res. Manag. 2008, 22(1): 29-45.##[22]. Wang B, Zheng F, Guan Y. Improved USLE-K factor prediction: A case study on water erosion areas in China. Inter. Soil. Water Conserv. Res. 2016, 4(3): 168-176.##[23]. Pereira ECB, Lopes FB, Gomes FEF, de Almeida AMM, de Magalhães ACM, de Andrade, EM. Determining the soil erodibility for an experimental basin in the semi-arid region using geoprocessing. Am. J. Plant Sci. 2017, 8(12), 3174.##[24]. Okorafor OO, Adeyemo AJ. Determination of soils erodibility factor (K) for selected sites in Imo State, Nigeria. Resour. Environ. 2018, 8(1): 6-13.##[25]. Mulengera MK, Payton RW.Estimating the use-soil erodibility factor in developing tropical countries: a case study in Tanzania. J. Engin. Tec. 2008, 22(2).##[26]. Vaezi A, Bahrami H, Sadeghi SHR, Mahdian M. A new nomograph for estimating erodibility factor (K) in some soils of the semi-arid regions in northwest of Iran, Water. Soil Sci. 2009, 13(49): 69-80. (In Persian)##[27]. Vaezi AR, Sadeghi SHR, Bahrami HA, Mahdian MH. Modeling the USLE K-factor for calcareous soils in northwestern Iran. Geomorph. 2008, 97(3-4): 414-423.##[28]. Vaezi AR, Hasanzadeh H, Cerdà A. Developing an erodibility triangle for soil textures in semi-arid regions, NW Iran. Catena. 2016, 142: (221-32-27).##[29]. Zandi J, Habibnejad Roshan M, Solimani K. Soil erosion risk assessment and its relationship with some environmental parameters (Case study: Vazroud watershed, Mazandaran), Rang. Watershed Manag. 2013, 66(3): 401-415. (In Persian)##[30]. Shabani F, Kumar L, Esmaeili A. Improvement to the prediction of the USLE K factor. Geomorph. 2014, 204: 229-234.##[31]. Ostovari Y, Ghorbani-Dashtaki S, Bahrami HA, Abbasi M, Dematte AM, Arthur E, Panagos P. Towards prediction of soil erodibility, SOM and CaCO3 using laboratory Vis-NIR spectra: A case study in a semi-arid region of Iran. Geoderma. 2018, 314: 102-112.##[32]. Kiani-Harchegani M, Sadeghi SHR, Boor S. Comparative analysis of soil variables in different land uses of the Shazand watershed, Iran, The 9th international scientific agriculture symposium "AGROSYM 2018", 2018, 4-7 October, Jahorina, Bosnia and Herzegovina.##[33]. Sadeghi SHR, Hazbavi Z, Gholamalifard M. Interactive impacts of climatic, hydrologic and anthropogenic activities on watershed health. Sci. Total Environ. 2019, 648: 880-893.##[34]. Nelson DW, Sommers LE. Total carbon, organic carbon and organic matter, in: Sparks, D.L. (Ed.), Methods of Soil Analysis. Part 3. Chemical Methods, SSSA Book Ser. 5. 3., Madison, USA, Soil Sci. Soc. Am. 1996, pp. 961-1010.##[35]. Rhoades J.D. Salinity: electrical conductivity and total dissolved solids, in: Sparks, D.L. (Ed.), Methods of Soil Analysis. Part 3. Chemical Methods, SSSA Book Ser. 5. 3., Soil Sci. Soc. Am. Madison, USA. 1996, pp. 417-436.##[36]. Blake GR, Hartge KH. Bulk Density, in A. Klute, ed., Methods of soil analysis, part I. physical and mineralogical methods: Agronomy Monograph. 1986, no. 9 (2nd ed.), pp. 363-375.##[37]. Bremner JM. Total Nitrogen, in: Sparks, D.L. (Ed.), Methods of soil analysis. part 3 chemical methods, SSSA Book Ser. 5. 3., Soil Sci. Soc. A. Madison, 1996, USA, pp. 1085-1122.##[38]. Richard HL, Donald LS. Carbonate and gypsum, in: Sparks, D.L. (Ed.), Methods of soil analysis. part 3 chemical methods, SSSA Book Ser. 5. 3., Soil Science Society of America, Madison, USA, 1996, pp. 437-474.##[39]. Agharazi H, Davudi Rad AA, Mardian M, Soofi M. Investigation of area slope threshold of gullies in the Zahirabad Watershed, Shazand, Markazi Province, J. Watershed Eng. Manag. 2014, 6(1): 1-9. (In Persian)##[40]. Refahi, HGh. Water erosion and conservation, Tehran University Publication, 2009, 6: 671 p. (In Persian)##[41]. Wang B, Zheng F, Römkens MJ, Darboux F. Soil erodibility for water erosion: A perspective and Chinese experiences. Geomorph. 2013, 187: 1-10.##[42]. Wischmeier WH, Johnson CB, Cross BV. A soil erodibility nomograph for farmland and construction sites. J. Soil. Water Conserv. 1971, 26: 189–193.##[43]. Romkens MJM, Prasad SN, Poesen, JWA. Soil erodibility and properties. In Proc. 13th congree. International soil science society. 1986, (Vol. 5, pp. 492–504). Germany: Hamburg.##[44]. Torri D, Poesen J, Borselli L. Predictability and uncertainty of the soil erodibility factor using a global dataset. Catena. 1997, 31: 1–22.##[45]. Torri D, Poesen J, Borselli L. Corrigendum to “Predictability and uncertainty of the soil erodibility factor using a global dataset” [Catena 31 (1997) 1–22] and to “Erratum to Predictability and uncertainty of the soil erodibility factor using a global dataset. [Catena 32 (1998) 307–308]”. Catena, 2002, 46: 309–310.##[46]. Bayazidi A, Oladi B, Abbasi N. Data analysis by SPSS (PASW) 18 software. Abed Publication. 2009; 1: 250 p. (In Persian)##[47]. Davudi Rad AA, Sadeghi SHR, Sadoddin A. Monitoring temporal and spatial changes in land use in the Shazand Watershed, Ecohydrol. 2016, 2(4): 405-415. (In Persian)##[48]. Tsui CC, Chen ZS, Hsieh CF. Relationships between soil properties and slope positioning a low land rain forest of southern Taiwan. Geoderm., 2004, 123: 131–142.##[49]. Dessalegn D, Beyene S, Ram N, Walley F, Gala TS. Effects of topography and land use on soil characteristics along the toposequence of Ele watershed in southern Ethiopia. Catena, 2014, 115: 47-54.##[50]. Rosemary F, Indraratne SP, Weerasooriya R, Mishra U. Exploring the spatial variability of soil properties in an Alfisol soil catena. Catena. 2017, 150, 53-61.##[51]. Sadeghi S.H.R, Pourghasemi H.R, Mohamadi M, Agharazi H. Evaluation of Accuracy and Efficiency of USLE and Some of Its Versions in Estimation of Storm-Wise Soil Erosion and Sediment Yield, J. Water. Soil Sci. 2009, 12(46), 323-334.##

0 تعیین مهم‌ترین عوامل مؤثر بر تخلیۀ آب زیرزمینی زیردریایی به سواحل خلیج فارس با استفاده از رگرسیون چندمتغیره Determination of the Most Important Factors Affecting Submarine Groundwater Discharge to the Persian Gulf Coastlines using Multivariate Regression https://ije.ut.ac.ir/article_70296.html 10.22059/ije.2018.269991.989 0 هدف از پژوهش حاضر، تعیین مهم‌ترین شاخص‏های ژئومورفومتری و ویژگی‏های ساختاری مؤثر بر تخلیۀ جریان آب زیرزمینی زیردریایی در سواحل خلیج فارس است. به این منظور، ابتدا نقشۀ 23 عامل احتمالی مؤثر در سه شعاع 10 (بافر 1)، 20 (بافر 2) و 30 (بافر 3) کیلومتری از ساحل به‏ سمت خشکی شامل نقشه‏های سنگ‏شناسی، تراکم خطواره و گسل، پهنه‏بندی بارندگی و دما، پوشش گیاهی، تراکم آبراهه، شیب، طبقات ارتفاع، فراوانی و پراکنش چشمه‏ها و همچنین انحناهای پروفیل، طول، مقطع عرضی، عمومی، صفحه‏ای، مماسی، کل و نسبت سطح، زبری توپوگرافی، اندازۀ قدرت بردار، موقعیت توپوگرافی، رطوبت توپوگرافی در محیط نرم‌افزارهای ENVI 5.3، Arc GIS10.3.1 و SAGA GIS 2.1.0 تهیه شدند. سپس، با استفاده از روش تحلیل رگرسیون چندمتغیره، مهم‌ترین عوامل مؤثر و سهم هر یک از آنها در حضور نواحی تخلیۀ جریان آب زیرزمینی زیردریایی تعیین شد. نتایج نشان داد انحنای صفحه‏ای و پروفیل مهم‌ترین انحناهایی هستند که نتایج و مقادیری متضاد با هم دارند. شاخص‏های مؤثر بر حضور نواحی تخلیۀ جریان آب زیرزمینی زیردریایی در فصل سرد عبارت‌اند از: تعداد چشمۀ بافر 2 و 3، خیسی توپوگرافی بافر 3، تراکم آبراهۀ بافر 1 و 3، تراکم گسل بافر 2 و سطح آبخوان بافر 1 و در فصل گرم عبارت‌اند از: تعداد چشمۀ بافر 2 و 3، خیسی توپوگرافی بافر 1، انحنای مقطع عرضی بافر 2، انحنای کل بافر 2، شاخص دما در بافر 3، تراکم گسل بافر 3 و سطح آبخوان بافر 1. به‏طور کلی، می‏توان نقشۀ شاخص‏های تعداد چشمه، خیسی توپوگرافی، انحنای مقطع عرضی، انحنای کل، شاخص دما، تراکم گسل و سطح آبخوان برای کل سواحل خلیج فارس را مبنا قرار داد و نقشۀ نواحی دارای پتانسیل حضور چشمۀ زیردریایی را ترسیم کرد. 1 The aim of this study is to determine the most important geomorphometric indices and structural features affecting Submarine Groundwater Discharge (SGD) into the Persian Gulf coastlines. For this purpose, firstly, the maps of lithology, density of lineament, zoning rainfall and temperature, vegetation cover index (NDVI), drainage density, slope, elevation classes, abundance and distribution of springs, profile, length, cross section, general, plate, tangent, total curvatures, and surface ratio, topographic roughness, Vector Ruggedness Measure, Topographic Position, and Topographic Wetness, were prepared on three radii of 10 (buffer 1), 20 (buffer 2) and 30 (buffer 3) km from the coast to the land, using ENVI 5.3, Arc GIS10.3.1, and SAGA GIS 2.1.0 software. Then, the most important factors and the contribution of them in presence the SGD areas were determined using multivariate regression analysis. The results showed that the plate and profile curvatures are the most important curvatures with opposite scores and values. Indicators affecting the presence of SGD areas for the cold season are: springs abundance on buffers 2 and 3, topographic wetness on buffer 3, drainage density on buffer 1 and 3, fault density on buffer 2 and aquifer surface on buffer 1, and for the warm season are: springs abundance on buffer 2 and 3, topographic wetness on buffer 1, cross section curve on buffer 2, total curvature on buffer 2, temperature index on Buffer 3, fault density on Buffer 3, and aquifer surface on buffer 1. In overall, the SGD mapping can be created by integration of several maps including springs abundance, topographic wetness, cross section curve, total curvature, temperature index, fault density, and aquifer surface. 165 176 محسن فرزین Mohsen Farzin استادیار دانشکدۀ منابع طبیعی، دانشگاه یاسوج ایران m.farzin@ut.ac.ir علی‌اکبر نظری سامانی Aliakbar Nazari Samani دانشیار، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج ایران aknazari@ut.ac.ir محمدرضا میرزایی قرهلر Mohamadreza Mirzaei Gharah Lar استادیار دانشکدۀ منابع طبیعی، دانشگاه یاسوج ایران mmirzaei@mail.yu.ac.ir محسن آرمین Mohsen Armin استادیار دانشکدۀ منابع طبیعی، دانشگاه یاسوج ایران mohsenarmin2007@gmail.com تخلیۀ آب زیرزمینی زیردریایی خلیج فارس ژئومورفومتری ویژگی‏های ساختاری [1]. Burnett WC, Bokuniewicz H, Huettel M, Moore WS, Tanighchi M. Groundwater and pore water inputs to the coastal zone. Biogeochemistry. 2003;66: 3–33.##[2]. Lee E, Hyun Y, Lee K-K. Sea level periodic change and its impact on submarine groundwater discharge rate in coastal aquifer. Estuarine, Coastal and Shelf Science. 2013;121-122: 51-60.##[3]. Burnett WC, Aggarwal PK, Aureli A, Bokuniewicz H, Cable JE, Charette MA, et al. Quantifying submarine groundwater discharge in the coastal zone via multiple methods. Science of the Total Environment. 2006;367: 498–543.##[4]. Oehler T, Mogollon JM, Moosdorf N, Winkler A, Kopf A, Pichler T. Submarine groundwater discharge within a landslide scar at the French Mediterranean coast. Estuarine, Coastal and Shelf Science. 2017; 198(A):128-137.##[5]. Swarzenski, PW, Reich CD, Spechler RM, Kindinger JL, Moore WS. Using multiple geochemical tracers to characterize the hydrogeology of the submarine spring off Crescent Beach, Florida. Chemical Geology. 2001;179: 187–202##[6]. Hennig H, Mallast U, Merz R. Multi-temporal thermal analyses for submarine groundwater discharge (SGD) detection over large spatial scales in the Mediterranean. Geophysical Research Abstracts. 2015;17: 4929.##[7]. Farzin M, Nazari Samani AK, Feiznia S, Kazemi GA. Determination of Submarine Groundwater Discharge Probable Areas into the Persian Gulf on Coastlines of Bushehr Province Using Standard Thermal Anomaly Map. Ecohydrology. 2017;4(2): 477-488. [Persian]##[8]. Kalantari N, Keshavarzi MR, Charchi A. Assessment of Factors Influencing Occurrence of Izeh Plain Watershed Springs. Journal of Geotechnical Geology. 2010;5(2): 135-147. [Persian]##[9]. Khedri A, Rezaei M, Ashjari J. Assessing Karst Development Potential in Pion Poyon Anticline using GIS,RS and Analytical Hierarchy Process (AHP). Journal of Iran-Water Resources Research. 2014;9(3): 37-46. [Persian]##[10]. Ghahrodi M, Jalilian T, Alijani F. Detection of Karstic Groundwater Flow System: A Case Study of Prao-Bisetoun Limestone Mass, Kermanshah Province, Iran. International Bulletin of Water Resources & Development. 2014;2(4): 27-39. [Persian]##[11]. Zarvash N, Vaezi A, Karimi H. Evaluation of Karst Development potential in Kebirkouh Tomb of Ilam province using Fuzzy Combination and Analysis of Helicopter Analysis (AHP) and Remote Sensing and GIS. Quantitative Geomorphological Research. 2015;3(3): 144-157. [Persian]##[12]. Ballukraya PN, Kalimuthu R. Quantitative hydrogeological geomorphological analyses for groundwater potential assessment in hard rock terrains. Current Science. 2010;98(2): 253-259.##[13]. Oikonomidis D, Dimogianni S, Kazakis N and Voudouris K. A GIS/Remote Sensing-based methodology for groundwater potentiality assessment in Tirnavos area, Greece. Journal of Hydrology. 2015;525: 197–208.##[14]. Ibrahim-Bathis K, Ahmed SA. Geospatial technology for delineating groundwater potential zones in Doddahalla watershed of Chitradurga district, India. The Egyptian Journal of Remote Sensing and Space Sciences. 2016;19(2): 223-234.##[15]. Murasingh S, Jha R, Adamala S. Geospatial technique for delineation of groundwater potential zones in mine and dense forest area using weighted index overlay technique. Groundwater for Sustainable Development. 2018;7: 387-399##[16]. Chen W, Li H, Hou E, Wang S, Wang G, Panahi M, et al. GIS-based groundwater potential analysis using novel ensemble weights-of-evidence with logistic regression and functional tree models. Science of the Total Environment. 2018;634: 853-867.##[17]. Moore WS. The Effect of Submarine Groundwater Discharge on the Ocean. Annual Review of Marine Science. 2010;2(1): 59-88.##[18]. Garcia-Orellana J, Rodellas V, Casacuberta N, Lopez-Castillo E, Vilarrasa M, Moreno V, Garcia-Solsona E, Masque P. Submarine groundwater discharge: Natural radioactivity accumulation in a wetland ecosystem. Marine Chemistry. 2013;156: 61–72.##[19]. Hwang DW, Lee IS, Choi M, Kim TH. Estimating the input of submarine groundwater discharge (SGD) and SGD-derived nutrients in Geoje Bay, Korea using 222Rn-Si mass balance model. Marine Pollution Bulletin. 2016;110: 119–126.##[20]. Lecher AL, Fisher AT, Paytan A. Submarine groundwater discharge in Northern Monterey Bay, California: Evaluation by mixing and mass balance models. Marine Chemistry. 2016;179: 44–55.##[21]. Russoniello CJ, Konikow LF, Kroeger KD, Fernandez C, Andres AS, Michael HA. Hydrogeologic controls on groundwater discharge and nitrogen loads in a coastal watershed. Journal of Hydrology. 2016;538: 783–793.##[22]. Shaw GD, White ES, Gammons CH. Characterizing groundwater-lake interactions and its impact on lake water quality. Journal of Hydrology. 2013;492: 69–78.##[23]. Szymczycha B, D Kroeger K, Pempkowiak J. Significance of groundwater discharge along the coast of Poland as a source of dissolved metals to the southern Baltic Sea. Marine Pollution Bulletin. 2016;109: 151–162.##[24]. Naghibi SA, Pourghasemi HR, Dixon B.. GIS-based groundwater potential mapping using boosted regression tree, classification and regression tree, and random forest machine learning models in Iran. Environmental Monitoring and Assessment. 2016;188 (1): 1–27.##[25]. Naghibi SA, Moghaddam DD, Kalantar B, Pradhan B, Kisi O. A comparative assessment of GIS-based data mining models and a novel ensemble model in groundwater well potential mapping. Journal of Hydrology. 2017: 548: 471–483.##

0 ارائه روشی جدید برای ارزیابی کیفیت هیدروژئوشیمیایی آب‌های زیرزمینی با استفاده از الگوریتم‌های هوش جمعی Presentating a New Approach for Evaluating the Hydro-geochemical Quality of Groundwater using Swarm Intelligence Algorithms https://ije.ut.ac.ir/article_70297.html 10.22059/ije.2018.267754.967 0 طی سال‏های اخیر، افزایش میزان شوری و کاهش کیفیت آب‏های زیرزمینی به‌دلیل نفوذ و اختلاط آلاینده‏ها، به یکی از چالش‏های زیست‏محیطی تبدیل شده است. این چالش‏ها مخاطراتی جدی در راه توسعۀ جوامع بشری و سلامت انسان‏ به وجود آورده‌اند. به‏منظور جلوگیری از مخاطرات آتی و برنامه‏ریزی‏های مناسب برای حفظ منابع آبی، بررسی کیفی منابع آب زیرزمینی از موارد ضروری است. در پژوهش حاضر، روش هوش جمعی مبتنی بر الگوریتم‏های فراابتکاری انتخابات و گرگ خاکستری به‌منظور تعیین مقادیر بهینه برای پارامترهای کیفی آب نظیر TDS، EC و SAR ارائه شده است. به‌منظور ارزیابی روش‏های پیشنهادی، از داده‏های مربوط به دشت بستان‏آباد طی دورۀ آماری 10 ساله (1382ـ 1392) استفاده شده و نتایج براساس استانداردهای ویلکاکس، شولر و پایپر بررسی شد. نتایج آزمایش‏ها نشان می‏دهند آب‏های زیرزمینی دشت بستان‏آباد برای مصارف کشاورزی و شرب در حد متوسط تا قابل ‏قبول بوده و به‏دلیل خورندگی و سختی کم، از نظر استفاده در صنعت مناسب‌اند. بیشتر داده‏ها در کلاس C2S2 قرار گرفتند که برای مقاصد کشاورزی مناسب است. ضریب همبستگی بیش از 95 درصد، بیان‌کنندۀ دقت قابل‏ قبول الگوریتم بهینه‏سازی گرگ خاکستری در مقایسه با الگوریتم انتخابات در تخمین پارامترهای کیفی آب زیرزمینی است. 1 In recent years, increasing salinity and reduction in the quality of groundwater have become one of the environmental challenges due to the penetration and mixing of pollutants. These challenges have created serious risks for the development of human societies and health. In order to prevent future risks and appropriate planning for preserving water resources, a qualitative study of groundwater resources is an essential requirement. In this research, a swarm intelligence approach based on election algorithm and gray wolf optimization algorithm is presented to determine the optimal values ​​for water quality parameters such as TDS, EC and SAR. In order to evaluate the proposed method, data on the plain of Bostanabad city in the 10 years period (2003-2013) were used and the results were evaluated based on Wilcox, Schuler and Piper measures. The results of the experiments show that the underground water of Bostanabad city is modest to acceptable for agriculture and drinking and is suitable for industry due to corrosion and hardness. Most of the data were in the C2S2 class, which is suitable for agriculture. The correlation coefficient above 95% indicates the acceptable accuracy of the gray wolf optimization algorithm in comparison with the election algorithm in estimating the groundwater quality parameters. 177 190 حجت امامی Hojjat Emami استادیار گروه مهندسی کامپیوتر، دانشکدۀ فنی و مهندسی، دانشگاه بناب ایران emami@bonabu.ac.ir سمیه امامی Somayeh Emami دانشجوی دکتری سازه ‏های آبی، گروه علوم و مهندسی آب، دانشگاه تبریز، تبریز ایران somayehemami70@gmail.com آب‏ زیرزمینی الگوریتم بهینه‏سازی گرگ خاکستری الگوریتم انتخابات کیفیت آب [1]. Ahmadi SH, Sedghamiz A. Application and evaluation of kriging and cokiriging metods on groundwater depth mapping. Environ. Moint. Assess. 2008; 138: 357- 368. [Persian]##[2]. Samin M, Soltani J, Zeraatcar Z, Moasheri SA, Sarani N. Spatial Estimation of Groundwater Quality Parameters Based on Water Salinity Data using Kriging and Cokriging Methods. International Conference on Transport, Environment and Civil Engineering. 2012; 5 p. [Persian]##[3]. Mohammadzadeh Romiani H, Masoumi F. Optimization of concrete gravity dams dimensions using imperialist competitive algorithm (ICA). The 16th Hydrualic Conference of Iran, Faculty of Engineering, University of Mohaghegh Ardebili, Ardebil, 15-16 september. 2017. [Persian]##[4]. Khamr Z, Mahmoodi-Gharaie MH, Omrani S, Sayareh AR. Evaluation of water quality in the Zar mountain of west of Torbat-Heydarieh. Iranian Economic Geology Society Conference. 2012. [Persian]##[5]. Emami S, Hemmati M, Arvanaghi H. Performance evaluation of Imperialist Competitive and Genetic algorithm for estimating groundwater quality parameters (case study: Bostanabad plain). Hydrogeology. 2017; 2(2): 44-53. [Persian]##[6]. Vahabzadeh Gh, Delavar H, Ghorbani J, Eshrafi MR. Investigation of changes in Chlorine and Salinity levels of groundwater in Firoozabad plain and comparative evaluation of agricultural and drinkable water. Journal of Research in Environmental Health. 2018; 4(1): 67-74.##[7]. Zareh-Abianeh H, Bayat-Vorkeshi M, Akhavan S, Mohammadi M. Estimation of groundwater nitrate in Hamedan-Bahar plain using artificial neural network and data separation effect on prediction precision. Ecology. 2011; 37(58): 129-140.##[8]. Rafati L, Mokhtari M, Fazelinia F, Momtaz SM Mahvi AH. Evaluation of ground water fluoride concentration in Hamadan Province west of IRAN. Iranian Journal of Health Sciences. 2013; 1(3): 71-76. [Persian]##[9]. Moasheri SA, Rezapour OM, Beyranvand Z, Poornoori Z. Estimating the spatial distribution of groundwater quality parameters of Kashan plain with integration method of Geostatistics - Artificial Neural Network Optimized by Genetic-Algorithm. International Journal of Agriculture and Crop Sciences. 2013; 23: 2434-2442.##[10]. Azarwater.ir [Last Access: 2018/6/22]## [11]. Mirjalili S, Mirjalili SM, Lewis A. Grey Wolf Optimizer, Advances in Engineering Software. 2015; 69: 920140 46-61.##[12]. Mech LD. Alpha Status, Dominance, and Division of Labor in Wolf Packs, Canadian Journal of Zoology. 1999; 77(8): 1196-1203.##[13]. Muro C, Escobedo R, Spector L, Coppinger R. Wolf-pack (Canis Lupus) Hunting Strategies Emerge from Simple Rules in Computational Simulations, Behavioural Processes. 2011; 88(3): 192-197.##[14]. Emami H, Derakhshan F. Election algorithm: A new socio-politically inspired strategy. AI Communications. 2015; 28: 591-603.##[15]. Eslamian, SS, Lavaei N. Modeling Nitrat pollution of Groundwater using Artificial Neural Network and Genetic Algoritm in an Arid zone, international Jornal of water, Special Issue on Groundwater and surface water Interaction (GSWI). 2009; 5(2): 194-203.##[16]. Larose DT. Discovering knowledge in data: an introduction to data mining. Jhon Wiley & Sons Inc. 2005; 240 p.##

0 بررسی آزمایشگاهی و عددی تبادلات هایپریک در حضور فرم بستر خیزاب و چالاب Laboratory and Numerical Investigation of Hyporheic Flow in Riffle-pool Bed Form https://ije.ut.ac.ir/article_70298.html 10.22059/ije.2019.270596.992 0 ناحیۀ هایپریک به ناحیۀ اشباع بلافاصله زیر بستر رودخانه گفته می‏شود که کارکرد بسیار مهمی در اکولوژی جانداران دارد. در این ناحیه، قسمتی از جریان آب سطحی اکسیژن و مواد مغذی را به جانداران می‌رساند و پس از طی زمان معینی دوباره به آب سطحی باز می‏گردد. تبادلات هایپریک بین جریان سطحی و جریان در محیط متخلخل رودخانه می‏تواند بر اثر وجود شکل‏های مختلف بستر رودخانه ایجاد شود. خیزاب‏ها و چالاب‏ها ویژگی‏های توپوگرافیکی هستند که در رودخانه‏های مستقیم، مارپیچی و شاخه‏ای یافت می‏شوند. تغییرات فشار روی سطح این فرم بستر به ایجاد تبادل‌های هایپریک منجر می‏شود. تخمین دقیق میزان این تبادلات و زمان ماند جریان می‏تواند در پروژه‏های احیای رودخانه‏ها بسیار مفید باشد. بنابراین، در تحقیق حاضر ضمن بررسی آزمایشگاهی تأثیر فرم بستر خیزاب- چالاب بر تبادلات هایپریک، با به‌کارگیری روش شبیه‏سازی گردابه‏های بزرگ، تغییرات فشار روی بستر شبیه‏سازی عددی شده و سپس مدل آب زیرزمینی و روش ردیابی ذرات برای شبیه‏سازی جریان در ناحیۀ هایپریک به‌کار گرفته شد. نتایج نشان ‏داد حل‌کنندۀ اینترفوم با مدل شبیه‏سازی به روش گردابه‏های بزرگ به‌خوبی قادر است شرایط آزمایشگاهی را مدل‏سازی کند. به‌طوری که پروفیل سطح آب را برای کل آزمایش‏های تحقیق حاضر، با درصد خطای متوسط (MPE) 8/1 درصد برآورد می‏کند که با توجه به میزان اندک خطا در تخمین پروفیل سطح آب، می‏تواند تخمین دقیقی از فشار روی سطح فرم بستر و به دنبال آن میزان تبادلات هایپریک ارائه کند. بررسی مشخصات ناحیۀ هایپریک نشان می‏دهد با افزایش عدد رینولدز، تبادلات هایپریک افزایش یافته و زمان‏ ماندگاری کاهش می‏یابد. همچنین، نتایج تحقیق حاضر نشان داد‏ نمودارهای زمان ماند از توزیع مقادیر حدی تبعیت می‏کنند. در تحقیق حاضر، به طور متوسط 20 درصد جریان سطحی در تبادل با جریان زیرسطحی است. 1 Hyporheic zone is related to the saturated zone beneath the river which has an important role in ecology. In this zone, part of surface water, transfer oxygen and nutrients to the organism and then returns to the surface water after certain amount of time. Hyporheic exchanges between surface flow and flow in porous media can be created due to the different bed forms of river. Riffle-pools are topographical features found in straight, meander and braided rivers. Variation of pressure along these bed forms lead hyporheic exchanges. The precise estimation of hyporheic exchanges and residence time can be useful for rivers restoration projects. So, in this paper, in addition to laboratory investigation of hyporheic exchanges along riffle-pool bed forms, the variation of pressure along bed surface has been simulated numerically by Large Eddy Simulation (LES) model and then a groundwater model and particle tracking method have been applied to simulate the flow within the hyporheic zone. The results show that the interFoam solver with LES model is able to model laboratory conditions accurately. The mean percentage error of water surface profile was 1.8% for present laboratory study, which leads to an accurate estimation of pressure along the bed form and as a result an accurate prediction of hyporheic exchanges. The results of hyporheic characteristics show that as Reynolds number increases, the hyporheic exchanges increase and the residence time decreases. The results also show that the residence time distribution follows generalized extreme value distribution. In this study, on average, 20 percent of surface flow exchange with sub-surface flow. 191 204 نشاط موحدی Neshat Movahedi دانشجوی دکتری، دانشکدۀ مهندسی آب و خاک، ‏دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران neshat.movahedi@gmail.com امیراحمد دهقانی Amir Ahmad Dehghani دانشیار،‏ دانشکدۀ مهندسی آب و خاک، ‏دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران a.dehghani@gau.ac.ir نیکو ترات Nico Trauth پژوهشگر،‏ دانشکدۀ هیدروژئولوژی،‏ مرکز تحقیقات محیط زیست هلمهولتز، لایپزیک، آلمان ایران nico.trauth@ufz.de مهدی مفتاح هلقی Mehdi Meftah Halaghi دانشیار،‏ دانشکدۀ مهندسی آب و خاک، ‏دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران meftah_20@yahoo.com اوپن‏ فوم تبادلات هایپریک ‏ خیزاب- چالاب زمان ماند [1].  Boano F, Harvey JW, Marion A, Packman AI, Revelli R, Ridolfi L, Wörman A. Hyporheic flow and transport processes: Mechanisms, models, and biogeochemical implications. Reviews of Geophysics. 2014: 52(4), 603-679.##[2].  Tonina D, Buffington JM. Hyporheic exchange in mountain rivers I: Mechanics and environmental effects. Geography Compass. 2009: 3(3), 1063-1086.##[3].  Buffington JM, and Tonina D. Hyporheic exchange in mountain rivers II: Effects of Channel Morphology on Mechanics, Scales, and Rates of Exchange. Geography Compass. 2009: 3(3), 1038-1062.##[4].  Stonedahl SH. Investigation of the Effect Multiple Scales of Topography on Hyporheic Exchange. PhD Dissertation, Northwestern University, 2011.##[5].  Biddulph M. Hyporheic Zone: In Situ Sampling, Geomorphological Techniques. Chapter 3, Section 11.1, 2015.##[6].  Thibodeaux LJ, Boyle JD. Bedform-generated convective transport in bottom sediment. Nature. 1987: 325(6102), 341-343.##[7].  Elliott AH, Brooks NH. Transfer of nonsorbing solutes to a streambed with bed forms: Laboratory experiments. Water Resources Research. 1997: 33(1), 137-151.##[8].  Packman AI, Salehin M, Zaramella M. Hyporheic exchange with gravel beds: basic hydrodynamic interactions and bedform-induced advective flows. Journal of Hydraulic Engineering. 2004: 130(7), 647-656.##[9].  Fox A, Boano F, Arnon S. Impact of losing and gaining streamflow conditions on hyporheic exchange fluxes induced by dune shaped bed forms. Water Resources Research. 2014: 50(3), 1895-1907.##[10].            Cardenas MB, Wilson JL. The influence of ambient groundwater discharge on hyporheic zones induced by current-bedform interactions. Journal of Hydrology. 2006: 331, 103–109.##[11].            Cardenas MB, Wilson JL. Dunes, turbulent eddies, and interfacial exchange with permeable sediments. Water Resource Research. 2007: 43(8).##[12].            Blois G, Best JL, Sambrook Smith GH, Hardy RJ. Effect of bed permeability and hyporheic flow on turbulent flow over bed forms. Geophysical Research Letters. 2014: 41(18), 6435-6442.##[13].             Lee DH, Kim YJ, Lee S. Numerical modeling of bed form induced hyporheic exchange. Paddy and Water Environment. 2014: 12(1): 89-97.##[14].            Chen X, Cardenas MB, Chen L. Three‐dimensional versus two‐dimensional bed form‐induced hyporheic exchange. Water Resources Research. 2015: 51(4), 2923-2936.##[15].            Rodríguez JF, García CM, García MH. Three‐dimensional flow in centered pool‐riffle sequences. Water Resources Research. 2013: 49(1), 202-215.##[16].            Tonina D, Buffington JM. Hyporheic exchange in gravel bed rivers with pool‐riffle morphology: Laboratory experiments and three‐dimensional modeling. Water Resources Research. 2007: 43(1).##[17].            Zhou T, Endreny T A. Reshaping of the hyporheic zone beneath river restoration structures: Flume and hydrodynamic experiments. Water Resources Research. 2013: 49(8), 5009-5020##[18].            Trauth N, Schmidt C, Maier U, Vieweg M, Fleckenstein JH. Coupled 3‐D stream flow and hyporheic flow model under varying stream and ambient groundwater flow conditions in a pool‐riffle system. Water Resources Research. 2013: 49(9), 5834-5850##[19].            Buffington JM, Montgomery DR. Effects of hydraulic roughness on surface textures of gravel-bed rivers. Water Resources Research. 1999: 35, 3507– 3521.##[20].            McSherry RJ, Chua KV, Stoesser T. Large eddy simulation of free-surface flows. Journal of Hydrodynamics. 2017, 29(1): 1-12.##[21].            Rodi W, Constantinescu G, Stoesser T. Large eddy simulation in hydraulics. IAHR Monograph, London, UK: CRC Press, Taylor & Francis Group, 2013.##[22].            Huang P, May Chui, TFM. Empirical Equations to Predict the Characteristics of Hyporheic Exchange in a Pool Riffle Sequence. Groundwater. 2018: 56(6), 947-958.##

0 بررسی تأثیر شاخص‌های اکوهیدرولیکی در تحلیل رژیم جریان زیست‌محیطی و شبیه‌سازی مطلوبیت زیستگاه با کاربرد مدل River2D با تکیه بر باززنده‌سازی اکولوژیکی رودخانۀ زرین گل Investigation of Ecohydraulic Indices in Environmental Flow Regime and Habitat Suitability Simulation Analysis using River2D Model with Relying on the Restoration Ecological in Zarrin-Gol River https://ije.ut.ac.ir/article_70299.html 10.22059/ije.2019.266895.962 0 علم جریان زیست‏محیطی، ابزاری رایج برای ارزیابی پیامدهای تغییر رژیم‏های جریان بر اکوسیستم‏های آبی و تأمین حداقل جریان در حفاظت از گونه‏های آبزی است. هدف از پژوهش حاضر، فراهم‌کردن ملزومات برای مهیاشدن ابزار ارزیابی و طراحی پروژه‏های احیا و باززنده‏سازی زیستگاه رودخانة زرین‏گل با استفاده از شاخص‏های اکوهیدرولیکی، هیدرومورفولوژیکی مبتنی بر شبیه‏سازی مطلوبیت زیستگاه است. به این منظور بر پایة چارچوب تحقیق، پس از مطالعات میدانی و توسعة مدل مطلوبیت زیستگاه برای گونة هدف، شبیه‏سازی هیدرودینامیکی جریان صورت گرفت و در نهایت رژیم جریانات اکولوژیک استخراج شد. نتایج نشان داد مدل River2D با برقراری ارتباط بین خصوصیات جریان مورد نیاز گونة سیاه‏ماهی C.Capoeta gracilis و استفاده از روابط هیدرولیکی و هیدرولوژیکی، بیشترین و کمترین رژیم جریان مورد نیاز برای حفظ اکوسیستم رودخانة زرین‏گل را با توجه به نیازهای اکولوژیکی در ماه‏های فروردین و مهر به‌ترتیب معادل 09/5 و 89/0 مترمکعب بر ثانیه، با میانگین 79/1 مترمکعب بر ثانیه (معادل 84 درصد جریان طبیعی رودخانه) برآورد می‏‌کند. طبق نتایج تحقیق‌ حاضر، در مطالعات زیست‏محیطی منابع آب و مهندسی رودخانه، مدل دوبعدی هیدرودینامیکی River2D، قادر به شبیه‏سازی جریان، مدل‏سازی مطلوبیت زیستگاه گونة هدف و پیش‏بینی دینامیک زیستگاه برای محافظت از زیستگاه مناسب ماهی در اکوسیستم‏های رودخانه‏ای است. محاسبة جریان زیست‏محیطی می‏تواند تخمین مناسبی برای ارزیابی پاسخ اکولوژیکی رودخانه به تغییرات مورفولوژیکی ایجادشده بر اثر فرایندهای هیدرولوژیکی و هیدرولیکی باشد. 1 Environmental flow science is a current tool for assessing the outcome of changing the flow regime of aquatic ecosystems and providing a minimum flow of protection aquatic species. The purpose of this research is to provide the essentials in preparing the tools for the assessment and design of restoration and regeneration projects for Zarrin-Gol river habitats using ecohydraulic and hydromorphological indices based on the habitat suitability simulation. In this regard based on the research framework, after the field studies and the development of the habitat suitability model for the target species, the hydrodynamic simulation of the flow was carried out and eventually the ecological flow regime was extracted. The results showed that River2D model by connecting the flow requirement characteristics of C.Capoeta gracilis and using hydraulic and hydrological relations, would have the maximum and minimum flow regime required to maintain the Zarrin-Gol river ecosystem according to ecological needs in the months of April and October is estimated to order equivalent to 5.09 and 0.89 m3/s, with average 1.79  m3/s (equivalent 84 percent of natural stream of the river). Based on the results of this study, in environmental studies of water resources and river engineering, the two-dimensional hydrodynamic River2D model is able to simulate flow, modeling habitat suitability of target species and predict the dynamics of habitats to protect the proper habitat of fish in river ecosystems. The calculation of the environmental flow can be an appropriate estimate for the ecological response of the river to the morphological changes caused by hydrological and hydrological processes. 205 222 محمدحسن نادری Mohammad Hasan Naderi کارشناس ارشد مهندسی منابع آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران naderigau@gmail.com مهدی ذاکری نیا Mehdi Zakerinia دانشیار گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان ایران a_zakerinia@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 زرین‏گل مساحت قابل استفادة وزنی مطلوبیت زیستگاه River2D [1]. Melcher A, Hauer C, Zeiringer B. Aquatic Habitat Modeling in Running Waters. In Riverine Ecosystem Management. Springer, Cham. 2018; pp. 129-149.##[2]. Kim KO, Park YK, Kang JI, Lee, BS. Estimation of Ecological Flow & Habitat Suitability Index at Jeonju-Cheon Upstream. Journal of Korean Society of Environmental Engineers. 2016; 38: 47-55.##[3]. Zhang W, Yao WW, Li L, Zhang, Q. Using an eco-hydrodynamic model to simulate the impact of trunk dam construction on Kraal River fish habitat & community. International Journal of Environmental Research. 2016; 10: 227-236.##[4]. Fukuda S, Tanakura T, Hiramatsu, K, Harada M. Assessment of spatial habitat heterogeneity by coupling data-driven habitat suitability models with a 2D hydrodynamic model in small-scale streams. Ecological informatics. 2015; 29: 147-155.##[5]. Wheaton JM, Bouwes N, Mchugh P, Saunders C, Bangen S, Bailey P, et al. Upscaling site-scale ecohydraulic models to inform salmonid population-level life cycle modeling & restoration actions–Lessons from the Columbia River Basin. Earth Surface Processes & L&forms. 2018; 43(1): 21-44.##[6]. Ayyoubzadeh S.A, Sedighkia M, Hajiesmaeili M. Ecohydraulics and Simulation of River Habitats.Water Engineering Research Institude Tarbiat Modares University. 2018; pp252. [Persian]## [7]. Maddock I., Harby A., Kemp P., Wood P.J. Ecohydraulics: an integrated approach. John Wiley & Sons. 2013; 1.##[8]. Moir HJ, Pasternack, GB. Relationships between mesoscale morphological units, stream hydraulics & Chinook salmon (Oncorhynchus tshawytscha) spawning habitat on the Lower Yuba River, California. Geomorphology. 2008; 100(3): 527-48.##[9]. Escobar-Arias M., Pasternack G.B. A hydrogeomorphic dynamics approach to assess in‐stream ecological functionality using the functional flows model, part 1—model characteristics. River Research & Applications. 2010; 26(9): 1103-28.##[10]. Arias MIE. Evaluating streamflow to characterize ecological functions of physical habitat in rivers. University of California, Davis. 2007; 3317922.##[11]. Escobar M, Pasternack G. Differences in river ecological functions due to rapid channel alteration processes in two California rivers using the functional flows model, part 2–model applications. River Research & Applications. 2011; 26(9): 1103-28.##[12]. Erwin S.O., Jacobson R.B., Elliott C.M. Quantifying habitat benefits of channel reconfigurations on a highly regulated river system, Lower Missouri River, USA. Ecological Engineering. 2017; 103: 59-75.##[13]. Schwartz JS, Neff KJ, Dworak FE, Woockman RR. Restoring riffle-pool structure in an incised, straightened urban stream channel using an ecohydraulic modeling approach. Ecological Engineering. 2015; 78: 112-126.##[14]. Yao W, Liu H, Chen Y, Zhang W, Zhong Y, Fan H, Bamal S. Simulating Spawning & Juvenile Rainbow Trout (Oncorhynchus mykiss) Habitat in Colorado River Based on High-Flow Effects. Water. 2017; 9: 150.##[15]. Jowett IG., Duncan MJ. Effectiveness of 1D & 2D hydraulic models for instream habitat analysis in a braided river. Ecological Engineering. 2012; 48: 92-100.##[16]. Naderi MH, Zakerinia M, Salarizji M. Application of the PHABSIM model in Explaining the Ecological Regime of the River in order to Estimate the Environmental Flow and Compare with Hydrological Methods (Case Study: Gharasoo River). Ecohydrology. 2018; 5(3): 941-955. [Persian]##[17]. Shokoohi A, Amini M. Introducing a new method to determine rivers’ ecological water requirement in comparison with hydrological and hydraulic methods. International Journal of Environmental Science and Technology. 2014; 11(3):747-56.##[18]. Tabatabai MM, Nadushan RM, Hashemi S. Impact of hydrogeomorphic processes on ecological functions of brown trout habits. International Journal of Environmental Science and Technology. 2017; 14(8): 1757-70.##[19]. Holmes RW, Rankin DE, Ballard E, Gard M. Evaluation of Steelhead passage flows using hydraulic modeling on an unregulated coastal California River. River Research & Applications. 2016; 32: 697-710.##[20]. Johnston C, Zydlewski GB, Smith S, Zydlewski J, Kinnison M.T. River Reach Restored by Dam Removal Offers Suitable Spawning Habitat for Endangered Shortnose Sturgeon. Transactions of the American Fisheries Society. 2018; 163-175.##[21]. Steffler P, Blackburn J. River2D: Two-Dimensional Depth Averaged Model of River Hydrodynamics & Fish Habitat. Introduction to Depth Averaged Modeling & User's Manual. University of Alberta, Edmonton, Canada. 2002; pp120.##[22]. De Souza Castro ERR, Moreira MC, Da Silva DD. Environmental flow in the River Ondas basin in Bahia, Brazilian Cerrado. Environmental monitoring & assessment. 2016; 188(1): 68.##[23]. Chou WC., Chuang MD. Habitat evaluation using suitability index & habitat type diversity: a case study involving a shallow forest stream in central Taiwan. Environmental monitoring & assessment. 2011; 172(1-4): 689-704.##[24]. Oberdorff T, Pont D, Hugueny B, Porcher JP. Development and validation of a fish‐based index for the assessment of ‘river health’in France. Freshwater Biology. 2002; 47(9): 1720-1734.## [25]. Ahmadzadeh M, Poorbagher H, Eagderi S. Calculating the habitat suitability index of Siahmahi (Capoeta buhsei, Kessler 1877) using the kernel smoothing in the Jajrood River, Namak basin of Iran. Journal of Aquaculture Sciences. 2018; 6(9): 99-108. [Persian]##[26]. Anvarifar H, Farahm H, Nematollahi MA., Rahmani H, Karami M, Khalili B. Association analysis between morphometric & RAPD markers in siah mahi, Capoeta capoeta gracilis, within tajan river. New genetics. 2012; 7(2): 165-173.##[27]. Abdoli A. The inland water fishes of Iran. Iranian Museum of Nature and Wildlife. 2000; pp378. [Persian]##[28].Gholizadeh M, Patimar R, Harsij M. Investigation of Selected Habitat Range of the Paracobitis hicanica in the Zarin-Gol River, Golestan Province. Journal of Applied Ichthyological Research. 2018; 6(2) :1-12. [Persian]##[29]. Shamekhi K, Patimar R, Ghorbani R, Kordjazi Z. Comparison relative of abundance of Capoeta capoeta gracilis in five streams of Gorganroud River Basin, Golestan Province, Northern Iran. Journal of Research in Biology. 2012; 1: 19-22.##[30]. Patimar R, Ownagh E, Jafari N, Hosseini M. Intrabasin variation in allometry coefficients of Lenkoran Capoeta capoeta gracilis (Keyserling, 1861) in the Gorganroud basin, southeast Caspian Sea, Iran. Journal of Applied Ichthyology. 2009; 25(6): 776-778.##[31]. Abdoli A., Naderi M. Biodiversity of Fishes of the Southern Basin of the Caspian Sea. Abzian Scientific Publication. 2009; pp242. [Persian]##[32]. Najafabadi EF., Afzalimehr H, Rowinski PM. Flow structure through a fluvial pool-riffle sequence–Case study. Journal of Hydro-environment Research. 2018; 19: 1-15.##[33]. Tare V, Gurjar SK, Mohanta H, Kapoor V, Modi A, Mathur RP, Sinha R. Eco-geomorphological approach for environmental flows assessment in monsoon-driven highl& rivers: A case study of Upper Ganga, India. Journal of Hydrology: Regional Studies. 2017; 13: 110-121.##[34]. Tonina D, Buffington JM. Hyporheic exchange in gravel bed rivers with pool-riffle morphology: Laboratory experiments & three-dimensional modeling. Water Resources Research. 2007; 43(1): 1-16.##[35]. White JQ, Pasternack GB, Moir HJ. Valley width variation influences riffle–pool location & persistence on a rapidly incising gravel-bed river. Geomorphology. 2010; 121(3-4): 206-221.##[36]. Macura V, Stefunkova ZS, Majorosova M, Halaj P, Skrinar A. Influence of discharge on fish habitat suitability curves in mountain watercourses in IFIM methodology. Journal of Hydrology & Hydromechanics. 2018; 66(1): 12-22.##[37]. Olsen N. Numerical Modelling & Hydraulics, 3rd Edition, Department of Environmental Engineering: The Norwegian University of Science & Technology. 2012; pp158.##

0 ارزیابی بحران فرونشست زمین و پیشروی آب شور دریا در آبخوان دشت میناب Assessment of the Land Subsidence Crisis and the Advent of Salt Water in the Minab Plain Aquifer https://ije.ut.ac.ir/article_70300.html 10.22059/ije.2019.270938.998 0 در پژوهش حاضر براساس وضعیت تراز آب زیرزمینی منطقه طی دورۀ آماری 30 ساله (1365-1395) و همچنین بررسی‏های صحرایی و حفر سه حلقه گمانه و بررسی وضعیت رسوبات در محل و آنالیز شیمیایی نمونه‏های برداشت‌شده از محل گمانه‏ها، وضعیت فرونشست و نفوذ آب شور در دشت میناب بررسی شده است. بررسی تراز آب زیرزمینی منطقه نشان می‏دهد افت سطح آب در این آبخوان از سال 1380 شدت گرفته و به‏طور متوسط سالانه حدود 46 سانتی‌متر سطح آب افت کرده است. افت سطح آب در آبخوان موجب شده تا تراز سطح آب آبخوان نسبت به سطح دریا منفی شود و آب از سمت دریا به سمت آبخوان حرکت کند. بررسی‏های ژئوتکنیکی در منطقه نشان می‏دهد علاوه بر افت سطح آب، وجود رسوبات تورم‏پذیر و انحلال‏پذیر در منطقه سبب افزایش شدت بروز عوارض فرونشست در سطح دشت شده است. درنهایت، منطقه از نظر خطر فرونشست به سه بخش کلی تقسیم شده است. در بخش ابتدایی آبخوان، فرونشست بیشتر از نوع تراکم لایه‏های آبرفتی است. در بخش مرکزی، فرونشست بیشتر از نوع گودال و ترک بوده و در بخش انتهایی آبخوان نیز احتمال ایجاد فرونشست کم است. به‏طور کلی، این آبخوان هم‏زمان با پدیدۀ فرونشست و پیشروی آب شور مواجه است و به برنامه‏ریزی مناسب به‏منظور جلوگیری از نابود‌شدن آبخوان نیاز دارد. 1 In this research, based on the status of groundwater level in the region during the statistical period of 30 years (1365-1395), as well as field studies and drilling three borehole, study of the status of sediments in place and the chemical analysis of samples taken from the boreholes, the status of subsidence and Penetration of salt water in Minab Plain has been studied. The study of the status of groundwater level in the area indicates that the water level drop in this aquifer has intensified since 1380, and  it has fallen an average of about 46 centimeters in a year. The drop in water level in the aquifer has caused the aquifer level to be lower than the sea level, and practically water flows from the sea to the aquifer. Geotechnical studies in the area show that in addition to the drop of water surface, presence of inflammable and soluble sediments in the area has increased the severity of subsidence complications in the plain surface. Finally, the area is classified into three general sections in terms of risk of subsidence. In the primary part of the aquifer, subsidence is often in the type of alluvial layers condensed, in the central part, the subsidence is often in the form of a pit and a crack, and in the end section of aquifer probability of subsidence is low. In general, this aquifer is at the same time faced with the phenomenon of subsidence and the advent of salt water and requires proper planning to prevent the destruction of the aquifer. 223 238 رضا جمور Reza Jamour کارشناس ارشد هیدروژئولوژی، کارشناس فنی شرکت مهندسین مشاور ری‏آب ایران reza.jamoor@yahoo.com مهدی ایل بیگی Mahdi Eilbeigy دکترای هیدروژئولوژی، کارشناس فنی شرکت مهندسین مشاور ری‏آب ایران mehdi.eilbeigy@gmail.com مسعود مرسلی Masoud Morsali دکترای هیدروژئولوژی، کارشناس فنی شرکت مهندسین مشاور ری‏آب ایران massoud.morsali@gmail.com افت سطح آب زیرزمینی خاک‏های مسئله‏دار دشت میناب فرونشست [1]. faunt C C, Sneed M, Traum j, Brandt J T. "Water availability and land subsidence in the Central Valley,California, USA," hydrogeol, 2016, pp. 675-684.##[2]. Phien-wej, N, Giao, P.H, Nutalaya, P. "Land Subsidence In Bangkok, Thailand". Engineering Geology 2006, 82: 187– 201.##[3]. Abbas Nejad A. "Review of the Situation and Issues of the Geology of the Environment of Rafsanjan Plain," in the Second Conference of the Geological Society of Iran, 1998.[Persian]##[4]. Mahmoudpour M, Khamehchiyan M, Nikudel M R, Ghassemib M R. "Numerical simulation and prediction of regional land subsidence caused by groundwater exploitation in the southwest plain of Tehran, Iran.," Engineering Geology, 2016, vol. 201, pp. 6-28.##[5]. Parhizkar S, Ajdary K, Kazemi G A, Emamgholizadeh S. "Predicting water level drawdown and assessment of land subsidence in Damghan aquifer by combining GMS and GEP models," Geopersia, 2015, pp. 63-80.##[6]. Sharifi Kia M, Afzali A, Shayan S. "Extraction and evaluation of the effects of geomorphologic phenomena caused by subsidence in Damghan plain," Quantitative geomorphology studies, 2015, pp. 60-74.[Persian]##[7]. Salehi R, Ghafouri M, Lashgipur Gh, Peasant M. "Investigation of subsidence of South Mahyar Plain Using Radar interferometry method," Journal of Irrigation and Water Engineering, 2013, pp. 47-57.[Persian]##[8]. Al Khamis R, Karimi Nasab S, Ariana F. "Investigating the Effect of subsidence Due to Groundwater Drainage on the Damage of Pipeline," Water and Wastewater, 2006, pp. 77-88.[Persian]##[9]. Entezam A, Ghasemi A, Yousefi T, Shafiei M. "Investigating the sinkholes and gaps of the Ayj plains of Fars province," Geological Survey & Mineral Exploration of Iran, 2015.[Persian]##[10].            Entezam Soltani A, Ghasemi A. "The study of longitudinal gaps in the Golestan Autonomous Region," Geological Survey & Mineral Exploration of Iran, 2009.[Persian]##[11].            Mirtamizdost M, Qassemi A. "Land subsidence survey and construction damage in Shahadat neighborhood of Ray", Geological Survey & Mineral Exploration of Iran, 2011. [Persian]##[12].             Ghasemi A, Mirtamizdost M. "Investigating the phenomenon of longitudinal gaps in agricultural land of Moin Abad village, Varamin County," Geological Survey & Mineral Exploration of Iran, 2010.[Persian]##[13].            Jiriyaei Sharahi H. "Maintenance of land subsidence with Radar Interference Technique in Minab Plain," Hormozgan University. Master's thesis, 2016. [Persian]##[14].            Turkmani Tambaki H. "Land subsidence in the plain of Minab and its relation to the decline of groundwater level", Islamic Azad University, Bandar Abbas Branch, 2016.[Persian]##[15].            Bemany Ahmadabad M, Ashjary J, Yaqubi A, malek Abbaslu A. "Study of the cause of subsidence in the Coastal aquifer of Minab Plain," 6th National Conference on Iranian Water Resources Management, 2016.[Persian]##[16].            Bahrami S, Bazrafshan O. "Factors Affecting land subsidence in the Plain of Minab," 4th International Conference on Environmental Planning and Management, 2017.[Persian]##[17].            Debiwand R, Shahnazari AS, Fazl Ovla R. "Simulation of saline water advancement on coastal aquifers in the Lahijan-Chaboksar area," University of Agricultural Sciences and Natural Resources, Sari, Sari, 2011. [Persian].##[18].            Jafari F, Eftekhari M. "Investigating the exchange of water and the influence of the saline water of Lake Urmia on neighboring aquifers" Water Management and Irrigation, Volume 3, Issue 1, pp. 29-47, 2013. [Persian]##[19].            Rahimi H, Abbasi N. Geotechnical Engineering, Troublesome Soil, Tehran: Tehran University Press, 2014.[Persian]##

0 تعیین حریم کمّی چاه‌ها به کمک مدل عددی بدون شبکۀ محلی پتروو-گالرکین در آبخوان محصور و آزاد در شرایط غیر ماندگار(مطالعۀ موردی: دشت بیرجند) Determination the Capture Zone of Wells by using Meshless Local Petrov-Galerkin Numerical Model in Confined Aquifer in Unsteady State (Case study: Birjand Aquifer) https://ije.ut.ac.ir/article_70301.html 10.22059/ije.2019.271425.1004 0 در مطالعۀ حاضر برای نخستین‌بار حریم کمّی با استفاده از یک روش عددی در دو آبخوان محصور و آزاد تعیین و ترسیم شد. روش عددی به کار گرفته‌شده، روش بدون شبکۀ محلی پتروو-گالرکین است که تا کنون در این حوزه و با این کاربرد استفاده نشده است. آبخوان محصور، هندسۀ منظمی دارد و شامل چهار چاه بهره‏برداری می‌شود. پس از مدل‌سازی سطح آب به کمک روش بدون شبکه، حریم کمّی چاه‏ها در دوره‏های یک‌ماهه، یک‌ساله، دوساله و پنج‌ساله ترسیم شدند و سپس تأثیر ضرایب هدایت هیدرولیکی و ذخیره در چگونگی گسترش شکل این ناحیه بررسی و ارزیابی شد. نتایج نشان دادند با گذشت زمان، حریم کمّی چاه‏ها گسترده‏تر می‏شود که ناشی از برداشت بیشتر و در پی آن، افت افزون‌تر سطح آب است. به طوری که برای حالتی که فقط چاه نخست در حالت بهره‏برداری باشد، عرض حریم در سال دوم 82/2 متر است و این مقدار در سال پنجم به 8/5 متر می‏رسد. همچنین، با افزایش ضریب، هدایت هیدرولیکی و ضریب ذخیرۀ مساحت و عرض حریم کم می‌شود، به بیانی دیگر، تعداد نقاطی که داخل حریم می‏افتند، کاهش می‏یابد. در مثال دیگری حریم چاه برای یک آبخوان واقعی ترسیم شد. آبخوان دشت بیرجند واقع در استان خراسان جنوبی که از نوع آزاد است، ارزیابی شد. سطح آب مدل‌سازی شد و نتایج با داده‏های مشاهداتی مقایسه شدند، به‌طوری که خطای جذر میانگین مربعات برای این روش در حالت ماندگار و غیرماندگار به‌ترتیب 483/0 و 757/0 متر به دست آمد. این آبخوان 190 حلقه چاه دارد که از این میان، دو چاه به عنوان نمونه انتخاب شدند. در نهایت، حریم کمّی برای دو چاه انتخاب‌شده ترسیم شدند. نتایج نشان دادند گسترش و توسعۀ این ناحیه در حالت واقعی هم بیشتر تحت تأثیر ضریب هدایت هیدرولیکی است. 1 In this study, for the first time, the capture zone is determined and depicted in two confined and unconfined aquifers using a numerical method. The engaged numerical method is meshless local Petrov-Galerkin which is not used in this field and in this application. The confined aquifer has regular geometry with 4 extraction wells. After simulating the groundwater flow, capture zones of wells is depicted in 1-month, 1-year, 2-year and 5-year time periods. Then the effect of both hydraulic conductivity and storage coefficients is evaluated in order to see the changes in shape and development of capture zone. The results indicated that by passing the time the area and width of the capture zone get greater, in other words, when number -1 well is in extraction by itself, in the second year the width of the capture zone is 2.82m and in the fifth year, it is 5.8m. Also with increasing hydraulic conductivity and storage coefficients, the area and width of capture zone get smaller on the other hand the number of nodes which is located in capture zones is reduced. In another example, a capture zone depicted for a real aquifer. Birjand aquifer which is located in South Khorasan province has an unconfined type. Head is simulated and the results are compared with observation data. The RMSE errors for steady and unsteady condition are 0.483 and 0.757 respectively. This aquifer has 190 extraction wells. Two wells are chosen as a sample. Then capture zone for these wells is determined and depicted. The results show that extension of this region in a real aquifer is more influenced by hydraulic conductivity coefficient. 239 255 علی محتشمی Ali Mohtashami دانشجوی دکتری مهندسی عمران، گرایش مهندسی و مدیریت منابع آب، دانشگاه سیستان و بلوچستان ایران mohtashamiali@pgs.usb.ac.ir سید آرمان هاشمی منفرد Seyed Arman Hashemi Monfared دانشیار دانشکدۀ مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان ایران hashemi@eng.usb.ac.ir غلامرضا عزیزیان Gholamreza Azizyan دانشیار دانشکدۀ مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان ایران g.azizyan@eng.usb.ac.ir ابوالفضل اکبرپور Abolfazl Akbarpour دانشیار دانشکدۀ فنی و مهندسی، گروه عمران، دانشگاه بیرجند ایران akbarpour@birjand.ac.ir آبخوان واقعی حالت ناپایدار حریم چاه روش بدون مش [1].    Rock G, Kupfersberger H, Numerical delineation of transient capture zones, Journal of Hydrology, 2002;269:134-149.##[2].    Bear J, Jacobs M, On the Movement of Water Bodies Injected into Aquifers, Journal of Hydrology, 1965;3:37-57.##[3].    Javandel I, Tsang C, Capture zone type curves: a tool for aquifer cleanup, Ground Water, 1986;24:616-625.##[4].    Lerner D N, Well catchments and time-of-travel zones in aquifers with recharge, Water Rresources Managment, 1992;28(10):2621-2628.##[5].    Springer A E, Bair E S, Comparison of methods used to delineate capture zones of wells: 2. Stratified-drift buried-valley aquifer, Groundwater, 1992;30(6):908-917.##[6].    Kinzelbach W, Marburgrer M, Chiang W, Determination of groundwater catchment areas in two and three spatial dimensions, Journal of Hydrology, 1992;134:221-246.##[7].    Grubb S, Analytical model for estimation of steady-state capture zones of pumping wells in confined and unconfined aquifers, Ground Water, 1993;31:27-32.##[8].    Yeo I, Lee K, Analytical solution for arbitrarily located multiwells in an anisotropic homogeneous confined aquifer, Water Resourses Research , 2003;39:1-5.##[9].    Fienen M, Lou J, Kitanidis P, Semi-analytical homogeneous anisotropic capture, Journal of Hydrology, 2005;312:39-50.##[10].        Intaraprasong T, Zhan H, Capture zone between two streams, Journal of Hydrology, 2007;338:297-307.##[11].        Asadi-Aghbolaghi M, Rakhshanderoo G. R, Kompani-zare M, Analytical solutions for the capture zone of a pumping well near a stream, Hyrogeology Journal, 2011;19:1161-1168.##[12].        Samani N, Zarei-Doudeji S, Capture zone of a multi-well system in confined and unconfined wedge-shaped aquifers, Advances in Water Resources, 2012;39:71-84.##[13].        Zarei-Doudeji S, Samani N, Capture zone of a multi-well system in bounded peninsula-shaped aquifers, Journal of contamination hyrology, 2014;164:114-124.##[14].        Zarei-Doudeji S, Samani N, Capture Zone of a Multi-Well System in Bounded Rectangular- Shaped Aquifers: Modeling and Application, International journal of science technology and society, 2016;3.##[15].        Staboultzidis A G, Dokou Z, Capture Zone Delineation and Protection Area Mapping in the Aquifer of Agia, Crete, Greece, Enviromental process, 2017;4(1):95-112.##[16].        Feo A, Zanini A, Petrella E, Celico F, A Python Script to Compute Isochrones for MODFLOW, Groundwater, 2017;10:1-7.##[17].        Atluri S N, Zhu T A, A new MEshless method (MLPG) approach in computational mechanics, computaional mechanics, 1998;22(2):117-127.##[18].        Atluri S N, Zhu T A, The meshless local Petrov-Galerkin (MLPG) approach for solving problems in elasto-statics, 2000;25:169-179.##[19].        Atluri S N, Sladak J, Zhu T, Local boundary integral equation (LBIE) and it's meshless implementation for linear elasticity, 2000;25(2):180-198.##[20].        Mohtashami A, Akbarpour A, Mollazadeh M, Development of two dimensional groundwater flow simulation model using meshless method based on MLS approximation function in unconfined aquifer in transient state, Journal of Hydroinformatics2017;19(5):640-652.##[21].        Liu G, Mesh Free Methods: Moving Beyond the Finite Element Method, Boca Raton: CRC press, 2002.##[22].        Liu G R, Gu Y T, An introduction to Meshfree Methods and Their Programming, Singapore: Springer, 2005.##[23].        Porfiri M, Analysis by Meshless Local Petrov-Galerkin Method of Material Discontinuities, Pull-in Instability in MEMS, Vibrations of Cracked Beams, and Finite Deformations of Rubberlike Materials, Virginia: Virginia Polytechnic Institute and State University, 2006.##[24].        Mohtashami A, Akbarpour A, Mollazadeh M, Modeling of groundwater flow in unconfined aquifer in steady state with meshless local Petrov-Galerkin, Modares Mechanical Engineering, 2017;17(2):393-403.##[25].        Mategaonkar M, Eldiho T I, Simulation of groundwater flow in unconfined aquifer using meshfree point collocation method, Engineering Analysis with Boundary Elements2011;35:700-707.##[26].        Swathi B, Eldho T I, Groundwater flow simulation in confined aquifers using meshless Local Petrov-Galerkin, ISH Journal of Hydraulic engineering, 2013;19:335-348.##[27].        Swathi B, Eldho T I, Groundwater flow simulation in unconfined aquifers using meshless local Petrov-Galerkin method, Engineering Analysis with Boundary Elements, 2014;48:43-52.##[28].        Swathi B, Eldho T I, Aquifer parameter and zonation structure estimation using meshless local Petrov–Galerkin method and particle swarm optimization, Journal of Hydroinformatics, 2018;20(2):457-467.##

0 ارزیابی سیستم‌های مختلف سرمایش گلخانه در اقلیم‌های متنوع ایران با توجه به کاهش منابع آب Evaluating Different Greenhouse Cooling Systems in Various Climate Zones of Iran Considering Water Scarcity https://ije.ut.ac.ir/article_70302.html 10.22059/ije.2019.274496.1032 0 هدف از پژوهش حاضر، ارائۀ چارچوبی است که فنی-اقتصادی‏ترین سیستم سرمایش را با توجه به اقلیم‏های مختلف آب و هوایی ایران، قیمت حامل‏های آب و انرژی، و شرایط کشت مناسب محصول بر‏گزیند. همچنین، سیاست‏گذار را قادر ‏سازد تا به‏گونه‏ای قیمت آب را تعیین کند تا کشاورز کم‏مصرف‏ترین سیستم سرمایش را از نظر مصرف آب برای گلخانه برگزیند. سه نوع مختلف سیستم سرمایش شامل سیستم‏های فن و پد تبخیری، انبساط مستقیم و چیلر جذبی برای پنج اقلیم آب و هوایی متنوع ایران ارزیابی شده است. ارزیابی در سه سناریو صورت می‏گیرد که در آن سناریوهای نخست و دوم تمام سیستم‏های سرمایش را تحت قیمت‏های فعلی و واقعی آب بررسی می‏کند، در حالی ‏که سناریوی سوم قیمت بهینۀ آب را به‏گونه‏ای اختیار می‏کند که سیستم سرمایش با کمینۀ مصرف آب انتخاب شود. نتایج نشان می‏دهد سیستم سرمایش فن و پد که قبلاً باور بر این بود که فنی-اقتصادی‏ترین سیستم سرمایش برای گلخانه‏های ایران است، در حقیقت فنی-اقتصادی‏ترین سیستم سرمایش برای تمام اقلیم‏های آب و هوایی ایران نیست و سیستم سرمایش انبساط مستقیم (تراکمی) با میانگین هزینۀ معادل سرمایش 0427/0 و 2733/0 دلار بر کیلو‏وات ساعت سرمایش در مقابل 0510/0 و 8264/0 دلار بر کیلو‏وات ساعت سرمایش میانگین هزینه معادل سرمایش سیستم سرمایش فن و پد، به‌ترتیب در سناریو‏های اول و دوم برتری یافته است. درنهایت، سناریوی سوم این‏گونه پیشنهاد می‏کند که با افزایش 4/17 درصدی قیمت آب، کشاورز متقاعد خواهد شد تا در سراسر اقلیم‏های آب و هوایی ایران، سیستم سرمایشی‏ای انتخاب کند که کمترین میزان مصرف آب را دارد. 1 This paper aims to develop a profound framework that opts for the most techno-economic cooling system considering different climate zones of Iran, water and energy carrier prices, and the crop’s cultivation conditions. Furthermore, it enables policy makers to come up with a water price to persuade the farmer to choose the least water consuming cooling system for the greenhouse. Three different cooling systems of fan and pad, direct expansion and absorption chiller are evaluated for five various climate zones of Iran. The evaluation takes place in three scenarios in which the first and second scenarios assesses all three cooling systems under the current and real price of water, while the third scenario obtains the optimal price of water that the cooling system get selected based on the least water consumption. Results show that the fan and pad cooling system, formerly believed to be the most economic one, is actually not the most techno-economic system for all climate zones of Iran but, the direct expansion system with the mean equivalent cooling cost of 0.0427 and 0.2733 $/kWh merits over the fan and pad system with the mean equivalent cooling cost of 0.051 and 0.8264 $/kWh in first and second scenario respectively. Finally, the third scenario suggests the policy makers should increase the water price by 17.4% so that the farmer is persuaded to select the most water conservative cooling system in all the climate zones of Iran. 257 265 توحید جعفری نژاد Tohid Jafarinejad دانشجوی کارشناسی ارشد، دانشکدۀ انرژی، دانشگاه صنعتی شریف تهران ایران tohidjfr@yahoo.com امیرحسین فتحی Amir Hossein Fathi استادیار، دانشکدۀ مکانیک، دانشگاه شیراز ایران afathi@shirazu.ac.ir حسین یوسفی Hossein Yousefi دانشیار، دانشکدۀ علوم و فنون نوین دانشگاه تهران ایران hosseinyousefi@ut.ac.ir کیانوش چوبینه Kianoush Choubineh دانشجوی دکتری، دانشکدۀ علوم و فنون نوین، دانشگاه تهران ایران kiash.barmaki@gmail.com پیوند آب-انرژی-غذا سیستم سرمایش سیاست آب صرفه‏جویی در آب گلخانه‌ [1]. Leng G, Huang M, Tang Q, Leung LR. A modeling study of irrigation effects on global surface water and groundwater resources under a changing climate. J Adv Model Earth Syst. 2015;7(3):1285–304.##[2]. Rockström J, Falkenmark M, Karlberg L, Hoff H, Rost S, Gerten D. Future water availability for global food production: the potential of green water for increasing resilience to global change. Water Resour Res. 2009;45(7).##[3]. Arnell NW. Climate change and global water resources : SRES emissions and socio-economic scenarios. 2004;14:31–52.##[4]. Alcamo J, Flörke M, Märker M. Future Long-Term Changes in Global Water Resources Driven by Socio- Future long-term changes in global water resources driven by socio-economic and climatic changes. 2007;(April).##[5]. Ashraf B, Yazdani R, Mousavi-Baygi M, Bannayan M. Investigation of temporal and spatial climate variability and aridity of Iran. Theor Appl Climatol. 2014;118(1–2):35–46.##[6]. Madani K. Water management in Iran: what is causing the looming crisis? J Environ Stud Sci. 2014;4(4):315–28.##[7]. Madani K, AghaKouchak A, Mirchi A. Iran’s socio-economic drought: challenges of a water-bankrupt nation. Iran Stud. 2016;49(6):997–1016.##[8]. Sadegh M, Mahjouri N, Kerachian R. Optimal inter-basin water allocation using crisp and fuzzy Shapley games. Water Resour Manag. 2010;24(10):2291–310.##[9]. Mirchi A, Watkins DW, Huckins CJ, Madani K, Hjorth P. Water resources management in a homogenizing world: Averting the Growth and Underinvestment trajectory. Water Resour Res. 2014;50(9):7515–26.##[10].            Proch P, Maitah M, Pljuˇ I. Evaluation of Water Scarcity in Selected Countries of the Middle East. :1–18.##[11].            Roudi-Fahimi F, Creel L, De Souza R-M. Finding the balance: Population and water scarcity in the Middle East and North Africa. Popul Ref Bur Policy Br. 2002;1–8.##[12].            Girardet, E. and Walter J. Crosslines Essential Field Guide to Afghanistan. second edi. Geneva: Media Action International; 2004.##[13].            Al-nasser AY, Bhat NR. Protected Agriculture in the State of Kuwait. 1990;17–23.##[14].            Hirich A, Choukr-allah R. Water and Energy Use Ef fi ciency of Greenhouse and Net house Under Desert Conditions of UAE : Agronomic and Economic Analysis.##[15].            Kumar KS, Tiwari KN, Jha MK. Design and technology for greenhouse cooling in tropical and subtropical regions : A review. 2009;41:1269–75.##[16].            Ghani S, Bakochristou F, Mohamed E, Ahmed A, Mahmoud S, Gamaledin A, et al. Engineering in Agriculture , Environment and Food Design challenges of agricultural greenhouses in hot and arid environments – A review. Eng Agric Environ Food [Internet]. 2018;(May):0–1. Available from: https://doi.org/10.1016/j.eaef.2018.09.004##[17].            Baeza EJ, Pérez-Parra JJ, Montero JI, Bailey BJ, López JC, Gázquez JC. Analysis of the role of sidewall vents on buoyancy-driven natural ventilation in parral-type greenhouses with and without insect screens using computational fluid dynamics. Biosyst Eng. 2009;104(1):86–96.##[18].            Roldán JJ, Garcia-Aunon P, Garzón M, de León J, del Cerro J, Barrientos A. Heterogeneous multi-robot system for mapping environmental variables of greenhouses. Sensors. 2016;16(7):1018.##[19].            Cockshull KE, Graves CJ, Cave CRJ. The influence of shading on yield of glasshouse tomatoes. J Hortic Sci. 1992;67(1):11–24.##[20].            Sethi VP, Sharma SK. Survey and evaluation of heating technologies for worldwide agricultural greenhouse applications. Sol energy. 2008;82(9):832–59.##[21].            Ishii M, Okushima L, Moriyama H, Sase S. An Overview of Natural Ventilation, Airflow, Evaporative Cooling and Heat Pump Heating in Greenhouses under Mild Climatic Conditions. In: International Symposium on New Technologies for Environment Control, Energy-Saving and Crop Production in Greenhouse and Plant 1037. 2013. p. 493–500.##[22].            Villarreal-Guerrero F, Kacira M, Fitz-Rodríguez E, Kubota C, Giacomelli GA, Linker R, et al. Comparison of three evapotranspiration models for a greenhouse cooling strategy with natural ventilation and variable high pressure fogging. Sci Hortic (Amsterdam). 2012;134:210–21.##[23].            Arbel A, Yekutieli O, Barak M. Performance of a fog system for cooling greenhouses. J Agric Eng Res. 1999;72(2):129–36.##[24].            Bucklin RA, Henley RW, McConnell DB. Fan and pad greenhouse evaporative cooling systems. Circ (Florida Coop Ext Serv. 1993;##[25].            Rorabaugh P, Jensen M, Giacomelli G. Introduction to Controlled Environment Agriculture and Hydroponics. Control Environ Agric Cent. 2002;1–130.##[26].            Anifantis AS, Colantoni A, Pascuzzi S. Thermal energy assessment of a small scale photovoltaic, hydrogen and geothermal stand-alone system for greenhouse heating. Renew energy. 2017;103:115–27.##[27].            Paksoy HÖ, Beyhan B. Thermal energy storage (TES) systems for greenhouse technology. In: Advances in thermal energy storage systems. Elsevier; 2015. p. 533–48.##[28].            Courtois N, Grisey A, Grasselly D, Menjoz A, Noël Y, Petit V, et al. Application of Aquifer Thermal Energy Storage for heating and cooling of greenhouses in France: a pre-feasibility study. In: European Geothermal Congress 2007. 2007. p. 8–p.##[29].            Wong B, McClung L, Snijders A, McClenahan D, Thornton J. The application of aquifer thermal energy storage in the Canadian greenhouse industry. In: International Symposium on High Technology for Greenhouse Systems: GreenSys2009 893. 2009. p. 437–44.##[30].            Sanaye S, Niroomand B. Horizontal ground coupled heat pump: Thermal-economic modeling and optimization. Energy Convers Manag. 2010;51(12):2600–12.##[31].            Attar I, Naili N, Khalifa N, Hazami M, Lazaar M, Farhat A. Experimental study of an air conditioning system to control a greenhouse microclimate. Energy Convers Manag. 2014;79:543–53.##[32].            Ganji MH, Tavassoli M. Climatic Characteristics and Classi fi cation of Iran , Studies of the Hot Arid Zone 1. Vol. 1. 2016.##[33].            Sanaye S, Malekmohammadi HR. Thermal and economical optimization of air conditioning units with vapor compression refrigeration system. Appl Therm Eng. 2004;24(13):1807–25.##[34].            Younker DL. Value Engineering: Analysis and Methodology [Internet]. Cost Engineering. 2003. 326 p. Available from: http://books.google.com/books?id=Mtq_qunJIBMC&pgis=1##[35].            G. Snyder R. Greenhouse Tomato Handbook [Internet]. Central Mississippi Research and Extension Center; Available from: https://ag.umass.edu/sites/agcenter/files/pdf-doc-ppt/p1828.pdf##[36].            statistics and information network | Iran's energy balance spreadsheet 2015-2016 94 [Internet]. [cited 2019 Jan 18]. Available from: http://isn.moe.gov.ir/گزارشات-اماری/ترازنامه-انرژی-سال-94##[37].            Favre M, Montginoul M. Water pricing in Tunisia: Can an original rate structure achieve multiple objectives? Util Policy [Internet]. 2018;55(October):209–23. Available from: https://doi.org/10.1016/j.jup.2018.06.004##[38].            Cooper B, Crase L, Pawsey N. Best practice pricing principles and the politics of water pricing. Agric Water Manag [Internet]. 2014;145:92–7. Available from: http://dx.doi.org/10.1016/j.agwat.2014.01.011##