اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.63555 unavailable صفحات آغازین 22 06 2017 4 2 1 3 22 10 2017 22 10 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_63555.html

unavailable
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61465 اکوهیدرولوژی مقایسۀ عملکرد مدل آماری و مدل دینامیکی در شبیه‌سازی بارش حدی مقایسه عملکرد مدل آماری ‌ و مدل دینامیکی در شبیه سازی بارش حدی آرزومندی لیلی دانشجوی دکتری آب و هوا‌شناسی، دانشکدۀ جغرافیا دانشگاه خوارزمی حجازی زاده زهرا استاد دانشکدۀ جغرافیا، دانشگاه خوارزمی فتاحی ابراهیم دانشیار پژوهشکدۀ هواشناسی 22 06 2017 4 2 301 313 30 11 2016 05 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61465.html

در سال‌های اخیر منابع آب بر اثر تغییر اقلیم دست‌خوش تنش‌های جدی شده است. هدف مطالعۀ حاضر، بررسی دو مدل ریز‌مقیاس‌ساز آماری و دینامیکی به‌منظور ریز‌مقیاس‌سازی بارش حدی حوضۀ آبریز گرگان‌رود در روز‌های 23 و 24 اردیبهشت 1371 است که به ثبت دبی حدی در منطقه منجر شد‌. در این پژوهش، از مدل آماری SDSM و مدل دینامیکی Regcm4 استفاده شد. نتایج نشان داد مدل آماری SDSM‏ قابلیت بسیار کمی (ضرایب تبیین 002/0 تا 18/0 و میانگین خطای مطلق 20 میلی‌متر) در شبیه‌سازی بارش‌های حدی دارد به‌طوری‏که ضرایب تبیین و همبستگی‌های کم قابل مشاهده بود؛ در صورتی‏ که مدل Regcm4 ضرایب تبیین بسیار زیاد تا 100 درصد و میانگین خطای مطلق تا 67 میلی‌متر را ثبت کرده است به‌دلیل اینکه این مدل با در‌نظر‌گرفتن الگوهای دینامیک کلی به شبیه‌سازی بارش حدی می‌پردازد، علاوه بر اینکه با آزمون خطای طرح‌واره‌های موجود در آن می‌تواند نتایج را تا حد زیادی به داده‌های مشاهداتی منطقه نزدیک کند. تحلیل نقشه‏های هوا نشان دادند طی این دو روز نیمۀ غربی ایران و بخش‌های جنوبی و مرکزی تحت حاکمیت الگوهای کم‌فشار بوده‌اند که جهت جریانات کم‌فشار، جنوبی و غربی بوده و از سمت دریای عدن و خلیج فارس و دریای سیاه و مدیترانه هستند. نقشه‌های الگوهای ارتفاع ژئوپتانسیل حاکمیت کم ارتفاع‌هایی در تراز 500 و 850 هکتوپاسکال را در منطقۀ مد نظر نمایش می‌دهد.  

 بارش حدی ریزمقیاس‌سازی گرگان‌رود RegCM4 SDSM Qi S, Sun G, Wang Y, McNulty S.G, Moore Myers J.A. Streamflow response to climate and landuse changes in a coastal watershed in North Carolina. Trans ASABE. 2009;52:739–49. Fischer E.M, Knutti R. Detection of spatially aggregated changes in temperature and precipitation extremes. Geophys. Res.2014; Lett. 41. http://dx.doi.org/10.1002/2013GL058499. Paparrizos S, Maris F, Matzarakis A. Integrated analysis of present and future responses of precipitation over selected Greek areas with different climate conditions.Atmos. Res.2016; 169 (Part A): 199–208..http://dx.doi.org/10.1016/j.atmosres.2015.10.004. Ahmadvand Kahrizi M,Rouhani H. Assessing the conservation impacts of climate change based on temperature projected on 21 century (Case study: Arazkoseh and Nodeh stations)).Eco Hydrology ,2017; 3( 4) :597-609.[Persian]. Chen H, Xu C.Y, Guo S.Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Journal of Hydrology.2012; 434–435 : 36–45. http://dx.doi.org/10.1016/j.jhydrol.2012.02.040. Fowler H.J, Blenkinsop S, Tebaldi C. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. Int. J. Climatol.2007; 27 (12): 1547–1578. DOI: 10.1002/joc.1556. Sunyer M.A, Madsen H, Ang P.H.A comparison of different regional climate models and statistical downscaling methods for extreme rainfall estimation under climate change. Atmospheric Research.2012; 103 : 119–128. http://dx.doi.org/10.1016/j.atmosres.2011.06.011. Willems P, Vrac M. Statistical precipitation downscaling for small-scale hydrological impact investigations of climate change. Journal of Hydrology.2011; 402:193–205. http://dx.doi.org/10.1016/j.jhydrol.2011.02.030. Lee T, Jeong C. Nonparametric statistical temporal downscaling of daily precipitation to hourly precipitation and implications for climate change scenarios. Journal of Hydrology.2014; 510 :182–196.. http://dx.doi.org/10.1016/j.jhydrol.2013.12.027. Mandal S, Srivastav R.K, Simonovic S.P. Use of beta regression for statistical downscaling of precipitation in the Campbell River basin, British Columbia, Canada. Journal of Hydrology.2016; 538:49–62. Asong Z.E, Khaliq M.N, Wheater H.S. Projected changes in precipitation and temperature over the Canadian Prairie Provinces using the Generalized Linear Model statistical downscaling approach. Journal of Hydrology.2016; 539:429–446. http://dx.doi.org/10.1016/j.jhydrol.2016.05.044. Piras M, Mascaro,G, Deidda R, Vivoni E.R. Impacts of climate change on precipitation and discharge extremes through the use of statistical downscaling approaches in a Mediterranean basin. Science of the Total Environment.2016; 543, :952–964. http://dx.doi.org/10.1016 /j.scitotenv. 2015. 06.088. Hundecha Y, Sunyer M.A, Lawrence D, Madsen H, Willems P,Bürger G, et al. Inter-comparison of statistical downscaling methods for projection of extreme flow indices across Europe. Journal of Hydrology xxx , xxx–xxx.2016.http://dx.doi.org/10.1016/j.jhydrol.2016.08.033. Bhatla R, Ghosh S, Mandal B, Mall R.K, Sharma K. Simulation of Indian summer monsoon onset with different parameterization convection schemes of RegCM-4.3. Atmospheric Research.2016; 176–177:10–18. DOI: http://dx.doi.org/10.1016/j.atmosres.2016.02.010 Laflamme E.M, Linder E, PanY. Statistical downscaling of regional climate model output to achieve projections of precipitation extremes. Weather and Climate Extremes.2016; 12: 15–23. http://dx.doi.org/10.1016/j.wace.2015.12.001 Onyutha O, Tabari H, Rutkowska A, Nyeko-Ogiramoi,P, Willems P. Comparison of different statistical downscaling methods for climate change rainfall projections over the Lake Victoria basin considering CMIP3 and CMIP5.Journal of Hydro-environment Research.2016; 12: 31–45. http://dx.doi.org/10.1016/j.jher.2016.03.001 Mohammadi, F, Zarrin,A and Babaian,I.The performance of climate models to simulate rainfall Recm4 cold period in Fars Province: A Case Study period from 1990 to 2010. Earth and Space Physics.1394; 41( 3Fall): 511-524. [Persian] Ghahraman N, Babaian I,Azadi M. Post statistical processing output Regcm4 pattern of rainfall on the North West of Iran. the study of physical geography.1394 ; 47( 3):385-398. [Persian] Jamab,Gorgan Basin.1387. [Persian]. Azari M, Moradi H, Saghafian B, Faramarzi M. Effects of climate change on watershed hydrology Gorgan.soil and water J (AGRICULTURAL SCIENCES AND TECHNOLOGY).1392; 27( 3 July – September): 547-537.[Persian]. Zarghami M., Abdi, A., Babaeian, I., Hassanzadeh, Y. and Kanani, R. Impacts of climate change on runoffs in East Azerbaijan, Iran. Global and Planetary Change.2011;, 78(3–4): 137-146. http://dx.doi.org/10.1016/j.gloplacha.2011.06.003 http://www.cccsn.ec.gc.ca/?page=pred-canesm2. Delghandi M , Moazenzadeh R. Investigating spatiotemporal variations of precipitation and temperature over Iran under climate change condition considering AOGCM models and emission scenarios uncertainty. Eco Hydrology,2017;  3( 3): 321-331. [Persian]. Giorgi F. Two-dimensional simulations of possible mesoscale effects of nuclear war fires. J. Geophys. Res. 1989;94:1127–1144. DOI: 10.1029/JD094iD01p01145. Grell G.A. prognostic evaluation of assumptions used by cumulus parameterization. Mon. Wea. Rev1993;.121: 764-787. DOI: http://dx.doi.org/10.1175/1520-0493(1993)1212.0.CO;2. Giorgi, F., and G. T. Bates, The climatological skill of a regional model over complex terrain, Mon. Wea. Rev.1989; 117:2325–2347. DOI:http://dx.doi.org/10.1175/1520-0493(1989)1172.0.CO;2. Sundqvist H, E Berge, and J. E Kristjansson. The effects of domain choice on summer precipitation simulation and sensitivity in a regional climate model, J. Climate.1989; 11: 2698–2712. DOI: http://dx.doi.org/10.1175/1520-0442(1998)0112.0.CO;2. Kiehl J. T, J. J Hack, G. B Bonan, B. A Boville, B. P Breigleb, D Williamson, and P Rasch. Description of the ncar community climate model (ccm3). Tech. Rep. NCAR/TN-420+STR. National Center for Atmospheric Research, 1996. http://dx.doi.org/10.5065/D6FF3Q99. Grell G.A. prognostic evaluation of assumptions used by cumulus parameterization. Mon. Wea. Rev1993;.121: 764-787. DOI: http://dx.doi.org/10.1175/1520-0493(1993)1212.0.CO;2. Fritsch J.M,Chappell C.F. Numerical prediction of convectively driven mesoscale pressure systems. part 1: Convective parameterization. J. Atmos. Sci.1980;37: 1722-1733. http://dx.doi.org/10.1175/1520-0469(1980)0372.0.CO;2. Dickinson R. E, A Henderson-Sellers and P. J Kennedy. Biosphere-Atmosphere Transfer Scheme (BATS) version 1e as coupled to the NCAR Community climate model,NCAR technical note NCAR/TN-387+STR.1993; 72pp. doi:105065/D67W6959. Ahmadi M,Lashkari H, Keikhosrav Gh,Azadi M. Comparison of LARS_WG and RegCM4 models in simulation and post-processing of annual temperature and rain fall data in Great Khorasan,journal of Sepehr.2016;25:157-170. [Persian]. Naserzadeh M,Ghasemifar E, Motamedi M, Analysis Drought for Observed and Future period using downscaling models (LARSWG and SDSM) in southern coastal of Caspian Sea, Geography and planning of urban and regional.2016;20:203-222. [Persian]. Ghasemifar E. Investigation of regionalization of climate change over coast of caspian sea.MA thesis, supervisior:Bohloul Alijani,2012.Kharazmi University. [Persian]. Tiwari PR,Chandrakar S,Mohanty UC,Dey S,Sinha P,Raju PVS,Shekhar MS, The role of land surface schemes in the regional climate model (RegCM) for seasonal scale simulations over Western Himalaya, Atmósfera.2016: 28(2), 129-142. Daniel A, Changes in extreme precipitation events over the central United States in AOGCM-driven regional climate model simulations, Graduate Theses and Dissertations in Agricultural Meteorology,2015. _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61466 مدیریت منابع آب در اکوسیستم های طبیعی مقایسه روش های متداول و هوشمند در تخمین پارامتر تابع مفصل به منظور تحلیل فراوانی چندمتغیره جریان کمینه (مطالعه موردی: حوضه آبریز دز) احمدی فرشاد دکترای منابع آب/ دانشگاه شهید چمران اهواز رادمنش فریدون دانشگاه شهید چمران اهواز پرهام غلام علی استاد گروه آمار، دانشکدۀ علوم ریاضی، دانشگاه شهید چمران اهواز میرعباسی نجف آبادی رسول استادیار گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهرکرد 22 06 2017 4 2 315 329 24 01 2017 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61466.html

در سال‏های اخیر، توجه به ساختار وابستگی موجود در بین متغیرهای هیدرولوژیک افزایش یافته و این امر موجب شده است که تحلیل چند‌متغیره به‌عنوان جایگزین مناسبی در مقابل روش‏های تک‌متغیره معرفی شود. در این مطالعه از تابع مفصل برای تحلیل چند‌متغیرۀ جریان‏های کمینۀ حوضۀ آبریز دز در محل ایستگاه‏های تنگ پنج‌ـ بختیاری و تنگ پنج‌ـ سزار استفاده شد. ابتدا جریان کمینۀ هفت‌روزه در محل ایستگاه‏های مطالعه‌شده، از داده‏های دبی روزانۀ رودخانه‏های بختیاری و سزار در دورۀ آماری 1335‌ـ 1391 استخراج شد. در مرحلۀ بعد، 11 تابع توزیع احتمالاتی مختلف به داده‏های جریان کمینه برازش داده شد که در این بین توزیع‏های لجستیک (برای ایستگاه تنگ پنج‌ـ بختیاری) و مقادیر حدی تعمیم‌یافته (برای ایستگاه تنگ پنج‌ـ سزار) به‌عنوان توزیع حاشیه‏ای مناسب انتخاب شدند. پس از انتخاب توزیع‏ حاشیه‏ای، باید پارامتر مفصل تعیین شود. در این مطالعه، از دو روش توابع منطقی برای حاشیه‏ها (IFM) و الگوریتم بهینه‌سازی ازدحام ذرات (PSO) استفاده شد. نتایج نشان داد روش PSO عملکرد مناسب‏تری در برآورد پارامتر مفصل داشت. سپس از بین توابع مفصل علی‌ـ میخائیل‌ـ حق، کلایتون، فرانک، گالامبوس و گامبل‌ـ هوگارد، تابع مفصل فرانک با داشتن کمترین خطا و بیشترین دقت برای ایجاد توزیع توأم جفت داده‏های جریان کمینۀ هفت‌روزه ایستگاه‏های تنگ پنج‌ـ بختیاری و تنگ پنج‌ـ سزار انتخاب و دورۀ بازگشت‏های توأم در دو حالت «یا» و «و» محاسبه شد.      

 تحلیل فراوانی توابع مفصل توزیع‏های حاشیه‏ای توزیع توأم دورۀ بازگشت توأم [1]. Bahremand A, Alvandi E, Bahrami M, Dashti Marvili M, Heravi H, Khosravi GHR, et al. Copula functions and their application in stochastic hydrology. Journal of Conservation and Utilization of Natural Resources. 2015; 4 (2):1-20. [Persian] [2]. Salvadori G, De Michele C. On the use of copulas in hydrology: theory and practice. Journal of Hydrologic Engineering. 2007;12(4):369-80. [3]. Salari Jazi M. Assessment of the Flooding Risk for River with Tidal Interaction Zones. PhD Thesis. 2013. [4]. Sklar M. Fonctions de répartition à n dimensions et leurs marges. Université Paris. 1959. [5]. Frees EW, Valdez EA. Understanding relationships using copulas. North American actuarial journal. 1998; 2(1):1-25. [6]. Favre AC, El Adlouni S, Perreault L, Thiémonge N, Bobée B. Multivariate hydrological frequency analysis using copulas. Water resources research. 2004; 40(1): 25-39. [7]. Brunner MI, Seibert J, Favre AC. Bivariate return periods and their importance for flood peak and volume estimation. Wiley Interdisciplinary Reviews: Water. 2016; 3(6):819-33. [8]. Duan K, Mei Y, Zhang L. Copula-based bivariate flood frequency analysis in a changing climate—A case study in the Huai River Basin, China. Journal of Earth Science. 2016; 27(1):37-46. [9]. Serinaldi F. A multisite daily rainfall generator driven by bivariate copula‐based mixed distributions. Journal of Geophysical Research: Atmospheres. 2009; 114(10): 70-91. [10]. Seo BC, Krajewski WF, Mishra KV. Using the new dual-polarimetric capability of WSR-88D to eliminate anomalous propagation and wind turbine effects in radar-rainfall. Atmospheric Research. 2015; 153:296-309. [11]. Mirabbasi R, Anagnostou EN, Fakheri-Fard A, Dinpashoh Y, Eslamian S. Analysis of meteorological drought in northwest Iran using the Joint Deficit Index. Journal of Hydrology. 2013; 492:35-48. [12]. Abdi A, Hassanzadeh Y, Talatahari S, Fakheri-Fard A, Mirabbasi R. Parameter estimation of copula functions using an optimization-based method. Theoretical and Applied Climatology. 2016. DOI: 10.1007/s00704-016-1757-2. [13]. Joe H. Multivariate models and multivariate dependence concepts. CRC Press. 1997. [14]. Eberhart R, Kennedy J. A new optimizer using particle swarm theory. InMicro Machine and Human Science, 1995. MHS'95., Proceedings of the Sixth International Symposium on 1995, (pp. 39-43). IEEE. [15]. Reddy MJ, Singh VP. Multivariate modeling of droughts using copulas and meta-heuristic methods. Stochastic environmental research and risk assessment. 2014; 28(3):475-89. [16]. Rakhecha PR. Probable maximum precipitation for 24-h duration over an equatorial region: Part 2-Johor, Malaysia. Atmospheric Research. 2007; 84(1):84-90. [17]. Khalili K, Tahoudi MN, Mirabbasi R, Ahmadi F. Investigation of spatial and temporal variability of precipitation in Iran over the last half century. Stochastic Environmental Research and Risk Assessment. 2016; 30(4):1205-21. [18]. Zahedianfar F, Ghorbani Kh, Meftah Halaghi M, Abdolhosseini m, and Dehghani A. Flood Frequency Analysis on the basis of extreme values theory (Case study: Arazkuseh hydrometric station, Golestan). Journal of Water and Soil Conservation. 2015; 22(3): 115-135. [Persian] [19]. Zhang Q, Chen YD, Chen X, Li J. Copula-based analysis of hydrological extremes and implications of hydrological behaviors in the Pearl River basin, China. Journal of Hydrologic Engineering. 2011;16(7): 598-607. [20]. Hosking JR, Wallis JR. The effect of intersite dependence on regional flood frequency analysis. Water Resources Research. 1988; 24(4): 588-600. [21]. Nelsen RB. An introduction to copulas. Springer Science & Business Media. 2007. [22]. Eberhart R, Simpson P, Dobbins R. Computational intelligence PC tools. Academic Press Professional, Inc. 1996. [23]. Shi Y, Eberhart RC. Parameter selection in particle swarm optimization. InInternational Conference on Evolutionary Programming 1998 Mar 25 (pp. 591-600). Springer Berlin Heidelberg. [24]. Hamed Ensaniyat, N. Daily Runoff Simulation Using the PSO Algorithm in Catchment Model Optimization. Msc Thesis. 2013. [Persian] [25]. Nash JE, Sutcliffe JV. River flow forecasting through conceptual models part I—A discussion of principles. Journal of hydrology. 1970; 10(3): 282-90. [26]. Yue S, Rasmussen P. Bivariate frequency analysis: discussion of some useful concepts in hydrological application. Hydrological Processes. 2002; 16(14):2881-98.  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61467 مدیریت منابع آب در اکوسیستم های طبیعی برآورد آبدهی در زیرحوضه‏ های بدون آمار با استفاده از تحلیل منطقه‏ ای رواناب (مطالعة موردی: حوضة آبخیز حبله‏ رود) اشرف زاده افشین استادیار، گروه مهندسی آب، دانشکدة علوم کشاورزی، دانشگاه گیلان، رشت آقاجانی محبوبه دانشجوی دکتری، گروه مهندسی آب، دانشکدة کشاورزی، دانشگاه صنعتی اصفهان، اصفهان 22 06 2017 4 2 331 343 09 01 2017 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61467.html

برآورد آبدهی با استفاده از تحلیل منطقه‏ای، روشی مؤثر برای مدیریت منابع آب در حوضه‏های بدون آمار است. در مطالعۀ حاضر، به‌منظور برآورد آبدهی سالانه در زیرحوضه‏های بدون آمار رودخانۀ حبله‏رود، از رگرسیون خطی و سه متغیر مستقل شامل مساحت، بارش و شیب استفاده شد. حوضۀ آبخیز مطالعه‌شده به پنج زیرحوضة اصلی و 44 زیرحوضۀ فرعی تقسیم شد و با استفاده از داده‏های پنج ایستگاه هیدرومتری فعال در حوضه، معادلاتی رگرسیونی برای برآورد آبدهی سالانه و آبدهی ویژه (نسبت آبدهی به مساحت حوضه) استخراج شد. ارزیابی معادلات استخراج‌شده، هم در زیرحوضه‏های اصلی و هم در زیرحوضه‏های فرعی انجام شد. نتایج نشان داد برآورد آبدهی با استفاده از سه متغیر مساحت، بارش و شیب در پنج زیرحوضة اصلی، به‌طور میانگین خطایی معادل 3/1 درصد دارد. با ‌وجود این، در 44 زیرحوضة فرعی، میانگین خطا کاملاً غیرقابل قبول بود. نتایج همچنین نشان داد میانگین خطای برآورد آبدهی ویژه در پنج زیرحوضة اصلی، برابر 6/2 درصد است. به‌رغم افزایش خطا در زیرحوضه‏های اصلی، در 44 زیرحوضة فرعی، میانگین خطای برآورد آبدهی ویژه به 33/5 درصد کاهش یافت. نتایج مطالعة حاضر بیان‌کنندۀ آن است که در صورت تقسیم‏بندی حوضة مطالعه‌شده به زیرحوضه‏های کوچک، آبدهی ویژه را می‏توان به‌عنوان متغیری مناسب در تحلیل منطقه‏ای رواناب مورد توجه قرار داد.  

 تحلیل منطقه‏ ای حوضة بدون آمار رگرسیون چندمتغیره مشخصات فیزیوگرافیک منابع [1].Sivapalan M, Takeuchi K, Franks SW, Gupta VK, Karambiri H, Lakshmi V, et al. IAHS decade on predictions in ungauged basins (PUB), 2003-2012: Shaping an exciting future for the hydrological sciences. Hydrolog Sci J. 2003; 48(6): 857-880. [2].Kim U, Kaluarachchi JJ. Application of parameter estimation and regionalization methodologies to ungauged basins of the Upper Blue Nile River Basin, Ethiopia. J Hydrol. 2008; 362: 39-56. [3].Lall U, Olds J. A parameter estimation model for ungaged streamflows. J Hydrol. 1987; 92: 245-262. [4].Servat E, Dezetter A. Rainfall-runoff modeling and water resources assessment in northwestern Ivory Coast. Tentative extension to ungauged catchments. J Hydrol. 1993; 148: 231-248. [5].Rao AR, Hsieh CH. Estimation of variables at ungaged locations by empirical orthogonal functions. J Hydrol. 1991; 123: 51-67. [6].Zhu Y, Day RL. Regression modeling of streamflow, baseflow, and runoff using geographic information systems. J Environ Manage. 2009; 90: 946-953. [7].Fernandez W, Vogel RM, Sankarasubramanian A. Regional calibration of a watershed model. Hydrolog Sci J. 2000; 45(5): 689-707. [8].Khedmati1 H, Manshouri M, Heydarizadeh M, Sedghi H. Zonation and estimation of flood discharge in unguaged sites located in south-east basins of iran using a combination of flood index and multi-variable regression methods (Sistan and Baluchistan, Kerman, Yazd and Hormozgan Provinces). Journal of Water and Soil (Agricultural Sciences and Technology). 2010; 24(3): 593-609. [Persian]. [9].Bocchiola D, Mihalcea C, Diolaiuti G, Mosconi B, Smiraglia C, Rosso R. Flow prediction in high altitude ungauged catchments: A case study in the Italian Alps (Pantano Basin, Adamello Group). Adv Water Resour. 2010; 33: 1224-1234. [10].Johnson BH, Padmanabhan G. Regression estimates of design flows for ungaged sites using bankfull geometry and flashiness. Catena. 2010; 81: 117-125. [11].Bao Z, Zhang J, Liu J, Fu G, Wang G, He R, et al. Comparison of regionalization approaches based on regression and similarity for predictions in ungauged catchments under multiple hydro-climatic conditions. J Hydrol. 2012; 466-467: 37-46. [12].Supriya P, Krishnaveni M, Subbulakshmi M. Regression analysis of annual maximum daily rainfall and stream flow for flood forecasting in Vellar River Basin. Aquatic Procedia. 2015; 4: 957-963. [13].Charron C, Ouarda TBMJ. Regional low-flow frequency analysis with a recession parameter from a non-linear reservoir model. J Hydrol. 2015; 524: 468-475. [14].Naeimi Kalourazi Z, Ghorbani Kh, Salarijazi M, Dehghani A. A. Investigation of effect of basin’s physiographic and climatic parameters in seasonal river flow simulation. Iranian Journal of Ecohydrology. 2017; 3(4): 545-555. [Persian]. [15].Cho H, Bones E. Quantification of uncertainties in the 100-year flow at an ungaged site near a gaged station and its application in Georgia. J Hydrol. 2016; 539: 640-647. [16].Farzin S, Karimi H, Doostmohammadi M, Ghanbari A, Zamiri E. The performance of Artificial Neural Network in prediction and analysis of hydrological processes (Case study: Water shortage in Nazloo-chai watershed, West Azerbaijan province). Iranian Journal of Eco Hydrology. 2017; 3(4): 631-644. [Persian]. [17].Haghizadeh A, Mohammadlou M, Noori F. Simulation of rainfall-runoff process using multilayer perceptron and adaptive neuro-fuzzy interface system and multiple regressions (Case study: Khorramabd watershed). Iranian Journal of Ecohydrology. 2015; 2(2): 233-243. [Persian]. [18].Raghunath HM. Hydrology, Principles, Analysis, Design. 2nd ed. New Delhi: New Age International; 2006. [19].Hirpa FA, Gebremichael M, Over TM. River flow fluctuation analysis: Effect of watershed area. Water Resour Res. 2010; 46: 1-10. [20].Khalili D, Yousefi A. Developing a model for the estimation of mean and maximum daily discharges using physiographic parameters for Atrak Watershed. J Sci Technol Agr Nat Resour (JWSS). 1998; 2(3): 1-11. [Persian]. [21].Malekinejad H, Pourmohammadi S. Investigating the peak flood estimation methods in a regional analysis approach for low-data catchments. Water Soil Sci. 2011; 21(1): 115-125. [Persian]._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61468 اکوهیدرولوژی مدل‌سازی سری‏ های زمانی شاخص سطح برگ MODIS با استفاده از رویکرد استوکستیکی مدلسازی سری‌های زمانی شاخص سطح برگ MODIS با استفاده از رویکرد استوکستیکی پرویز لاله استادیار، دانشکدۀ کشاورزی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران 22 06 2017 4 2 345 355 30 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61468.html

شاخص سطح برگ یکی از پارامترهای مؤثر برای توصیف شار انرژی، تبادلات سطح زمین‌ـ اتمسفر، ساختمان پوشش گیاهی و... است. در این تحقیق با استفاده از مدل‌سازی بر پایۀ روش باکس‌ـ جنکینز سری‏های زمانی شاخص سطح برگ یونجه، گندم، سیب و سیب‏زمینی بررسی شد و با نتایج روابط ریاضی بین شاخص سطح برگ و شاخص NDVI مقایسه شدند. روند سری‏های زمانی به‌دست‌آمده از سنجندۀ MODIS ‌طی دورۀ زمانی 2012‌ـ 2015 با دورۀ تناوب 46 توسط آزمون من‌ـ کندال فصلی منفی بود. نتایج شبیه‏سازی توسط مدل ARIMA(p,0,q)×(P,1,Q)46 با مرتبه‏های تأییدشده در سری‏های زمانی مختلف بیان‌کنندۀ کاهش خطا و افزایش ضریب همبستگی و NASH بود. به‌طور نمونه ضریب همبستگی سری‏های زمانی گندم، یونجه، سیب و سیب‏زمینی به‏ترتیب 9/0، 94/0، 93/0 و 89/0 بود. مقایسۀ کلی بین آماره‏های بررسی‌شده بیان‌کنندۀ عملکرد بهتر ARIMA فصلی به‌خصوص دربارۀ سری‏های زمانی یونجه و سیب با مقادیر زیاد شاخص سطح برگ است. رویکرد استوکستیکی در برابر سایر روابط ریاضی خطای کمتری داشت. با توجه به کارایی زیاد مدل ARIMA فصلی، تهیۀ سری‏های زمانی شاخص سطح برگ با دقت زیاد اهمیت چشمگیری دارد.        

 شاخص سطح برگ مدل‌سازی من‌ـ کندال فصلی ARIMA فصلی منابع [1].        Zarate-Valdez JL, Whiting ML, Lampinen BD, Metcalf S, Ustin SL, Brown PH. Prediction of leaf area index in almonds by vegetation indexes. Comput Electron Agric. 2012; 85:24–32. [2].        Shen L, Li Z, Guo X. Remote Sensing of Leaf Area Index (LAI) and a Spatiotemporally Parameterized Model for Mixed Grasslands. Int J App Sci Technol. 2014; 4(1):46-61. [3].        Fang s, Le Y, Liang Q, Liu X. Leaf Area Index Estimation Using Time-Series MODIS Data in Different Types of Vegetation. J Indian Soc Remote Sens. 2014; 42(4):733–743. [4].        Jonckheere I, Fleck S, Nackaerts K, Muys B, Coppin P, Weiss M, Baret F. Review of methods for in situ leaf area index determination Part I. Theories, sensors and hemispherical photography. Agr Forest Meteorol. 2004; 121:19–35. [5].        Jiang B, Liang S, Wang J, Xiao Z. Modeling MODIS LAI time series using three statistical methods. Remote Sens Environ. 2010; 114(7):1432-1444. [6].        Xiao Z, Liang S,  WangJ, Jiang B, LiX. Real-time retrieval of Leaf Area Index from MODIS time series data. Remote Sens Environ. 2011; 115(1):97-106. [7].         Fernandez-manso A, Fernández-Manso O. Forecast of NDVI in coniferous areas using temporal ARIMA analysis and climatic data at a regional scale.Int J Remote Sens . 2011; 32(6):1595-1617. [8].        Movahedian M, Hosseini SE, Ghorbanzadeh M. Estimation of Leaf Area Index using neural network. 3rd International Conference on Information and Knowledge Technology, Ferdowsi University of Mashhad. 2007. [9].        Parviz L. Investigation and modification land surface hydrological model for stream flow forecasting (in short term scale). MSc. Thesis in Water Resource Management, Tehran University. 2011. [10].    Trombettaa A, Iacobellis V, Tarantinob E, Gentile F. Calibration of the AquaCrop model for winter wheat using MODIS LAI images. Agric Water Manage. 2016; 164(2):304-316. [11].    Karamouz M, Araghinejad S, Advanced hydrology. 2nd ed. Amirkabir University of Technology. 2006. P. 464. [12].    Malmir M. Low streamflow time series forecasting. MSc. Thesis in Water Resource Management, Tehran University. 2006. [13].    Bahmani R, Radmanesh F, Eslamian SS, Parham G. Reservoir evaporation trend analysis and its prediction using time series. J Irrigation SciEngin. 2014; 36(2):67-80. [14].    Bakhshandeh E, Soltani A, Ghadiryan R. Leaf area measurement by AccuPAR instrument in wheat. J Plant Prod. 2010; 18(4):97-101. [15].    Su F, Hong Y, Lettenmaier DP. Evaluation of TRMMMultisatellite Precipitation Analysis (TMPA) and Its Utility in Hydrologic Prediction in the La Plata Basin. J Hydrometeorol. 2007; 9:622- 640. [16].    Yang G, Bowling LC, CherkauerK.A, Pijanowski BC, Niyogi D. Hydroclimatic response of watersheds to urban intensity: An observational and modeling-based analysis for the White River Basin, Indiana. J Hydrometeorol. 2009; 11:122-138. [17].    Xu X, Du H, Zhou G, Li P. Method for improvement of MODIS leaf area index products based on pixel-to-pixel correlations. European J Remote Sens. 2016; 49:57-72._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61473 پژوهشی شبیه‌سازی رواناب ناشی از ذوب برف تحت سناریوهای تغییر اقلیم در حوضة ارمند شبیه سازی رواناب ناشی از ذوب برف تحت سناریوهای تغییر اقلیم در حوضه ارمند تیرگرفاخری فاطمه دانشجوی دکتری آب و هواشناسی، دانشکدة جغرافیا، دانشگاه خوارزمی علیجانی بهلول استاد، دانشکدة جغرافیا، دانشگاه خوارزمی ضیاییان فیروز آبادی پرویز دانشیار، دانشکدة جغرافیا، دانشگاه خوارزمی اکبری مهری استادیار، دانشکدة جغرافیا، دانشگاه خوارزمی 22 06 2017 4 2 357 368 14 01 2017 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61473.html

تغییر اقلیم مسئلة زیست‌محیطی بزرگی است زیرا فرایندهای ذوب یخچال‏ها و تراکم‏های برف به تغییر اقلیم حساس‌اند. هدف این پژوهش، پیش‌بینی تغییرات آتی در پارامترهای اقلیمی، تخمین تغییرات در سطح پوشش برف، و رواناب ذوب برف تحت سناریو‏های تغییر اقلیم در حوضة ارمند است. به‌منظور بررسی تأثیرات اقلیم بر بارش و دما در حوضة ارمند از سه مدل (NorESM1-M، IPSL-CM5A-LR و CSIRO-MK3.6.0) استفاده شد که تحت سناریو‏های RCP8.5, RCP4.5, RCP2.6اجرا شدند. دما و بارش در چهار دورة آتی (2021-2030، 2031- 2040، 2041-2050 و 2051-2060) تحت هر سه سناریو محاسبه شدند. همچنین برای تعیین سطح پوشش برف در حوضه از تصاویر روزانة پوشش برف MODIS (Mod10A1) استفاده شده است. ارتباط بین مساحت پوشش برف با دما و بارش مشاهده‌شده بررسی ‌و برای پیش‏بینی سطح پوشش برف در آینده استفاده شده است. نتایج نشان داد هر سه سناریوی RCP، افزایش دما و کاهش بارش و پوشش برف را پیش‏بینی می‏کنند. بررسی رواناب ذوب برف در دورة مشاهداتی (نوامبر 2000- می 2006) نشان داد حدود 7/47 درصد از رواناب سالانه در حوضه به ذوب برف مربوط است. بیشترین رواناب ذوب برف در طول فصل زمستان ایجاد شده است. سهم ذوب برف از مجموع آب تولید‌شده در طول پاییز و بهار به‌ترتیب 9/34 و 8/52 درصد است که انتظار می‏رود همراه با ذوب برف، رواناب در آینده حدود 12/0 متر مکعب بر ثانیه در هر سال کاهش یابد.    

 ‌ تغییر اقلیم حوضة ارمند ذوب برف مدل SRM مدل‌های ریز‌مقیاس ‏نمایی [1]. Carter JG, Gavan G, Connelly A, Guy S, Handley J, Kazmierczak A. Climate change and the city: Building capacity for urban adaptation. Progress in Planning. 2015; 95: 1–66. [2].IPCC. Climate change. The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Stocker TF, Qin D, Plattner GK, Tignor M, Allen SK, Boschung J, Nauels A, Xia Y, Bex V, Midgley PM. (Eds.). Cambridge University Press. Cambridge. 2013. [3]. Campbell JL, Driscoll CT, Pourmokhtarian A, Hayhoe K. Streamflow responses to past and projected future changes in climate at the Hubbard Brook Experimental Forest, New Hampshire, United States. Water Resour. Res. 2011; 47, W02514. http://dx.doi.org/10.1029/2010WR009438. [4].Delghandi M, Moazenzadeh R, Investigating spatiotemporal variations of precipitation and temperature over Iran under climate change condition considering AOGCM models and emission scenarios uncertainty. Ecohydrology. 2017; 3(3): 321-331. [Persian] [5]. Brown RD, Mote PW. The response of Northern Hemisphere snow cover to a changing climate. J. Clim. 2009; 22: 2124–2145. [6]. Gleick PH. Regional hydrologic consequences of increases in atmospheric CO2 and other trace gases. Climatic Change. 1987; 10: 137–160. [7]. Lettenmaier DP, Gan TY. Hydrologic sensitivities of the Sacramento-San Joaquin River Basin, California, to global warming. Water Resources Research. 1990; 26: 69–86. [8]. Huss M, Farinotti D, Bauder A, Funk M. Modelling runoff from highly glacierized alpine drainage basins in a changing climate. Hydrol. Process. 2008; 22(19): 3888–3902. [9]. Anderson B, Lawson W, Owens I. Response of Franz Josef Glacier Ka Roimata o Hine Hukatere to climate change. Global and Planetary Change. 2008; 63 (2–3): 23–30. [10]. Kutuzov S, Shahgedanova M. Glacier retreat and climatic variability in the eastern Terskey-Alatoo, inner Tien Shan between the middle of the 19th century and beginning of the 21st century. Global and Planetary Change. 2009; 69: 59–70. [11]. Bolch T. Climate change and glacier retreat in northern Tien Shan (Kazakhstan/ Kyrgyzstan) using remote sensing data. Global Planet. Change. 2007; 56: 1–12 [12]. Narama C, Shimamura Y, Nakayama D, Abdrakhmatov K. Recent changes of glacier coverage in the western Terskey-Alatoo range, Kyrgyz Republic, using Corona and Landsat. Ann. Glaciol. 2006; 43: 223–229. [13]. Hagg W, Mayer C, Lambrecht A, Kriegel D, Azizov E. Glacier changes in the Big Naryn basin, Central Tian Shan. Global Planet. Change. 2013; 110: 40–50. [14]. Zhang Y, Luo Y, Lin S. Quantifying future changes in glacier melt and river runoff in the headwaters of the Urumqi River, China. Environ Earth Sci. 2016; 75(770), DOI 10.1007/s12665-016-5563-z. [15]. Akhtar M, Ahmad N, Booij MJ. The impact of climate change on the water resources of Hindukush Karakorum Himalaya region under different glacier coverage scenarios. J. Hydrol. 2008; 355 (1–4): 148–163. [16]. Gan R, Luo Y, Zuo Q, Sun L. Effects of projected climate change on the glacier and runoff generation in the Naryn River Basin, Central Asia. Journal of Hydrology. 2015; 523: 240–251. [17]. Massah AR, Morid S. Effects of climate change on Zayandeh Rud river flows. Journal of Science and Technology of Agriculture and Natural Resources. 2005; 4: 17- 27. [Persian] [18]. Alizadeh A, Sayari N, Hesami Kermani MR, Bannayan Aval M, Farid Hossaini A. Assessment of Climate Change Potential Impacts on Agricultural Water Use and Water Resources of Kashaf rood basin. Journal of Water and Soil. 2010; 24 (4): 815- 835. [Persian] [19]. Martinec J. Snowmelt-Runoff Model for stream flow forecasts, Nordic Hydrology. 1975; 6 (3):145–154. [20]. Tahir AA, Chevallier P, Arnaud Y, Neppel L, Ahmad B. Modeling snowmelt-runoff under climate scenarios in the Hunza River basin, Karakoram Range, Northern Pakistan. Journal of Hydrology. 2011; 409: 104– 117. [21]. WMO. Intercomparison of Models of Snowmelt Runoff. Operational Hydrology Report 23. World Meteorological Organization, Geneva, Switzerland. 1986. [22]. Immerzeel WW, Droogers P, de Jong SM, Bierkens M. FP. Large-scale monitoring of snow cover and runoff simulation in Himalayan river basins using remote sensing, Remote Sensing of Environment. 2009; 113: 40–49, DOI:10.1016/j.rse.2008.08.010. [23]. Taylor KE, Stouffer R.J, Meehl GA. an overview of CMIP5 and the experiment design, Bull. Am. Meteoral. Soc.2012: 93(4): 485-498, doi: 10.1175/BAMS- D-11-00094.1. [24]. Marengo JA, Chou SC, Torres RR, Giarolla A, Alves LM, Lyra A. Climate change in central and South America: Recent trends, future projections, and impacts on regional agriculture. 2014.Working Paper No 73. [25]. Van Vuuren DP, Edmonds J, Kainuma M, Riahi K, Thomson A, Hibbard K, et al. The representative concentration pathways: An overview. Climatic Change. 2011; 109: 5- 31. [26]. Khadka D, S. Babel M, Shrestha S, Nitin K. Tripathi. Climate change impact on glacier and snow melt and runoff in Tamakoshi basin in the Hindu Kush Himalayan (HKH) region. Journal of Hydrology. 2014; 511: 49– 60. [27]. Dashtbozorgi A, Alijani B, jafarpuor Z, shakiba AR. Simulating extreme temperature indices based on RCPs scenarios: the case of Khuzestan province. Journal of Geography and Environmental Hazards. 2016; 4(16): 105- 123. [Persian]_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61474 مدیریت منابع آب در اکوسیستم های طبیعی اثر کنتور فارو و پیتینگ در افزایش پوشش گیاهی مراتع (مطالعۀ موردی: منطقۀ بلبل استان یزد) تاثر کنتور فارو و پیتینگ در افزایش پوشش گیاهی مراتع (مطالعه موردی: منطقه بلبل استان یزد) جعفریان زینب دانشیار دانشگاه علوم کشاورزی و منابع طبیعی ساری میرجلیلی علی بمان مربی مرکز تحقیقات آموزش و تحقیقات کشاورزی و منابع طبیعی یزد 22 06 2017 4 2 369 377 24 12 2016 04 04 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61474.html

یکی از سازه‏های مهم برای بهره‏برداری بهینه از آب و خاک در مناطق خشک و نیمه‏خشک سازۀ ذخیرۀ نزولات آسمانی است. اجرای پروژه‏های ذخیرۀ نزولات آسمانی مانند ایجاد کنتور فارو و پیتینگ در عرصه‏هایی که پوشش گیاهی مراتع به حدی کاهش یافته است که هیچ‌گونه تأثیری در جلوگیری از رواناب سطحی ندارد؛ ولی پایه‏های گیاهی مناسب و خوش‌خوراک در عرصه وجود دارد و یا کوبیدگی سطح خاک بر اثر تردد بیش از حد دام موجب نفوذناپذیری آب به درون خاک شده است، برای مهار رواناب و سیلاب‏های حاصل از نزولات آسمانی با هدف ذخیره‏سازی آب باران و افزایش پوشش گیاهی، انجام می‏شود. این تحقیق در مراتع بلبل استان یزد با میزان بارندگی حدود 130 میلی‌متر در سطحی معادل دو هکتار در سال 1383 اجرا شد. پس از اجرای طرح و ایجاد سازه‏های مکانیکی کنتور فارو و پیتینگ، در سال هفتم (1391) میزان درصد پوشش گیاهی و تراکم گونه‏های مطالعه‌شده در چهار سایت منطقۀ اجرای طرح و منطقۀ شاهد اندازه‏گیری شد. اندازه‏گیری‏ها در مناطق بررسی‌شده طی 12 ترانسکت و 120 پلات انجام شد. نتایج میزان درصد پوشش‏گیاهی و تراکم در تیمارهای کنتور فارو و پیتینگ و شاهد اختلاف معنا‏داری را در سطح 1 درصد نشان دادند. میزان درصد پوشش گیاهی در سازۀ مکانیکی کنتور فارو و پیتینگ نسبت به شاهد به‌ترتیب 4/2 و 1/3 برابر و همچنین میزان تراکم پوشش گیاهی در آنها به‏ترتیب 5/1 و 2/2 برابر افزایش داشته است. بنابراین، در منطقۀ مطالعه‌شده عملکرد سازۀ پیتینگ نسبت به کنتور فارو در افزایش پوشش گیاهی بیشتر بود.              

 پوشش گیاهی تراکم گونه‏ های گیاهی ذخیرۀ نزولات آسمانی رواناب مراتع بلبل یزد [1]. Moghadam M. Rangeland and Range management. Tehran university press. 1996; 470 p. (In Persian). [2]. Refahi H. Water erosion and its control. Tehran university press. 2008; 672 p. (In Persian). [3]. Kardovani O. Rangelands, Problems and solutions. Tehran university press. 1991; 554 p. (In Persian). [4]. Babakhanloo M. Rangeland Improvement from precipitation reservation. Rangeland technical office, Forests and Rangelands organization press. 1985. (In Persian). [5]. Mesdaghi M. Range management in Iran. Razavi Ghods Astan press. 1994; 259 p. (In Persian). [6]. Hansclka, CW, Livingston SD, Bade D. Renovation practices to improve rainfall effectiveness on range land and pastures. Texas Agricultural Extension Service Leaflet L-5029. 1994. [7]. Rauzi F. Pitting and inter seeding native short grass Rangeland. Published Laramie, Wyo. Agricultural Experiment Station, University of Wyoming. 1968; 170 p. [8]. Houston, W. R., and Adams, R. E. Inter seeding for range improvement in the northern Great Plains. J. Range Manage.1971. 24:457-461. [9]. Herbert G, Hsser M, Mackey H, Jamest N. Contour furrowing and seeding on Nuttal Saltbush Rangeland of Wyoming, Journal of range management, 1974; 27(6): 459-462. [10]. Rosswight J, Larry white M. Inter seeding and pitting on a sandy Range site in eastern Montana. Journal of range management. 1974; 27(3): 206-210. [11]. Hessary IK, Gifford GF. Impact of various range improvement practices on watershed protective cover and Annual production within the Colorado River Basin, Journal of range management. 1979; 32 (2): 134-140. [12]. Rosswight J, Neff EL, Soiseth RJ. Vegetation Response to Contour furrowing, Journal of range management. 1978; 31(2): 97-101. [13]. Neff EL, Wite F. Water storage capacity of Contour furrows in Montana. J. range management. 1983; 26(4): 298-301. [14]. Kamp M, Garl M, Hild AL. Drought and grazing: 1. Effects on quantity of forage produced. J. Range Manage. 1990; 52: 440-446. [15]. Bainbridge D, MacAller R, Fidelibus M. A beginner’s guide to desert restoration. San Diego State University. 1995; 34 p. [16]. Baniasadi M. comparison effect of precipitation and runoff reservation on vegetation. Research project of Soil conversation and watershed institute. 1998. (In Persian). [17]. Busscher WJ, Bauer PJ. Soil strength, cotton root growth and lint yield in a Southeastern USA coastal loamy sand. Soil and Tillage, 2003; 74:151-159. [18]. Oweis T, Hashem A. Water Harvesting and supplemental Irrigation for improved water productivity of dry farming system in west Asia and North Africa.2004. Proceeding of the 4th international crop science congress, Brisbane, Australia also published on web site: www.cropscience.org.au. [19]. Rich Terrell D. Effects of contour furrowing on soils vegetation and grass land breeding birds in north's Dakota, USDA Forest Service Gen. Tech. Rep. PSW-GTR-191. 2005; 496-503. [20]. Li XY, Zhao WW, Song YX, Wang W, Zhang XY. Rainfall harvesting on slopes using contour furrows with plastic covered transverse ridges for growing Caragoa korshinshir in the semi-arid region of China. Agricultural Water Management. 2008; 95: 539-546. [21]. Habibzadeh A, Goodarzi M, Mehrvarz K, Javanshir A. Effects of pitting, Ripering and counter furrow on humidity reservation of soil and increasing of vegetation. Journal of natural resources. 2007; 60: 397-410. (In Persian). [22]. Jahantigh M. Determination of efficiency the most popular precipitation reservation systems in Iranshahr. Research project of Soil conversation and watershed institute. 2009. (In Persian). [23]. Azarnivand H, Zarechahooki MA. Rangeland Improvement. Tehran university press. 2008; 335 p. (In Persian) [24] Ahmadi H, Madadizadeh N, Shahrokhi S, Miri A. Management of surface runoff by constructing a crescent pond in desert areas. Case Study: Southern Kerman province. Proceedings of the Second Conference of desert combat desertification and sustainable development of wetlands. Arak. 2011.680 p. (In Persian). [25]. Chamani A, Tavan M, Hoseini SA. Effect of Three Operation Systems of Contour Furrow, Pitting and Enclosure on Rangeland Improvement (Case Study: Golestan Province, Iran). Journal of rangeland science, 2011; 2(1): 379-387. [26]. Ackermann K, Schoning A, Wegner M. and Wetzer A. “Good practices in soil and water conservation: A contribution to adaptation and farmers’ resilience towards climate change in the Sahel” Deutsche Gesellschaft fur Internale Zusammenarbeit (GIZ). 2012. [27]. Bahmadi M.H, Shahryari A.R. Effects of different rainfall storage methods on vegetation restoration (Case study: Romeh and Dehnowatershed, Nehbandan city). Iranian Journal of Range and Desert Research, 2016. 23 (1): 51-57. (In Persian). [28]. Water and meteorologist organization, Yazd Report of Annual water and climate Yazd province, Ashkezar. 2014. (In Persian). [29]. Bihamta M. and Zare Chahoki M. Principles of statistics for the natural resources science. Tehran university press. 2008; 300 p. (In Persian)_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61475 مدیریت منابع آب در اکوسیستم های طبیعی ارزیابی تغییرات زمانی و مکانی شاخص سلامت هیدرولوژیک رودخانه در حوزه‌های آبخیز استان اردبیل ارزیابی تغییرات زمانی و مکانی شاخص سلامت هیدرولوژیک رودخانه در حوزه‌های آبخیز استان اردبیل خروشی سعید دانشجوی کارشناسی‏ ارشد آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی مصطفی‌زاده رئوف استادیار گروه مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی اسمعلی عوری اباذر دانشیار گروه مرتع و آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی رئوف مجید دانشیار گروه مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی 22 06 2017 4 2 379 393 31 10 2016 18 02 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61475.html

ارزیابی سلامت رودخانه می‏تواند به‏عنوان ابزاری در برآورد جریان زیست‏محیطی و کمی‏‌کردن مقدار، زمان‏بندی و کیفیت جریان آب مورد نیاز در تداوم حیات اکوسیستم‏های رودخانه‏ای استفاده شود. هدف از مطالعۀ حاضر، تعیین روند تغییرات زمانی و مکانی سلامت رودخانه‏های استان اردبیل با تأکید بر شاخص‏های هیدرولوژیک جریان با استفاده از آزمون‏‏های آماری است. بدین‌منظور از داده‏های دبی روزانۀ ایستگاه‏های هیدرومتری طی دورۀ آماری 1367‌ـ 1390 برای تجزیه و تحلیل سلامت رودخانه و از آزمون ناپارامتریک من‌ـ کندال و روش تخمینگر سن به‌منظور تعیین وجود داشتن یا نداشتن روند مثبت و منفی در سطوح مختلف آماری استفاده شد. همچنین پس از تقسیم‏بندی دورۀ آماری موجود به چهار دورۀ پنج‌ساله، از آزمون کروسکال والیس برای بررسی تغییرات زمانی و وجود تفاوت در دوره‌‏های کوتاه‏مدت استفاده شد. نتایج پژوهش روند کاهشی معنا‏دار سلامت رودخانه در ایستگاه‏های مطالعه‌شده (13 ایستگاه از 24 ایستگاه) را نشان داد. ایستگاه‏های سولا و فیروزآباد روند افزایشی معنا‏داری داشتند و در ایستگاه‏های باقی‏مانده روندی معنا‏دار تشخیص داده نشد. با توجه به نتایج به‌دست‌آمده از نقشه‏های تغییرات مکانی سلامت رودخانه، بیشترین تغییر وضعیت شاخص سلامت رودخانه در بخش مرکزی و کمترین تغییرات و کاهش شاخص یادشده در قسمت‏های شمالی و جنوبی استان مشاهده شد. در مجموع، می‏توان گفت که میزان تغییرات و کاهش درجۀ سلامت هیدرولوژیک جریان در دوره‏های اخیر بسیار بیشتر از گذشته بوده است که می‏تواند با افزایش شدت بهره‏برداری از منابع آب سطحی و کاهش آبدهی بر اثر تغییرات اقلیمی مرتبط باشد.  

 آب‏ های سطحی آزمون من‌ـ کندال تغییرات دبی رژیم جریان شاخص هیدرولوژیک منابع [1]. Pinto, Uthpala. Maheshwari, Basant-L, Sherestha, Surendra, and Morris, Charles, 2012, Understanding the meaning of river health for a community: perspectives from the peri-urban region of the Hawkesbury-Nepean catchment, Australia. Water Policy. Vol 14, pp766-783. [2]. Khorooshi, Saeid. Mostafazadeh, Raoof, Esmali-Ouri, Abazar, and Raoof, Majid, 2016, River health, importance and application. Extension and Development of Watershed Management. Vol 4(13), pp35-40. [Persian]. [3]. Xiaoyan, Liu. Yuanfeng, Zhang, and Jianzhong, Zhang, 2006, Healthy Yellow River’s essence and indicators. J Geographical Sciences. Vol 16(3), pp259-270. [4]. Karr, James-R. and Chu, Ellen-W, 2000, Sustaining living rivers. Hydrobiologia.Vol 422/423, pp1-14. [5]. Meyer, Judy-L, 1997, Stream health: incorporating the human dimension to advance stream ecology. The North American Benthological Society. Vol 16, pp439-447. [6]. Asiabi-Hir, Roghaye. Mostafazadeh, Raoof, Raoof, Majid, and Esmali-Ouri, Abazar, 2016, Water poverty index and its importance in water resources management. Extension and Development of Watershed Management. Vol 3(11), pp17-22. [Persian]. [7]. Guo, Wenxian. Xia, Ziqian, and Wang Hongxiang, 2008, Connotation and evaluation indicators system of river health. Proceedings of 16th IAHR-APD Congress and 3rd Symposium of IAHR-ISH. pp423-428. [8]. Maroofi, Safar. and Tabari, Hosein, 2011, Detecting the trends in discharge of the Maroon river by using parametric and nonparametric methods. Geographical Research. Vol 2, pp125-146. [Persian]. [9]. Hojam, Sohrab. Khoshkhoo, Yunes, and Shamodin-Vandi, Reza, 2008, The trend analysis of seasonal and annual rainfall in some selected station in the central of Iran using non-parametric methods. Physical Geography Reserch Quarterly. Vol 64, pp157-168. [Persian]. [10]. Shokri, Sanaz. Hushmand, Abdolrahim, and Moazedi, Hadi, 2014, Detecting the trend river flow variation of GorGor River using parametric and non-parametric methods.1st National Conference Water, Human, Earth Isfahan. pp1-8. [Persian]. [11]. Mousavian, Maryam. Haghi-Zadeh, Ali, Dehdari, Somayeh, and Hazbavi, zeynab, 2014, Affective environmental factors on temporal variations of water quality properties in Zard River in Khuzestan Province. Iranian Journal of Ecohydrology. Vol 1(1), pp59-68. [Persian]. [12]. Zare-Bidaki, Rafat. Mahdianfard, Maryam, Honarbakhsh, Afshin, and Zeinivand, Hossein, 2015, Base flow estimation in Tireh Dorood River in order to environmental flow assessmen. Iranian Journal of Ecohydrology. Vol 2(3), pp275-287. [Persian]. [13]. Khorshiddoust, Ali-Mohammad. Rezaei-Banafsheh, Majid, Mirhashemi, Hamid, and Kakolvand, Yusef, 2015, Studying the trend of changes in precipitation – discharge the Karkhe River sub-basin by usinge non-parametric methods, case study: Kashkan basin. Journal of Irrigation Science and Engineering. Vol 4, pp177-188. [Persian].  [14]. Saeb, Keivan. Taghavi, Lobat, and Kazemian, Hosein, 2016, Monitoring and assessment of water health quality in the Haraz River, Iran using macroinvertebrates indices. Iranian Journal of Ecohydrology.Vol 3(1), pp45-53.[Persian]. [15]. Rahimi, Leila. Dehghani, Amir-Ahmad, Ghorbani, Khalil, and Abdolhosseini, Mohammad, 2014, Investigation of total and base flow trend in Arazkuseh hydrometric station (Gorganrood Watershed in Golestan Province). Journal of Water and Soil Consrevation. Vol 2, pp173-189. [Persian]. [16]. Aziz-Abadi-Farahani, Maryam. and Shirshahi, Fahime, 2013, Study of temporal and spatial maximum discharge changes in the Karkhe basin. 1st Conference on Sustainable Agriculture and Natural Resources. pp1-8. [17]. Kumar, Sanjiv. Merwad, Venkatesh, Kam, Jonghun, and Thurner, Kensey, 2009, Stream flow trends in Indiana: Effects of long term persistence, precipitation and subsurface drains. Journal of Hydrology. Vol 374:(1-2), pp171-183. [18]. Taylor, Debra-L. Bolgrien, David-W, Angradi, Ted-R, Pearson, Mark-S, and Hill, Brian-H, 2013, Habitat and hydrology condition indices for the upper Mississippi, Missouri and Ohio rivers. Ecological Indicators. Vol 29, pp111–124. [19]. Pinto, Uthpala. and Maheshwari Basant, 2014, A framework for assessing river haelth in peri-urban lanscapes. Ecohydrology & Hydrobiology. Vol 14, pp121-131. [20]. Wozniki, Sean-A. Nejadhashemi, Pouyan-A, Ross, Dennis-M, Zhang, Zhen, Wang, Lizhu, and Esfahani Abdol-Hossein, 2015, Ecohydrological model parameter selection for stream health evaluation. Science of the Total Environment. Vol 511, pp 341–353. [21]. Sanchez, Georgina-M. Nejadhashemi, Pouyan-A, Zhang, Zhen, Marquat-Pyatt, Sandra, Habron, Geoffrey, and Shortridge, Ashton, 2015, Linking watershed-scale stream health and socioeconomic indicators with spatial clustering and structural equation modeling. Environmental Modelling & Software. Vol 70, pp113-127.  [22]. Gonzales-Inca, Carlos-A. Lepistö, Ahti, and Huttula, Timo, 2016, Trend detection in water-quality and load time-series from agricultural catchments of Yläneenjoki and Pyhäjoki, SW Finland. Boreal Environment Research. Vol. 21, pp166-180. [23]. Gippel, Christopher-J. Marsh, Nick, and Grice Tory, 2012, Flow Health - Software to assess the deviation of river flows from reference and to design a monthly environmental flow regime. Technical Manual and User Guide, Version 2.0. ACEDP Australia-China Environment Development Partnership, River Health and Environmental Flow in China. International Water Centre, Brisbane, Fluvial Systems Pty Ltd, Stockton, and Yorb Pty Ltd, Brisbane, September. pp1-44. [24]. Addor, Nans. Nikolova, Silvia, and Seibert, Jan, 2016, Simulated discharge trends indicate robustness of hydrological models in a changing. Geophysical Research Abstracts. 18:EGU2016-10421-1, EGU2016. [25]. Loliyana, Viraj-D. and Patel Premlal, 2015, Trend analysis of climat variables and their impact on stream flow using Nam model. E-proceeding of the 36th. IAHR World Congress, 28June-3July, the Hague, the Netherlands, pp1-10. [26]. Lanzent, John-R. 1996, Resistant, robust and nonparametric techniques for the analysis of climate data: theory and examoels incloding applications to historical radiosond station data. International Journal of climatology. Vol 16, pp1197-1226. [27]. Lettenmaier, Dennis-P. Wood, Eric-F, and Wallis, James-R, 1994, Hydro-climatological trends in the continental United States 1948–88. Journal of Climate. Vol 7, pp586–607. [28]. Salmi, Timo. Maatta, Anu, Antilla, Pia, Ruoho-Airola, Tuija, and Amnell, Toni, 2002, Detecting trends of annual values of atmospheric pollutants by the Mann-Kendall test and Sen’s slope estimates –the Excel template application MAKESENS. Published by Finnish Meteorological Institute Publications on Air Quality No. 31 Vuorikatu 24, P.O. Box 503 Report code FMI-AQ-31 FIN-00101. pp1-35. [29]. Gilbert, Richard-O, 1987, Statistical methods for environmental pollution monitoring. 1st ed. New York: Van Nostrand Reinhold, pp201-239. [30]. Kazemzade, Majid. Malekiyan, Arash, Rasulzade, Ali, 2013, River flow trend analysis based on the parametric and nonparametric approaches in Ardebil province. Journal of Earth Science Researches. Vol 4,ppt51-63._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61476 مدیریت منابع آب در اکوسیستم های طبیعی اثر عوامل هیدروژئومورفولوژی بر تغییرات کیفیت آب رودخانۀ سیمینه‌رود در ایستگاه‌های مختلف مطالعاتی طی سال‌های 1382-1392 رضائی مقدم محمد حسین استاد گروه ژئومورفولوژی، دانشکدۀ جغرافیا و برنامه‌ریزی، دانشگاه تبریز نیکجو محمد رضا دانشیار گروه ژئومورفولوژی، دانشکدۀ جغرافیا و برنامه‌ریزی، دانشگاه تبریز حجازی میر اسدالله استادیار گروه ژئومورفولوژی، دانشکدۀ جغرافیا و برنامه‌ریزی، دانشگاه تبریز خضری سعید دانشیار گروه ژئومورفولوژی، دانشگاه کردستان کاظمی آفاق دانشجوی دکتری گروه ژئومورفولوژی، دانشکدۀ جغرافیا و برنامه‌ریزی، دانشگاه تبریز 22 06 2017 4 2 395 405 21 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61476.html

در این مطالعه آثار فاکتورهای هیدروژئومورفولوژی ‏روی تغییر کیفیت آب رودخانۀ سیمینه‌رود و روند این تغییرات در بازه‏های مختلف زمانی و مکانی بررسی شده ‏است. آمار مربوط‏ به متغیرهای فیزیکی، شیمیایی و هیدرولوژیک طی سال‏های 1382 تا 1392، از سازمان آب منطقه‏ای استان آذربایجان ‏غربی دریافت شد. از ‏طریق نرم‏افزار GIS نقشه‏ها‏ی مربوط استخراج شد. سپس روند تغییرات کیفیت آب در فصول مختلف در هر ایستگاه به‏طور مجزا بررسی شد و چگونگی ارتباط بین متغیرها و سطح معناداری آنها از‏ طریق آزمون همبستگی پیرسون با‏ استفاده ‏از نرم‏افزار SPSS به‏دست ‏آمد. در‏نهایت، به‏منظور ارزیابی تیپ و کیفیت شیمیایی آب رودخانه برای مصارف شرب و کشاورزی نمودارهای شولر و ویلکوکس از‏ طریق نرم‏افزار Chemistry برای هر ایستگاه و در هر فصل ترسیم‏ شد. کیفیت آب ایستگاه کاولان در فصل بهار با مقادیر کل جامدات محلول (9/174)، هدایت الکتریکی (1/269) و غلظت سولفات و کلر (7/0) به‏عنوان مطلوب‏ترین و ایستگاه میاندوآب در فصل تابستان با مقادیر کل جامدات محلول (3/359)، هدایت الکتریکی (3/529) و غلظت سولفات و کلر (7/3) بحرانی‏ترین بازۀ زمانی و مکانی معرفی می‏شوند. در همۀ ایستگاه‏های مطالعاتی، کاهش کیفیت آب رودخانه به‏صورت افزایش در TDS، EC و غلظت یون‏های سولفات و کلر با متغیر دبی رابطۀ مستقیم معنادار دارد. در حوضۀ آبریز سیمینه‏رود ویژگی‏های فیزیکی حوضه و همچنین فاکتورهای هیدروژئومورفولوژی در وجود داشتن یا نداشتن منابع آلاینده و تغییرات فصلی و مکانی کیفیت آب تأثیر دارند. طبق طبقه‏بندی شولر در همۀ فصول آب رودخانۀ سیمینه‏رود به‏لحاظ شرب در طبقۀ آب‏های خوب و کاملاً بی‏مزه قرار می‏گیرد. در دیاگرام ویلکوکس نیز همۀ ایستگاه‏ها در همۀ فصول در کلاس C2S1 قرار گرفته‏اند و ردۀ کیفیتی کمی شور و برای کشاورزی تقریباً مناسب دارند.    

 حوضۀ آبریز رودخانۀ سیمینه‌رود کیفیت آب نمودار شولر نمودار ویلکوکس مناسب دارند. منابع 1] Alizade A. Principles Applied Hydrology. 23nd ed. Publishers Astan Qods Razavi: Beh Nashr Company; 2009. [Persian] 2] Diersing N. Water Quality: Frequently Asked Questions. Florida Brooks National Marine Sanctuary, Key West, FL; 2009. 3] David M. N. Practical handbook of environmental site characterization and ground water monitoring, 2nd ed. USA: Taylor and Francis group; CRC Press. 2006. 4] Rajaee Gh, Mehdinejad M.H, Hesari Motlagh S. Evaluation the quality of drinking water of Birjand plain and Ghaen in 2009- 2010. Journal of Health System Research. 2011; 7 (6): 737- 745. [Persian] 5] Solaimani S. Trend Analysis of Chemical Water Quality Parameters; Case study Cham Anjir River. Journal of Irrigation and Water Engineering. 2013; 3 (12): 95- 106. [Persian] 6] Moghadam A, Ghalheban Takmedash M, Esmaeeli K. Evaluation of spatial and temporal trends of water quality parameters of Mashhad plain using GIS. Journal of Soil and Water Conservation researches. 2013; 20 (3). [Persian] 7] Ebadati N, Hoshmandzade M. Evaluation of water quality Dez River in Dezful hydrometric stations. Journal of Ecohidrology. 2014; 1 (2): 69- 81. [Persian] 8] Hosainkhani H, Najib M. water quality assessment Shahryar Dam catchment's for domestic use and irrigation using chemical indicators and mapping GIS in the Miane East Azarbaijan. Journal of Advanced Applied Geology. 2014; No 14. [Persian] 9] Zhang B, Song X, Zhang Y, Han D, Tang Ch, YuY and et al. Hydrochemical characteristics and water quality assessment of surface water and groundwater in Songnen plain, Northeast China. Water Research. 2012; 46, 2737 e 27 48. 10] Loganthan G. "Chemometric and trend analysis of water quality of the South Chennai lakes: an integrated environmental study." Journal of Chemometrics. 2015; 29(1): 59-68. 11] Rankinen K. "Comparison of impacts of human activities and climate change on water quantity and quality in Finnish agricultural catchments." Landscape Ecology. 2015; 30(3): 415-428. 12] Porkermani M, Naseri H, Arji A. Impact of salt dome Stone castle on salinity groundwater Dariyoon plain. Journal of Islamic Azad University basis Sciences. 2008; No 69. [Persian] 13] Hounslow A.W. Water quality data analysis and interpretation. Lewis publishers, CKC press, LLC; 1995: 378 p. 14] Thomas NV. Global water quality standards. Ground Water; 1996. 15] Wilcox L. V. The Quality of Water for Irrigation Use, U. S. Department of Agriculture, Bull. 962, Washington, D. C; 1948. 16] Todd D.K, Mays L.W. Groundwater Hydrology, 3rd Ed, John Wiley and Sons Inc., U.S.A; 2005: 636p. 17] Fetter C.W. Applied Hydrogeology. New York: Prentice hall publishing; 1994: 691p. 18] Dalir Hasannia R, Aghajani Kandol S, Karimi Sisi S. Evaluation of river water quality changes leading to the eastern shore of Lake Urmia. Thirty-second meeting of the first International Congress of Earth Sciences. 2013; Urmia University Urmia. [Persian] 19] Kave A.R, Habibnejad Roshan M, Shahedi K, Ghorbani J. Evaluation of temporal and spatial changes in water quality (Case Study: River Talar, Mazandaran Province). Journal of Water Resources Engineering. 2013; Sixth year: 49- 62. [Persian] 20] Tahir A. A, Quazi K. H, Achari G. Clusterization of Surface Water Quality and Its Relation to Climate and Land Use/Cover. Journal of Environmental Protection. 2013; 4: 333-343. 21] Lindell L, Aa Str O M, Berg T. Land-Use Change Versus Natural Controls On Stream Water Chemistry In The Subandean Amazon, Peru. Appl Geochem. 2010; 25: 485–495. 22] Li S, Xia X, Tan X, Zhang Q. Effects Of Catchment And Riparian Landscape Setting On Water Chemistry And Seasonal Evolution Of Water Quality In The Upper Han River Basin, China. Plos One 8. 2013: E53163._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61477 مدیریت منابع آب در اکوسیستم های طبیعی استفاده از داده‌کاوی در پیش‌بینی کیفیت آب‌های سطحی (مطالعۀ موردی: رودخانه‌های دامنۀ شمالی سهند) استفاده از داده کاوی در پیش بینی کیفیت آبهای سطحی (مطالعه موردی: رودخانه های دامنه شمالی سهند) ستاری محمدتقی استادیار، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه تبریز میرعباسی نجف آبادی رسول استادیار، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهرکرد عباسقلی نایب زاد مهدی کارشناسی ارشد مهندسی عمران، دانشگاه آزاد مراغه 22 06 2017 4 2 407 419 25 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61477.html

پایش و ارزیابی کیفی آب‌های سطحی فرایندی بسیار پرهزینه و زمان‌بر است. بنابراین، انتخاب روشی که در آن با کمترین پارامترهای هیدروشیمیایی بتوان پیش‌بینی نسبتاً دقیقی از طبقۀ کیفیت آب داشت، مهم و ضروری است. تصمیم‌گیری درختی به‌عنوان یکی از روش‌های داده‌کاوی با بهره‌گیری از یک ساختار درختی به طبقه‌بندی داده‌ها می‌پردازد. در این مقاله، با استفاده از روش تصمیم‌گیری درختی کیفیت آب برخی از رودخانه‌های واقع در دامنه‌های شمالی کوه سهند در محل ایستگاه‌های هیدرومتری بستان‌آباد، پل سنیخ، لیقوان و ونیار بررسی شد و برای هر یک از رودخانه‏ها طبقۀ کیفیت آب با استفاده از قوانین اگر‌ـ آن‌گاه توسعه داده شد. برای هر یک از رودخانه‏ها دبی و 12 پارامتر هیدروشیمیایی شامل یون‏های کلسیم (Ca2+)، منیزیم (Mg2+)، کلر (Cl-)، بی‌کربنات (HCo3-)، درصد سدیم (Na%)، اسیدیته (pH)، سولفات (SO42-)، مجموع آنیون‏ها (Sum A)، مجموع کاتیون‏ها (Sum C)، کل نمک‏های محلول (TDS)، نسبت جذب سدیم (SAR) و هدایت الکتریکی (EC) برای ایجاد مدل درختی بررسی شد. نتایج نشان داد مدل تصمیم‌گیری درختی بیشتر با استفاده از چهار پارامتر EC، pH، SAR و Na+ قادر است طبقۀ کیفیت آب را با دقت بسیار زیادی مشخص کند، به‌طوری که میزان خطای مدل توسعه داده‌شده در بخش آزمون برای ایستگاه‏های بستان‌آباد، ونیار، پل سنیخ و لیقوان به‌ترتیب برابر 4/3، 1/8، 9/22 و 6/1 درصد بود.    

 پارامترهای هیدروشیمیایی پایش کیفی داده‌کاوی درخت تصمیم کیفیت آب‌های سطحی منابع [1]. U.S. Salinity Laboratory Staff, Diagnosis and improvement of saline and alkali soils: U.S. Dept. Agric. Handbook; 1954. No.60, 160 p. [2]. Mirabbasi R, Mazloumzadeh SM, Rahnama MB. Evaluation of irrigation water quality using fuzzy logic, Research Journal of Environmental Sciences, 2008; 2(5): 340-352. [3]. Santos MF, Cortez P, Quintela H, Neves J, Vicente H & Arteiro J. Ecological Mining - A Case Study on Dam Water Quality. In A. Zanasi, C. Brebbia and N. Ebecken (Eds.), Data Mining VI - Data Mining, Text Mining and their Business Applications, WIT Transactions of Information and Communication Technologies 35, 523-531, WIT Press, ISBN:1-84564-017-9, ISSN:1746-4463; 2005. [4]. Yahya SM, Rahman AU, Abbasi HN. Assessment of seasonal and polluting effects on the quality of river water by using regression analysis: A case study of River Indus in province of Sindh, Pakistan. International Journal of Environmental Protection. 2012; 2(2): 10-16. [5]. Rahmani AR, Samadi MT, Heydari M. Water quality assessment of Hamadan-Bahar Plain rivers using Wilcox diagram fir irrigation, Journal of Agricultural Research, 2007; 8(1b): 27-35. [Persian] [6]. Goljan F, Karbasi AR, Hajizadeh Zaler N, Nabi Bidhendi GR. Water quality of Nour City rivers, Journal of Water Sciences Research, 2009; 1(1): 35-48. [Persian] [7]. Olyaie E, Banejad H, Samadi MT, Rahmani AR, Saghi MH, Performance Evaluation of Artificial Neural Networks for Predicting Rivers Water Quality Indices (BOD and DO) in Hamadan Morad Beik River, Water and Soil Science, 2010; 20(3): 199-210. [Persian] [8]. Hajian Nejad M, Rahsepar AR, Measurement and Simulation of Dissolved Oxygen in Zayande Rood River, Journal of Health System Research, 2010; 6(2): 821-828. [Persian] [9]. Salajegheh A, Razavizadeh S, Khorasani N, Hamidifar M, Salajegheh S, Land use Changes and its Effects on Water Quality (Case study: Karkheh Watershed), 2011; 58:81-86. [Persian] [10]. Saghebian SM, Sattari MT, Mirabbasi R, Pal M. Ground water quality classification by decision tree method in Ardebil region, Iran. Arabian Journal of Geosciences. 2013; 7(11): 4767-4777. [11]. Hasani Z, Mirabbasi Najafabadi R, Ghasemi AR. Prediction of groundwater quality in Khanmirza plain using decision tree method, Hydrogeology. 2016; 1(3): 15-30. [Persian] [12]. Norouzi H, Nadiri A, Asghari Moghaddam A. Investigation of Malikan Plain Groundwater’s Pollution to Arsenic, Ecohydrology. 2016; 3(2): 151-166. [Persian] [13]. Witten IH, Frank E. Data Mining: Practical Machine Learning Tools and Techniques, second edition, Elsevier: San Francisco. ISBN 0-12-088407-0; 2005. [14]. Quinlan JR. C4.5 Programs for machine learning, Morgan, Kaufmann, 1993; San Mateo, California [15]. Quinlan JR. Data mining tools See5 and C5.0 [cited Feb 2012]. Available from http://www.rulequest.com/see5-info.html. 2000.  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61479 مدیریت منابع آب در اکوسیستم های طبیعی کاربرد شاخص DWQI برای ارزیابی جامع کیفیت آب در آبخوان اردبیل کاربرد شاخص DWQI برای ارزیابی جامع کیفیت آب در آبخوان اردبیل شیخی آلمان آباد زهرا دانشجوی کارشناسی ارشد گروه زمین‏ شناسی زیست‏ محیطی، دانشگاه ارومیه اسدزاده فرخ استادیار گروه علوم خاک دانشگاه ارومیه پیرخراطی حسین دانشیار گروه زمین ‏شناسی دانشگاه ارومیه 22 06 2017 4 2 421 436 18 12 2016 19 01 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61479.html

کیفیت آب از مهم‏ترین پارامترهای مرتبط با توسعه و پایداری فعالیت‏های بشری است. کیفیت آب را می‏توان از مقایسۀ مقادیر پارامترهای کیفی آن با مقادیر استاندارد هر یک تبیین کرد. محدودیت‏های این روش از جمله عدم جامعیت آن موجب توسعۀ شاخص‏های تلفیقی کیفیت آب شده است. هدف از این پژوهش، بررسی جامع شرایط کیفی آب آشامیدنی در آبخوان اردبیل با استفاده از یک شاخص پیشنهادی (DWQIProposed) است و مقادیر کمی و توزیع این شاخص با شاخص‏های متداول کیفیت آب نظیر DWQIG و DWQIA ‌مقایسه شده است. بدین‌منظور نمونه‏برداری از 60 حلقه چاه واقع در آبخوان اردبیل در شهریور‌ماه 1392 انجام گرفت و 21 پارامتر مختلف فیزیکی و شیمیایی در آنها تعیین شد. سپس شاخص  DWQIProposedطی چهار مرحله شامل انتخاب خصوصیات کیفی آب و دسته‏بندی آنها، توسعۀ زیرشاخص، تخصیص ضریب وزنی برای خصوصیات برگزیده و ارائۀ تابع تجمیع محاسبه شد. نتایج نشان داد به‌رغم تفاوت در مقادیر کمّی، الگوی توزیع فراوانی شاخص‏های DWQIG و DWQIProposed مشابه هم است. شاخص‏های DWQIProposed و DWQIA نیز در مقادیر زیاد تشابه فراوانی داشتند. با این‌حال، تفاوت بین میانگین شاخص‏های در منطقه معنا‏دار بود (05/0P<). سه شاخص یاد‌شده براساس ضریب همبستگی پیرسون ارتباط معنا‏داری داشتند (001/0P<؛ 99/0-98/0 = r). از بین پارامترهای کیفی مرتبط با بهداشت و سلامت، مقدار نیترات همبستگی بسیار زیادی با شاخص‏های یاد‌شده نشان داد (001/0P<؛ 815/0-712/0 = r) که بیان‌کنندۀ تأثیر مهم نیترات بر کیفیت آب در آبخوان اردبیل است. الگوی مکانی شاخص‏های کیفیت آب استحکام فضایی مطلوبی نشان داده و نقشه‏های کریجینگ ترسیم‌شده بیان‌کنندۀ افزایش کیفیت آب در مناطق شرقی و کاهش آن در بخش جنوب‏غربی منطقه است.  

 شاخص ‏های تلفیقی کیفیت آب کریجینگ گروه‏ های کیفی آب نیترات منابع Khadam IM, Kaluarachchi JJ. Water quality modeling under hydrologic variability and parameter uncertainty using erosion-scaled export coefficients. Journal of Hydrology. 200; 330(1):354-67. Ramesh S, Sukumaran N, Murugesan AG, Rajan MP. An innovative approach of drinking water quality index- A case study from Southern Tamil Nadu, India. Ecological Indicators. 2010; 10(4):857-68. Cude CG. Oregon water quality index a tool for evaluating water quality management effectiveness1. Journal of American Water Resource Association. 2001; 37(1): 125-137. Horton RK. An index number system for rating water quality. Journal of the Water Pollution Control Federation. 1965; 37(3): 300–306. Ott WR. Water Quality Indices: A Survey of Indices used in the United States. US EPA Office of Research and Development, Washington, DC, 1978; p. 128 Nasirian M. A new water quality index for environmental contamination contributed by mineral processing: A case study of Amang (Tin Tailing) processing activity. Journal of applied sciences. 2007; 7(20): 2977-2987. Kannel PR, Lee S, Lee YS, Kanel SR, KhanSP. Application of water quality indices and dissolved oxygen as indicators for river water classification and urban impact assessment. Environmental Monitoring and Assessment. 2007; 132(1-3): 93-110. Sargaonkar A, Deshpande V. Development of an overall index of pollution for surface water based on a general classification scheme in Indian context. Environmental monitoring and assessment. 2003; 89(1): 43-67. Singh RP, Nath S, Prasad SC, Nema AK. Selection of suitable aggregation function for estimation of aggregate pollution index for River Ganges in India. Journal of environmental Engineering. 2008; 134(8):689-701. 10. Nagels JW, Davies-Colley RJ, Smith DG. A water quality index for contact recreation in New Zealand. Water Science and Technology. 2001; 43(5): 285-292. 11. Liou SM, Lo SL, Wang SH. A generalized water quality index for Taiwan. Environmental Monitoring and Assessment. 2004; 96(1-3): 35-52. 12. Ocampo-Duque W, Ferré-Huguet N, Domingo JL, Schuhmacher M. Assessing water quality in rivers with fuzzy inference systems: A case study. Environment International. 2006; 32(6): 733-742. 13. World Health Organization. Guidelines For Drinking Water Quality. second addendum. Vol. 1, Recommendations. 3rd ed. ISBN 978 92 4 154760 4. 2008; World Health Organization. 14. Institute of Standards and Industrial Research of Iran. Drinking water - Physical and chemical specifications.ISIRI, 1053. 2008; 5th Revision. 15. Devi R, Alemayehu E, Singh V, Kumar A. Removal of fluoride, arsenic and coliform bacteria by modified homemade filter media from drinking water.Bioresource Technology. 2008; 99: 2269-2274. 16. Gupta AK, Gupta SK, Patil RS. A comparison of water quality indices for coastal water. Journal of Environmental Science and Health, Part A. 2003; 38(11): 2711-2725. 17. Gulis G, Czompolyova M, Cerhan J R. An ecologic study of nitrate in municipal drinking water and cancer incidence in TrnavaDistrict, Slovakia. Environmental research. 2002; 88(3): 182-187. 18. Yazdanbod E, Samadi F, Malekzade R, Babaie M, Iranparvar M, Azami A. Four-Year Survival Rate of Patients with Upper GI Cancer in Ardabil. Journal of Ardabil University of Medical Sciences. 2005; 5 (2):180-184. 19. Bødtker G,Thorstenson T, Lillebø BLP, Thorbjørnsen, BE, Ulvøen RH, Sunde E, TorsvikT. The effect of long-term nitrate treatment on SRB activity, corrosion rate and bacterial community composition in offshore water injection systems. Journal of industrial microbiology & biotechnology. 2008; 35(12): 1625-1636. 20. Cambardella CA, MoormanAT, Novak JM, ParkinTB, Karlen DL, Turco RF. Field-scale variability of soil properties in central Iowa soils. Soil Science Society of America Journal. 1994; 58:1501–1511 21. Fu W, Zhao K, Zhang C, Wu J, Tunney H. Outlier identification of soil phosphorus and its implication for spatial structure modeling. Precision Agriculture. 2016; 17(2): 121-135_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61480 اکوهیدرولوژی تهیۀ مشخصات هندسی سازۀ قنات و حذف تبخیر با تغییر شیب بستر (منطقۀ مطالعه‌شده: روستای سن‏ سن کاشان) تهیه مشخصات هندسی سازه قنات و حذف تبخیر با تغیر شیب بستر (منطقه مورد مطالعه: روستای سن‌سن، کاشان) ضرابی مهدی استادیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران محمودی صدرا دانشجوی کارشناسی ارشد اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین دانشگاه تهران نوراللهی یونس دانشیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران 22 06 2017 4 2 437 446 18 01 2017 16 04 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61480.html

بنابر برخی تحقیقات، ایران در بیشترین و شدیدترین خشکسالی 30 سال اخیر خود قرار دارد. حوضۀ آبریز دشت کاشان جزء مناطق بحرانی است که به‌علت عدم مدیریت مصرف منابع آب زیرزمینی شاهد افت آب و از‌بین‌رفتن تدریجی بخش کشاورزی هستیم. از دیرباز یکی از اختراعات مهم ایرانیان که کارکرد مؤثری در مدیریت منابع آب داشته، قنات بوده است. در این پژوهش سعی شد با بررسی قنات منطقۀ سن‏سن در اطراف کاشان گامی در جهت مدیریت منابع آب در منطقه برداشت. ابتدا برای شناخت سازه‌ای قنات، عمق چاه‌های نمونه به‌وسیلۀ قوانین حاکم بر سقوط آزاد به‌دست آمد. نتایج به‌دست‌آمده بیان‌کنندۀ اعتبارنداشتن و کاربردی‌بودن این روش بود و علت آن به‌طور کامل تشریح شد. دوباره با استفاده از روش طناب و متر طول چاه‌ها و شیب هیدرولیکی قنات به‏دست آمد. سپس به ترسیم شماتیک کامل قنات در سه بخش آغازین، میانی و نزدیک مظهر اقدام شد که در نوع خود برای نخستین‌بار بود. نتایج تغییر شیب روی دبی و تلفات تبخیر بررسی شد که امکان افزایش پنج‌برابری آب شیرین منطقه را نشان می‏داد.  

 تبخیر سن سن شیب هیدرولیکی قنات‌ 1. Moqimi Fardqiry M, zoning groundwater quality using geostatistical methods Marmtalh case Mobarakabad Plain, Agricultural and Environmental Sciences Conference, Shiraz, http://www.civilica.com/Paper-FNCAES01-FNCAES01_314.html, 1392, persian 2. Mirasi, A, Asudar M, the factors affecting the management of natural resources and strategies to deal with drought and water scarcity, First National Conference on Agriculture in difficult environmental conditions, Rāmhormoz - Islamic Azad University Rāmhormoz, 1391, persian 3. Jahandideh O, Habibullah B, Zydaly B, hezarjoreibi A, the use of underground dams in arid and semi-arid ecosystems, the first Congress of the development and promotion of Agricultural Sciences, Natural Resources and the Environment, http://www.civilica.com/Paper-PDCONF01-PDCONF01_360.html, 1394, persian 4. Madani Larijani K, water resource management strategy to the current crisis in Iran, the tenth Conference of Civil Engineering, Tehran - Amir Kabir University (Tehran Polytechnic), Civil , http://www.civilica.com/Paper-CESC10-306_2424609607.html, 1382, persian 5. Barahmand G, Introduction to the history of subterranean phenomena and the role of civilization on the Iranian plateau, Moskooyeh, 1387:2(8):7-32, persian 6. Mohammadi G, Ebrahimi K, Araghinejad SH, Qualitative and quantitative assessment of groundwater resources (Case study: Saveh, Arak aquifer), Knowledge of soil and, 1390:21(2):93-108. persian 7. Jahangir M, Jahangir A, Mustafa Zadeh J, Tavakoli R, the increase in water aqueducts using a combination of subsurface dams and canals, traditional knowledge International Conference on Water Resources Management, Yazd, International Centre for historical canals and water structures, 1390, persian. 8. Rahmanian R, Rezaei, M. Thesis: restoration and rehabilitation of the aqueduct Yousef Abad neighborhood of Tehran in response to the new needs of the city. Defense Date: 1394-04-24, persian 9. Martinez-Santos P, Martinez-Alfaro P, A priori mapping of historical water-supply galleries based on archive records and sparse material remains. An application to the Amaniel qanat (Madrid, Spain). Journal of Cultural Heritage 15 (2014) 656–664 10. Bailiff I.K, Gerrard C.M, Gutierrez A, Snape-Kennedy L.M, Wilkinson K.N, "Luminescence Dating Of Irrigation Systems: Application To A Qanat In Aragón, Spain" Quaternary geochronology, 2015 : 30 (B) : 452-459._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61481 مدیریت منابع آب در اکوسیستم های طبیعی پهنه ‏بندی حساسیت سیل‏گیری با استفاده از روش ترکیبی نوین تئوری بیزین‌ـ‌ فرایند تحلیل سلسله‌مراتبی (مطالعۀ موردی: حوضۀ آبخیز نکا ـ استان مازندران) عامری علیرضا عرب دانشجوی دکتری ژئومورفولوژی دانشگاه تربیت مدرس، تهران، ایران. پورقاسمی حمیدرضا استادیار بخش مهندسی منابع طبیعی و محیط زیست، دانشکدۀ کشاورزی، دانشگاه شیراز، شیراز، ایران. شیرانی کورش استادیار، بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، سازمان تحقیقات، آموزش و ترویج کشاورزی، اصفهان، ایران. 22 06 2017 4 2 447 462 27 11 2016 21 02 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61481.html

تهیۀ نقشۀ حساسیت‏پذیری سیلاب، نخستین ‏گام در برنامه‏های مدیریت سیلاب است. هدف از این پژوهش، شناسایی مناطق حساس به سیل‏‏گیری با استفاده از روش ترکیبی نوین تئوری بیزین فرایند تحلیل سلسله‌مراتبی (Bayes-AHP) در حوضۀ آبخیز نکاـ شهرستان ساری است. به‌منظور تهیۀ نقشۀ حساسیت‏پذیری سیل‏‏گیری در منطقۀ مطالعاتی، نقشۀ پراکنش سیلاب‏ها به‏منظور تحلیل‏های آماری تهیه شد. از تعداد کل ۳۴۲ موقعیت سیل، ۷۰ درصد (۲۴۰ موقعیت سیل) به‏منظور اجرای مدل و ۳۰ درصد (۱۰۲ موقعیت سیل) به‏منظور اعتبارسنجی استفاده شد. با استفاده از مطالعۀ گذشته و پیمایش‏های گستردۀ میدانی، ۱۱ عامل مؤثر شامل درصد شیب، طبقات ارتفاعی، فاصله از آبراهه، تراکم زهکشی، شاخص پوشش گیاهی تفاضلی نرمال‏شده (NDVI)، سنگ‏شناسی، کاربری اراضی، شاخص رطوبت توپوگرافی (TWI)، شاخص توان آبراهه (SPI)، بارندگی سالانه و انحنای سطح به‏منظور پهنه‏بندی سیل‏‏گیری بررسی شد. با استفاده از روش AHP، وزن هر یک از عوامل و بر اساس تئوری بیزین وزن هر یک از طبقات عوامل مؤثر بر وقوع سیلاب‏های منطقۀ مطالعه‌شده محاسبه شد. درنهایت، نقشۀ پهنه‏بندی حساسیت‏پذیری سیل‏گیری در پنج طبقه و در محیط نرم‏افزار ArcGIS10.1 تهیه شد. به‏منظور ارزیابی مدل منحنی تشخیص عملکرد نسبی (ROC) استفاده شد. نتایج ارزیابی نشان داد مدل ترکیبی دقت مناسبی (۷۶۱/۰) در شناسایی پهنه‏های حساس به سیلاب دارد. بر اساس نتایج به‏دست‌آمده، عوامل درصد شیب، ارتفاع و کاربری اراضی به‏ترتیب با وزن‏های۲۶۰/۰، ۱۹۵/۰ و ۱۴۶/۰ بیشترین تأثیر را در وقوع سیلاب‏های منطقۀ مطالعاتی داشته‏اند. همچنین طبق نتایج، ۲۴/۱۷ و ۳۷/۱۵ درصد از حوضۀ آبخیز نکا در رده‏های حساسیت زیاد و بسیارزیاد قرار گرفته است. مدل ترکیبی ارائه‌شده می‏تواند برای تحقیقات بیشتر در زمینۀ تهیۀ نقشۀ خطر سیل‏گیری و مدیریت بحران استفاده شود.  

 اعتبارسنجی پهنه‏ بندی تئوری بیزین حوضۀ آبخیز نکا فرایند تحلیل سلسله‌مراتبی [1]. Du J, Fang J, Xu W, Shi P. Analysis of dry/wet conditions using the standardized precipitation index and its potential usefulness for drought/flood monitoring in Hunan Province China. Stoch Env Res Risk Assess. 2013; 27(2): 377–387. [2]. Jahangir MH, Sadeghi S, Soleymani H. Numerical Evaluation of Maximum Flood Discharge Using SCS Method for Land Management on Watersheds of Kan Area. Ecohydrology. 2014; 1: 47-57. [Persian] [3]. Yang YCE, Ray PA, Brown CM, Khalil AF, Yu WH. Estimation of flood damage functions for river basin planning: a case study in Bangladesh. Nat Hazards. 2015; 75: 2773-2791. [4]. Hudson P, Botzen WJW, Kreibich H, Bubeck P, Aerts JCJH. Evaluating the effectiveness of flood damage mitigation measures by the application of propensity score matching. Nat Hazards Earth Syst Sci. 2014; 14:1731-1747. [5]. Perera EDP, Hiroe A, Shrestha D, Fukami K, Basnyat DB, Gautam S, et al. Community-based flood damage assessment approach for lower West Rapti River basin in Nepal under the impact of climate change. Nat Hazards. 2015; 75: 669-699. [6]. Foudi S, Os_es-Eraso N, Tamayo I. Integrated spatial flood risk assessment: the case of Zaragoza. Land Use Policy. 2015; 42: 278-292. [7]. Tehrany MS, Lee MJ, Pradhan B, Jebur MN, Lee S. Flood susceptibility mapping using integrated bivariate and multivariate statistical models. Environ Earth Sci. 2014; 71 (10): 4001-4015. [8]. Yousefi H, Noorollahi Y, Soltani K, Javadzadeh, Z. The Management Strategies to Reduce the Vulnerability of Flood in Tehran (Case Study: District 1 and 3). Ecohydrology. 2015; 3: 181-193. [Persian] [9]. Esmaili F, Rahmani S. Flood Zoning Using GIS and Mathematical Models Emphasizing Flood Management: A Case Study of Gavi River, Ilam Province, Western Iran. International Bulletin of Water Resources & Development. 2015; 5 (8): 63-73. [Persian] [10]. Heidari A. Flood vulnerability of the Karun river system and short-term mitigation measures. Flood Risk Manag. 2014; 7: 65-80. [11]. Cook A, Merwad V. Effect of topographic data, geometric configuration and modeling approach on flood inundation mapping,. Journal of Hydrology. 2009; 377: 131–142. [12]. Khalilizadeh M, Mosaedi A, Najafinejad A. Flood hazard zonation in a part of Ziarat river in Gorgan urban watershed. J.Agric.Sci. Natur. Resour. 2005; 12 (4): 138-146. [Persian] [13]. Dehghani M, Abbasnejad A, Negaresh H. Assessment of Flood Hazard and its Zoning in Baft Plain (South East Part of Iran), Geography and Territorial Spatial Arrangement. 2016; 6: 141-152. [Persian] [14]. Poussin JK, Botzen WJW, Aerts JCJH. Factors of influence on flood damage mitigation behavior by households. Environ Sci Policy. 2014; 40: 69-77. [15]. Farzin S, Karami H, Doostmohammadi M, Ghanbari A, Zamiri, E. The performance of Artificial Neural Network in prediction and analysis of hydrological processes (Case study: Water shortage in Nazloo-chai watershed, West Azerbaijan province). Ecohydrology. 2017; 4: 631-644. [Persian] [16]. Jaafari A, Najafi A, Pourghasemi HR, Rezaeian J, Sattarian A. GIS-based frequency ratio and index of entropy models for landslide susceptibility assessment in the Caspian forest, northern Iran. Int J Environ Sci Technol. 2014; 11: 909-926. [17]. Regmi N, Giardino JR, Vitek JD. Modeling susceptibility to landslides using the ‎weight of evidence approach: Western Colorado,USA. Geomorphology. 2010; 115: 172-187. [18]. Pourghasemi HR, Moradi HR, Mohammdi M, Mostafazadeh R, Goli Jirandeh A. Landslide Hazard Zoning Using Bayesian Theory. JWSS - Isfahan University of Technology. 2013b; 16 (62):109-120. [Persian] [19]. Mohamadi E, Montaseri M, Sokooti Oskoei R. Zonation of flood dangers in urban regions, using WMS and HEC-RAS, case study: Oshnavieh, Western Azerbyjan province. Watershed Engineering and Management. 2005; 1 (1): 61-69. [20]. Ebrahimi P, soleymani K, shahedi, K. Developing Strategic Environmental Planning map Based on Land use Changes and Flood Zones Case study: Neka River. Geography and Territorial Spatial Arrangement. 2016; 20: 57-74. [Persian] [21]. Chen YR, Yeh CH, Yu B. Integrated application of the analytic hierarchy process and the geographic information system for flood risk assessment and flood plain management in Taiwan. Nat Hazards. 2011; 59(3): 1261–1276. [22]. Rahmati O, Zeinivand H, Besharat M. Flood hazard zoning in Yasooj region, Iran, using GIS and multi-criteria decision analysis. Geomatics. Natural Hazards and Risk. 2015; 7(3): 1000-1017. [23]. Tehrany MS, Pradhan B, Mansor S, Ahmad N. Flood susceptibility assessment using GIS-based support vector machine model with different kernel types. Catena. 2015; 125: 91–101. [24]. Tehrany MS, Pradhan B, Jebur MN. Flood susceptibility mapping using a novel ensemble weights-of-evidence and support vector machine models in GIS. J Hydrol. 2014; 512: 332–343. [25]. Youssef AM, Pradhan B, Sefry SA. Flash flood susceptibility assessment in Jeddah city (Kingdom of Saudi Arabia) using bivariate and multivariate statistical models. Environ Earth Sci. 2016; 75:12. [26]. Zehra S, Afsar S. Flood Hazard Mapping of Lower Indus Basin Using Multi-Criteria Analysis. Journal of Geoscience and Environment Protection. 2016; 4: 54- 62. [27]. Khosravi K, Nohani E, Maroufinia E, Pourghasemi HR. A GIS-based flood susceptibility assessment and its mapping in Iran: a comparison between frequency ratio and weights-of-evidence bivariate statistical models with multi-criteria decision-making technique. Nat Hazards. 2016; DOI 10.1007/s11069-016-2357-2. [28]. Fernandez DS, Lutz MA. Urban flood hazard zoning in Tucum_an Province, Argentina, using GIS and multicriteria decision analysis. Eng Geol. 2010; 111: 90-98. [29]. Pradhan B. Groundwater potential zonation for basaltic watersheds using satellite remote sensing data and GIS techniques. Cent Eur J Geosci. 2009; 1(1): 120 –129. [30]. Yesilnacar E, Topal T. Landslide susceptibility mapping: a comparison of logistic regression and neural networks methods in a medium scale study, Hendek region (Turkey). Eng Geol. 2005; 79: 251–266. [31]. Jebur MN, Pradhan B, Tehrany MS. Optimization of landslide conditioning factors using very high-resolution airborne laser scanning (LiDAR) data at catchment scale. Remote Sens Environ. 2014b; 152: 150–165. [32]. Pike RJ. Geomorphology - Diversity in quantitative surface analysis. Progress in Physical Geography. 2000; 24:1-20. [33]. Pradhan B, Lee S. Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling. Environ Model Softw. 2010; 25(6): 747–759. [34]. Pourghasemi HR, Pradhan B, Gokceoglu C. Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz watershed. Iran. Nat Hazards. 2012; 63(2): 965–996. [35]. Pradhan B. A comparative study on the predictive ability of the decision tree, support vector machine and neuro-fuzzy models in landslide susceptibility mapping using GIS. Comput Geosci. 2013; 51: 350–365. [36]. Pourghasemi HR, Pradhan B, Gokceoglu C, Mohammadi M, Moradi HR, Application of weights-of-evidence and certainty factor models and their comparison in landslide susceptibility mapping at Haraz watershed, Iran. Arab. J. Geosci. 2013a; 6 (7): 2351–2365. [37]. Jebur MN, Pradhan B, Tehrany MS. Detection of vertical slope movement in highly vegetated tropical area of Gunung pass landslide, Malaysia, using L-band InSAR technique. Geosci J. 2014a; 18(1): 61–68. [38]. Pourghasemi HR, Jirandeh AG, Pradhan B, Xu C, Gokceoglu C. Landslide susceptibility mapping using support vector machine and GIS at the Golestan Province, Iran. J Earth Syst Sci. 2013c; 2: 349–369. [39]. Pourghasemi HR, Pradhan B, Gokceoglu C, Mohammadi M, Moradi HR. Application of weights-of-evidence and certainty factor models and their comparison in landslide susceptibility mapping at Haraz watershed, Iran. Arabian J Geosci. 2013d; 6: 2351–2365. [40]. Pourghasemi HR, Kerle N. Random forest-evidential belief function based landslide susceptibility assessment in western Mazandaran Province, Iran. Environ. Earth Sci. 2016; 75:185. [41]. Piacentinia D, Troiani F, Soldati M, Notarnicola C, Savelli D, Schneiderbauer S, et al. Statistical analysis for assessing shallow-landslide susceptibility in South Tyrol (south-eastern Alps, Italy). Geomorphology. 2012; 151: 196–206. [42]. Arabameri AR, Halabian AH. Landslide Hazard Zonation Using Statistical Model of AHP ‎‎(Case ‎Study: Zarand Saveh Basin). Physical Geomorphology. 2015; 28: 65-86. [Persian] [43]. Ayalew L, Yamagishi H, Marui H, Kanno T, Landslides in Sado Island of Japan: Part II. GIS-based susceptibility mapping with comparisons of results from two methods and verifications. Eng. Geology. 2005; 81: 432–445. [44].Saaty TL. The Analytical Hierarchy Process: Planning, Priority Setting, Resource Allocation. New York: McGraw Hill. 1980; 287 p. [45]. Nefeslioglu H, Gokceoglu C, Sonmez H. An assessment on the use of logistic regression and artificial neural networks with different sampling strategies for the preparation of landslide susceptibility maps. Eng Geol. 2008; 97(3): 171–191. [46]. Swets JA, Measuring the accuracy of diagnostic systems. Science. 1988; 240: 1285–1293. [47]. Fernandez DS, Lutz MA. Urban flood hazard zoning in Tucuman Province, Argentina, using GIS and multicriteria decision analysis. Eng Geol. 2010; 111: 90-98. [48]. Arabameri AR, Klorajan A, Karami J, Alimoradi M, Shirani K. Zonation of Landslide Hazard Using Artificial Neural Network the Case Study: Marbor Basin. Geodynamics Research International Bulletin. 2014; 03: 44-59. [Persian]  [49]. Arabameri AR, Shirani K. identification of effective factors on Landslide occurrence and its ‎hazard zonation using Dempster-Shafer theory (Case study: Vanak Basin, Isfahan Province). Watershed Engineering and Management. 2016; 8 (1): 93-106. [Persian] ‎ [50]. Arabameri AR, Shirani K, Karami J, Kolorajan A. Application of neural network of Multi Layers Perceptron (MLP) in site selection of waste disposal (Case ‎study: Fereydoonshahr city). Environmental Studies. 2016; 42 (2): 329-341. [Persian]  [51]. Gokceoglu C, Sonmez H, Nefeslioglu HA, Duman TY, Can T. The 17 March 2005 Kuzulu landslide (Sivas, Turkey) and landslide-susceptibility map of its near vicinity. Eng Geol, 2005; 81(1): 65–83._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61482 مدیریت منابع آب در اکوسیستم های طبیعی ارزیابی داده ‏های ماهوارۀ GRACE در برآورد تغییرات سطح آب زیرزمینی در استان قزوین ارزیابی داده‌های ماهواره GRACE در برآورد تغییرات سطح آب زیرزمینی در استان قزوین فرجی زهره دانش ‏آموختۀ کارشناس ی‏ارشد آبیاری و زهکشی کاویانی عباس استادیار گروه مهندسی آب دانشگاه بین‏المللی امام‌خمینی(ره) اشرف زاده افشین استادیار گروه مهندسی آب دانشگاه گیلان 22 06 2017 4 2 463 476 07 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61482.html

استان قزوین در رتبۀ هفتم خشکسالی در کشور قرار گرفته است، بنابراین مدیریت گستردۀ منابع آبی در این استان ضروری است. بهره‏گیری از تغییرات میدان گرانشی مشاهده‌شده از ماهوارۀ GRACE از روش‏‏های مدیریتی است. ماهوارۀ ثقل‏سنجی GRACE مجموعه‏ای از داده‏های تغییرات ذخیرۀ آب را در مقیاس منطقه با قدرت تفکیک مکانی 1 درجه تولید می‏کند. این پژوهش با هدف ارزیابی داده‏های ماهوارۀ ‏GRACE در استان قزوین برای یافتن راه‏ حلی جامع برای دست‏یابی آسان و سریع به اطلاعات تغییرات منابع آبی این استان انجام شد. برای اعتبارسنجی داده‏های ماهوارۀ‏ GRACE از داده‏های مدل سطح زمین GLDAS و داده‏های مشاهداتی چاه‏ها در منطقه استفاده شد. نتایج نشان می‏دهد ماهوارۀ GRACE به‌‌عنوان ماهواره‌ای ثقل‏سنج که فقط به‌منظور برآورد تغییرات ذخیرۀ آب تولید شده است، برآورد خوبی از روند تغییرات ذخیرۀ آب و همچنین تغییرات سطح آب زیرزمینی در اختیار کاربران قرار می‏دهد. نتایج تحلیل آماری انجام‌شده نشان‏دهندۀ 54/5RMSE=، 16/4MAE= و 5/1MBE= در واحد سانتی‏متر در مقیاس فصلی بین داده‏های تغییرات سطح آب زیرزمینی به‌دست‌آمده از ماهوارۀ GRACE و چاه‏های مشاهداتی در دشت قزوین و همچنین46/5RMSE=، 32/4MAE= و 18/0-MBE= سانتی‏متر در ماه بین داده‏های تغییرات ذخیرۀ آب به‌دست‌آمده از مدل GLDAS و ماهوارۀ GRACE است. همچنین همبستگی بین داده‏های تغییرات ذخیرۀ آب به‌دست‌آمده از مدل GLDAS و ماهوارۀ GRACE و تغییرات سطح آب زیرزمینی به‌دست‌آمده از ماهوارۀ GRACE و داده‏های مشاهداتی در سطح احتمال 99 درصد معنا‏دار است. نتایج بیانگر آن است که ماهوارۀ GRACE روند تغییرات ذخیرۀ آب را بهتر از مدل GLDAS نشان می‏دهد.  

 آب زیرزمینی بارش ماهوارۀ GRACE مدل GLDAS Moiwo JP, Yang Y, Tao F, Lu W, Han S. Water storage change in the Himalayas from the Gravity Recovery and Climate Experiment (GRACE) and an empirical climate model. Water Resources Research. 2011b; 47: W07521. DOI: 10.1029/2010WR010157 Moiwo JP, Yang Y, Li H, Han S, Hu Y. Comparison of GRACEwith in situ hydrological measurement data shows storage depletion inHai River basin, Northern China. Water SA. 2009 ;35: 663–670 Sean Swenson, Pat J.-F. Yeh, John Wahr, and James Famiglietti. A comparison of terrestrial water storage variations from GRACE with in situ measurements from Illinois".GEOPHYSICAL RESEARCH LETTERS.2006; VOL. 33, L16401, doi: 10.1029/2006GL026962. Wahr J, Swenson SC, Zlotnicki V, Velicogna I. 2004. Time-variable gravity from GRACE: first results. Geophysical Research Letters 31:L11501. DOI: 10.1029/2004GL019779 Rodell M, Houser P. R, Jambor U, Gottschalck J, Mitchell K,Meng C,et al. The Global Land Data Assimilation System. Bulletin of the American Meteorological Society.2004;85(3): 381-394. Chen JL, Wilson CR, Tapley BD, Yang ZL, Niu GY. drought event in the Amazon River basin as measured by GRACE and estimated by climate models. Journal of Geophysical Research. 2009; 114: B05404. DOI: 10.1029/2008JB006056 Lemoine J-M, Bruinsma S, Loyer S, Biancale R, Marty J-C, Perosanz F, Balmino G. Temporal gravity field models inferred from GRACE data. Advances in Space Research.2007; 39: 1620–1629. Zaitchik BF, Rodell M, Reichle RH. Assimilation of GRACE terrestrial water storage data into a land surface model: results for the Mississippi river basin. Journal of Hydrometeorology.2008; 9: 535–548 Ramillien G, Famiglietti JS, Wahr J. Detection of continental hydrology and glaciology signals from GRACE: a review. Surveys in Geophysics. 2008;29: 361–374. DOI: 10.1007/s10712-008-9048-9. 10. Longuevergne L, Scanlon BR, Wilson CR. GRACE hydrological estimates for small basins: evaluating processing approaches on the High Plains Aquifer, USA. Water Resources Research.2010;46: W11517.DOI: 10.1029/2009WR008564. 11. Moiwo JP, Yang Y, Tao F, Lu W. Analysis of satellite-based and in situ hydro-climatic data depicts water storage depletion in North China Region. Hydrological Processes.2012; DOI: 10.1002/hyp.9276 12. Ferreira, V., Z. Gong, X. He, Y. Zhang. Estimating Total Discharge in the Yangtze River Basin Using Satellite-Based Observations." Remote Sensing.2013; 5(7): 3415-3430. 13. Lee S, Seo J, Lee SK. Validation of Terrestrial Water Storage Change Estimates Using Hydrologic Simulation. Journal of Water Resources and Ocean Science. 2014;3( 1): 5-9. 14.  Chen Q, Shen Y, Chen W, Zhang X, Hsu H. An improved GRACE monthly gravity field solution by modeling the non-conservative acceleration and attitude observation errors. Springer-Verlag Berlin Heidelberg.2016; 90:503–523. 15. Farokhnia A,Morid S. Assessmentof GRACE and GLDAS capabilities forestimationofwater. Iran-Water Resources Research.2014;10(1):52-61. (In Persian) 16. Sharifi M.A, Akhoondzadeh M, Shahrisvand M, Sanatgar M.Drought monitoring in Iran by GRACE satellite data and GLDAS hydrologic model.Proceedings of the Sixteenth Conference of Iran Geophysics.2014;35-39.(In Persian) 17. Ashrafzade A, Judaki GH, SHarifi M. Iran's groundwater resources assessment using data from the GRACE satellite gravity survey. Journal of Research Science and Technology Mapping.2015;5(4):73-84. (In Persian) 18. Sharifi1M.A, NajafiAlamdari, Mokhtari,E.A comparison of Gaussian and Wiener filters to suppress GRACE data errors.Journal of Geophysics of IRAN. 2011;5(4):57-73. (In Persian) 19. Broqhani M, Moradi H.R, Zangane M.A. Zoning and determine the best indicator of drought in Khorasan Razavi. Geographical Studies of Arid Zones.2015; 5(16):70-84. (In Persian) 20. SokutiOskooi, R. Mahdian, M. MahmoudI, Sh. Compared the performance of some geostatistical methods to predict the spatial distribution of soil salinity, Urmia plain case study. Journal of Research and Construction. 2007; No. 74. (In Persian) 21. Gao, Y., Long, D., Li, Z. Estimation of daily evapotranspiration from remotely sensed data under complex terrain over the upper Chao river basin in north China. International Journal of Remote Sensing.2008; 29(11):3295-3315._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61483 اکوهیدرولوژی تعیین نواحی احتمالی تخلیه آب زیرزمینی زیردریایی به سواحل خلیج فارس در استان بوشهر با استفاده از نقشه ناهنجاری دمایی استاندارد تعیین نواحی احتمالی تخلیه آب زیرزمینی زیردریایی به سواحل خلیج فارس در استان بوشهر با استفاده از نقشه ناهنجاری فرزین محسن دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج نظری سامانی علی اکبر دانشیار، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج فیض نیا سادات استاد، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج کاظمی غلام عباس دکتری هیدروژئولوژی، مشاور خصوصی، امیرآباد، آبادان 22 06 2017 4 2 477 488 14 01 2017 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61483.html

تخلیۀ آب زیرزمینی زیردریایی هرگونه جریان زیرسطحی آب است که از خشکی به طرف دریا وجود دارد. شناسایی نواحی دارای این جریان اهمیت بسیار زیادی در مطالعات هیدرولوژیک و اکولوژیک دارد. به‌منظور تعیین نواحی احتمالی تخلیۀ آب زیرزمینی به خلیج فارس در سواحل استان بوشهر، ابتدا با استفاده از نرم‏افزار ENVI® 5.3 و GIS10.3.1 و اعمال تصحیحات لازم (اتمسفریک، رادیومتریک، هندسی) بر داده‏های حرارتی باند 10 لندست 8، نقشۀ دمای سطح دریا (SST) تهیه شده و نقشۀ ناهنجاری دمایی استاندارد (STA) از آن استخراج شد. سپس با تعیین کمترین سطح مشترک ناهنجاری دمایی طی سال‌های 2015 و 2016 ‌در سواحل استان بوشهر، نواحی احتمالی تخلیۀ آب زیرزمینی زیردریایی به خلیج فارس مشخص شد. نتایج نشان می‏دهد در محدودۀ ساحلی بندر مقام تا کنگان، کنگان تا رودخانۀ مند، رودخانۀ مند تا جزیرۀ شیف، بندرگاه تا گناوه و بندر ریگ تا هندیجان، به‌ترتیب‌ 2823، 4165، 6159، 4725 و 4445 هکتار سطح احتمالی تخلیۀ آب زیرزمینی زیردریایی وجود دارد. این سطح در کل سواحل استان بوشهر 22317 هکتار است که به خلیج فارس تخلیه می‏شود؛ به‌طوری که مهم‌ترین و بیشترین سطح تخلیۀ احتمالی در خلیج نایبند، محدودۀ دوپلنگو و خور خان، شرق و غرب شهر بوشهر (بندرگاه و شیف) و سواحل هندیجان مشاهده شد. سطح تعیین‌شده می‏تواند نشان‏دهندۀ وجود جریان شایان توجهی از تخلیۀ احتمالی آب زیرزمینی به خلیج فارس در سواحل استان بوشهر باشد. بنابراین، ضروری است با بررسی‏های تفضیلی‏تر و استفاده از روش‏های کمّی‏سازی، مقدار آن را به‌طور دقیق برآورد کرد.      

 تخلیۀ آب زیرزمینی زیردریایی خلیج فارس ناهنجاری دمایی استاندارد منابع Burnett WC, Bokuniewicz H, Huettel M, Moore WS, Tanighchi M. Groundwater and pore water inputs to the coastal zone. Biogeochemistry. 2003;66: 3–33. 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. Kwon E, Kim G, Primeau F, Moore W, Cho HM, DeVries T, et al. Global estimate of submarine groundwater discharge based on an observationally constrained radium isotope model. Geophys. Res. Lett. 2014;41, 8438–8444. Rodellas V, Garcia-Orellana J, Masqué P, Feldman M, Weinstein Y. Submarine groundwater discharge as a major source of nutrients to the Mediterranean Sea. Proc. Natl. Acad. Sci. U. S. A. 2015;112: 3926–3930. Kottmeier C, Agnon A, Al-Halbouni D, Alpert P, Corsmeier C, Dahm T, et al. New perspectives on interdisciplinary earth science at the Dead Sea: The DESERVE project. Science of the Total Environment. 2016;544: 1045–1058. Banks W, Paylor R, Hughes W. Using thermal infrared imagery to delineate groundwater discharge. Groundwater. 1996;34: 434–444. Lewandowski J, Meinikmann K, Ruhtz T, Pöschke F, Kirillin G. Localization of lacustrine groundwater discharge (LGD) by airborne measurement of thermal infrared radiation. Remote Sensing of Environment, 2013;138: 119–125. Shaban A, Khawlie M, Abdallah C, Faour G. Geologic controls of submarine groundwater discharge: application of remote sensing to north Lebanon. Environmental Geology. 2005;47(4): 512-522. Stefouli M, Tsombos T. Identification and monitoring of fresh water outflows in coastal areas: pilot study on Psahna area/Evia island - Greece, 10th International Congress, Thessaloniki, Bulletin of the Geological Society of Greece. 2004. Moore WS. The Effect of Submarine Groundwater Discharge on the Ocean. Annual Review of Marine Science. 2010;2(1): 59-88. Xing QG, Braga F, Tosi L, Lou M, Zaggia L, Teatini P, et al. Detection of low salinity groundwater seeping into the Eastern Laizhou Bay (China) with the aid of Landsat Thermal Data. In: Harff J, Zhang H, editors. Environmental Processes and the Natural and Anthropogenic Forcing in the Bohai Sea, Eastern Asia. Journal of Coastal Research (Special Issue). 2016;74: 149-156. Ford D, Williams P. Karst Hydrogeology and Geomorphology. John Wiley & Sons; 2007. Taniguchi M, Burnett WC, Smith CF, Paulsen RJ, O'Rourke D, Krupa S. Spatial and temporal distributions of submarine groundwater discharge rates obtained from various types of seepage meters at a site in the northeastern Gulf of Mexico. Biogeochemistry. 2003;66: 35–53. Tardy B, Rivalland V, Huc M, Hagolle O, Marcq S, Boulet G. A Software Tool for Atmospheric Correction and Surface Temperature Estimation of Landsat Infrared Thermal Data. Remote Sensing. 2016;8(696): 1-24. Moradi M, Kabiri K. Spatio-temporal variability of SST and Chlorophyll-a from MODIS data in the Persian Gulf. Marine Pollution Bulletin. 2015;98 (1-2): 14–25. 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. Thomas A, Byrne D, Weatherbee R. Coastal sea surface temperature variability from Landsat infrared data. Remote Sensing of Environment. 2002;81: 262–272. Mejías M, Ballesteros BJ, Antón-Pacheco C, Domínguez JA, Garcia-Orellana J, Garcia-Solsona E, Masqué P. Methodological study of submarine groundwater discharge from a karstic aquifer in the Western Mediterranean Sea. Journal of Hydrology. 2012;464–465: 27–40. Lewandowski J, Meinikmann K, Ruhtz T, Pöschke F, Kirillin G. Localization of lacustrine groundwater discharge (LGD) by airborne measurement of thermal infrared radiation. Remote Sensing of Environment, 2013;138: 119–125. Wilson J, Rocha C. A combined remote sensing and multi-tracer approach for localizing and assessing groundwater-lake interactions. International Journal of Applied Earth Observation and Geoinformation. 2016;44: 195–204. ROPME (the Regional Organization for the Protection of the Marine Environment). Regional Report of the State of the Marin Environment, Kuwait; 2000. Reynolds RM. Physical Oceanography of the Gulf, Strait of Hormuz, and the Gulf of Oman--Results from the Mt Mitchell Expedition. Marine Pollution Bulletin. 1993;27: 35-59. Duarte TK, Hemond HF, Frankel D, Frankel S. Assessment of submarine groundwater discharge by handheld aerial infrared imagery: case study of Kaloko fishpond and bay, Hawai’i. Limnology and Oceanography: Methods. 2006;4: 227–236. Schuetz T, Weiler M. Quantification of localised groundwater inflow into streams using ground-based infrared thermography. Hydrology and Land Surface Studies. 2011;38 (3): 1-5. Srivastava PK, Majumdar TJ, Bhattacharya AK. Surface temperature estimation in Singhbhum Shear Zone of India using Landsat-7 ETM+ thermal infrared data. Advances in Space Research. 2009;43: 1563–1574. USGS. LANDSAT 8 (L8) DATA USERS HANDBOOK, 2nd ed. LSDS-1574; 2016. Montanaro M, Gerace A, Lunsford A, Reuter D. Stray Light Artifacts in Imagery from the Landsat 8 Thermal Infrared Sensor. Remote Sensing. 2014;11: 10435-10456. Barsi JA, Schott JR, Hook SJ, Raqueno NG, Markham BL, Radocinski RG. Landsat-8 Thermal Infrared Sensor (TIRS) Vicarious Radiometric Calibration. Remote Sensing, 2014;6: 11607-11626. USGS. Pages dedicated to Landsat missions. Calibration Notices of January 29, 2014 Landsat 8 Reprocessing to Begin February 3, 2014. Available online: http://landsat.usgs.gov/calibration_notices.php (accessed on 31 October 2016). Artis DA, Carnahan WH. Survey of emissivity variability in thermography of urban areas. Remote Sensing of Environment. 1982;12(4): 313–329. 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. 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. 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. Nugent J, Thomas T. Bahrain and the Gulf, Past Perspectives and Alternative Futures. Palgrave Macmillan press; 1985. Zubari WK, Madany IM, Al-Junaid. Trends in the quality of groundwater in Bahrain with respect to salinity, 1941–1992. Environment International. 1994;20 (6): 739-746. Al Bassam AA, Tiro EHM. Using remote sensing and GIS for submarine freshwater springs exploration as a plausible water source in Saudi Arabia. Sixth National GIS Symposium in Saudi Arabia April 24 – 26, 2011 Le Meridian, Al-Khobar – Eastern Province. Stefouli M, Vasileiou E, Charou E, Stathopoulos N, Perrakis A, Giampouras P. Remote sensing techniques as a tool for detecting water outflows. The case study of Cephalonia Island. Bulletin of the Geological Society of Greece. 2013;47 (3): 1519-1528. UNESCO. Submarine groundwater discharge, management implications, measurements and effects. IHP-VI Series on Groundwater. 2004;5: 1-35. _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61484 مدیریت منابع آب در اکوسیستم های طبیعی پهنه ‏بندی تأثیر بارش ‏های فصلی بر عملکرد دیم در شرق دریاچۀ ارومیه با روش وارد و K- Means پهنه‌بندی تاثیر بارش‌های فصلی بر عملکرد دیم در شرق دریاچه ارومیه با روش وارد وK- Means محمدی پروا دانش‌آموختۀ کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه تبریز فاخری فرد احمد استاد، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه تبریز دین پژوه یعقوب دانشیار، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه تبریز اسدی اسماعیل استادیار، گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه تبریز 22 06 2017 4 2 489 498 22 01 2017 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61484.html

بارش از مهم‏ترین عوامل مؤثر بر عملکرد دیم است. لزوم مدیریت و استفادۀ بهینۀ آب در بخش کشاورزی، برای مدیریت و حفظ منابع آبی ضروری است. هدف اصلی این پژوهش، بررسی تأثیر تغییرات فصلی بارش بر میزان عملکرد سالانۀ دیم است. از داده‏های بارش ماهانۀ 26 ایستگاه باران‏سنجی منطقۀ شرق دریاچۀ ارومیه طی دورۀ آماری 1370 تا 1392 استفاده شد. خوشه‏بندی با روش‏های K- Means و وارد انجام شد. بررسی همگنی خوشه‏ها با آزمون آماری H صورت گرفت و خوشه‏های همگن در محیط GIS رسم شد. میزان تأثیر بارش‏های فصلی با عملکرد سالانۀ دیم مقایسه شد. نتایج نشان داد اثر بارش در سه فصل بهار، پاییز و زمستان در میزان عملکرد دیم مثبت است و بارش در این فصل‏ها روی افزایش عملکرد تأثیر شایان توجهی دارد. در این سه فصل بارش موجب افزایش ذخیرۀ رطوبت خاک می‌شود که فصل تابستان مصرف‌کنندۀ افزایش ذخیره است و در فصل تابستان رابطۀ معکوسی بین بارش و عملکرد سالانۀ دیم وجود دارد. خطوط هم‌بارش فصل‏ها با عملکرد دیم منطقۀ مطالعه‌شده به‌منظور شناسایی مناطق با افزایش توأم بارش و عملکرد دیم رسم شد. نتایج به‌دست‌آمده از این خطوط نشان داد در سه فصل بهار، پاییز و زمستان در ایستگاه‏های دریان، لیقوان، خرمازرد، سهلان، هروی، سعیدآباد، شیرین‏کندی، قوری‌گل، تبریز و مغانجیق افزایش بارش با مقدار عملکرد رابطۀ مستقیم دارد. این مناطق می‏تواند به‏عنوان مناطق‏ مستعدتر کشت دیم در منطقۀ شرق دریاچۀ ارومیه معرفی شود و شناخت تأثیر بارش بر میزان عملکرد دیم این مناطق می‏تواند کاربردی‏تر و قابل اطمینان‏تر باشد.    

 بارش‏ های فصلی پهنه‏ بندی خوشه‏ بندی شرق دریاچۀ ارومیه عملکرد دیم منابع [1]. Dinar A, editor. Measuring the impact of climate change on Indian agriculture. World Bank Publications; 1998; 402 p. [2]. Oche CY. Agroclimatic zonation for wheat production in the savanna region of Nigeria. Singapore Journal of Tropical Geography. 1998; 19(1): 39-50. [3]. Munoz-Diaz D, Rodrigo FS. Spatio-temporal patterns of seasonal rainfall in Spain (1912-2000) using cluster and principal component analysis: comparison. InAnnales Geophysicae. 2004; 22 (5): 1435-1448. [4]. Nassiri M, Koocheki A, Kamali GA, Shahandeh H. Potential impact of climate change on rainfed wheat production in Iran: (Potentieller Einfluss des Klimawandels auf die Weizenproduktion unter Rainfed-Bedingungen im Iran). Archives of agronomy and soil science. 2006; 52(1): 113-124. [5]. Liu S, Mo X, Lin Z, Xu Y, Ji J, Wen G, Richey J. Crop yield responses to climate change in the Huang-Huai-Hai Plain of China. Agricultural water management. 2010; 97(8):1195-209. [6]. Parracho AC, Melo-Gonçalves P, Rocha A. Regionalisation of precipitation for the Iberian Peninsula and climate change. Physics and Chemistry of the Earth, Parts A/B/C. 2016; 94:146-154. [7]. Azizi GH, Yarahmadi D. The relationship between climatic parameters and wheat yield using regression model case study of sliding Sylankhor. Journal of Geographical Research. 2003; 44:23-29. (Persian) [8]. Rasouli AA, Ghasemi GHolazani K, Sobhani B.The Role of precipitation and height in determining for cultivation of rainfed wheat using GIS (Case study: Ardebil), Journal of Geography and Development. 2005; 3:183-200. (Persian) [9]. Feizizadeh B, Blaschke T. Land suitability analysis for Tabriz County, Iran: a multi-criteria evaluation approach using GIS. Journal of Environmental Planning and Management. 2013; 56(1):1-23. (Persian) [10]. Balyani y, Hajarizadeh Z, Farjai A, Biat A. Agricultural climatic zoning of wheat cultivation using Geographic Information System Case Study: Fars province. Journal of Physical Geography. 2012; 5 (15): 33-50. (Persian) [11]. Hasheminasb FS, Mousavi BM, Balhtiari B, Bannayan M. The Effects of Rainfall on Dryland Wheat Yield and Water Requirement Satisfaction Index at Different Time Scales. Iranian of Irrigation and Water Engineering. 2014; 5 (17): 1-13. (Persian) [12]. MacQueen J. Some methods for classification and analysis of multivariate observations. InProceedings of the fifth Berkeley symposium on mathematical statistics and probability 1967; 1 (14): 281-297. [13]. Moemeni M. Data clustering 2nd Tehran. Mansour Momeni. 2014. (Persian) [14]. Ward Jr JH. Hierarchical grouping to optimize an objective function. Journal of the American statistical association. 1963; 58(301): 236-244. [15]. Hosking JR, Wallis JR. Some statistics useful in regional frequency analysis. Water resources research. 1993; 29(2):271-281._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61487 مدیریت منابع آب در اکوسیستم های طبیعی اولویت‌بندی حوضه‌های آبخیز از نظر خطر بروز سیل بر‌اساس مدل‌های تصمیم‌گیری چندمعیاره (تئوری سیستم‌های خاکستری-ELECTRE-TOPSIS) محمدی پروین دانشجوی کارشناسی ارشد دانشکدۀ منابع طبیعی دانشگاه تهران ملکیان ارش دانشیار دانشکدۀ منابع طبیعی دانشگاه تهران 22 06 2017 4 2 499 508 30 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61487.html

در سال‌های اخیر پروژ‌ه‌های کنترل سیلاب در کشور گسترش زیادی داشته است. با توجه به هزینۀ اجرا، اولویت‌بندی زیر‌حوضه‌ها اهمیت زیادی دارد و تصمیم‌گیری در خصوص سیلاب و مدیریت یکپارچۀ آبخیز را ضروری کرده است. اولین و مهم‌ترین قدم در انجام پروژه‌های مدیریت رواناب سیل، اولویت‌بندی مناطق لازم برای انجام پروژه‌های مهار سیلاب است. روش‌های تصمیم‌گیری ابزار مؤثری را برای برخورد با مسائلی فراهم می‌کنند که بیش از یک هدف دارند. در این تحقیق حوضۀ آبخیز پارچین بررسی و مطالعه شد. سپس با استفاده از روش‌های تصمیم‌گیری چند‌معیاره (ELECTRE،Grey، TOPSIS) زیر‌حوضه‌ها اولویت‌بندی شدند. نتایج به‌دست‌آمده از روش تحلیل خاکستری مشخص و بر اساس آن امتیاز برای نه زیر‌حوضه بررسی شد. حوضۀ 7 با بیشترین امتیاز (719443/0) در اولویت اول، حوضۀ 1 با (466119/0) اولویت دوم و حوضۀ 4 با کمترین مقدار امتیاز (331493/0) در اولویت آخر قرار گرفت. در روش تاپسیس با استفاده از محاسبۀ نزدیکی به راه حل ایده‌آل مثبت و منفی رتبه‌بندی انجام شد. حوضۀ 7 با بیشترین مقدار ضریب نزدیکی (843721/0) در اولویت اول قرار گرفت. نتایج رتبه‌بندی نشان داد هر سه روش در اولویت اول یکسان ارزیابی شدند. در سایر اولویت‌ها سه روش نتایج متفاوتی ارائه دادند. با توجه به نتایج به‌دست‌آمدۀ یادشده روش تاپسیس و تحلیل خاکستری بیشتر به هم شبیه بودند و نسبت به روش الکتر دقت بیشتری داشتند.      

 ‌آنتروپی شانون تصمیم‌گیری چند‌معیاره Electre Grey TOPSIS Wurbs RA. Reservoir- System Simulation and Optimization Models. Jornal of Water Resources Plnning and Management, ASCE. 1993; 119(4): 455 - 472. Ghassemi SA, Danesh Sh. Application of fuzzy analytical hierarchy process in determining the optimum alternative of brackish water desalination. Journal of Water and Soil. 2012; 26(4): 999-1009. Vivien YC. Fuzzy MCDM approach for selecting the best environment-watershed plan. Journal of applied soft computing. 2011; 11(1), 265-275. Deng JL. Control problems of grey systems. Systems and Control Letters. 1982; 1(5): 288–294.  Deng JL. Introduction to grey system theory. Journal of Grey System. 1989; 1(1): 1–24. Li Q X, Liu SF. The foundation of the grey matrix and the grey input–output analysis. Applied Math- ematical Modelling. 2008; 32: 267–291. Li GD, Yamaguchi D, Nagai M. A grey-based decision-making approach to the supplier selection problem. Mathematical and Computer Modelling. 2007; 46(3-4): 573-81. Saaty TL. The Analytic Hierarchy Process. McGraw-Hill, New York. 1980. Hwang CL, Yoon K. Multiple Attributes Decision Making Methods and Applications. Berlin: Springer; 1981. Tavana M, Marbini AH. A Group AHP-TOPSIS Framework for Human Spaceflight Mission Planning at NASA. Expert Sysemst Applications. 2011; 38; 13588–13603. Wang YJ. Applying FMCDM to Evaluate Financial Performance of Domestic Airlines in Taiwan. Expert Systems with Applications. 2008; 34(3): 1837–1845. Rao RV, Davim JP. A Decision-Making Framework Models for Material Selection Using a Combined Multiple Attribute Decision-Making Method. Jornal of Advanced Manufacturing Technology. 2008; 35: 751–760. Deng H, Yeh CH, Willis RJ. Inter-company Compari-son Using Modified TOPSIS with Objective Weights. Comput& Oper Res. 2000; 27(10), 963-973. Roy B. The Outranking Approach and the Foundation of ELECTRE Methods. Theory and Decision. 1991; 31(1): 49-73. Bogardi JJ, Nachtnebel HP. Multicriteria decision analysis in water resources management. Organaized by the International Training Centre (PHLO) and the Department of Water Resources of the Wageningen Agricultural University: The Netherlands; 1991. McLuckie D. Strategic Flood Risk Management. department of infrastructure planning & natural resources. 2002. _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61488 اکوهیدرولوژی بررسی اثر نمک‏ پاشی در جادۀ برف‌گیر بر ترکیب و تنوع گیاهی (مطالعۀ موردی: جادۀ کوهستانی گدار کفنوئیه بافت‌ـ بام کویر ایران) محمدی صدیقه استادیار، گروه اکولوژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان پناهی فاطمه استادیار، گروه علوم مهندسی بیابان، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان 22 06 2017 4 2 509 521 10 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61488.html

استفاده از نمک به‌عنوان پایین‌آورندۀ نقطۀ انجماد آب در سطح جاده‏های مناطق کوهستانی کشور استفادۀ طولانی و گسترده دارد. این پژوهش با هدف تعیین اثر نمک‏پاشی جاده بر درصد ترکیب گونه‏ای، شاخص‏های تنوع و غنای گونه‏ای اکوسیستم مرتعی مجاور جاده در منطقۀ گدار کفنوئیه جادۀ بافت‌ـ کرمان در سال 1395 انجام شد. پس از تعیین یک منطقۀ همگن از نظر شرایط اکولوژیکی در سمتی از جاده که رواناب‏ها به آن سو جریان دارند، به نمونه‏برداری پوشش گیاهی اقدام شد. نمونه‏برداری پوشش گیاهی با استقرار 80 رولوه به‌صورت سیستماتیک در امتداد چهار ترانسکت 150 متری انجام شد. به این‌‌صورت که در هر ترانسکت 10 ‌رولوه (پلات) اول نزدیک‏تر به هم (هر پنج متر) و 10 رولوۀ دوم دورتر از هم (هر 10 متر) روی ترانسکت استقرار یافتند. پس از استخراج شاخص‏های تنوع و غنا بر مبنای حضور داشتن و نداشتن گونه‏ها در محیط نرم‏افزاری PAST و BIO-DAP، اثر فاصله از مرکز نمک‏پاشی (جاده) بر کلیۀ شاخص‏ها با آزمون ANOVA یک‏‏طرفه و مقایسۀ میانگین داده‏ها با آزمون چنددامنۀ دانکن بررسی شد. نتایج نشان داد در فاصلۀ صفر تا 40 متری از جاده گونه‏های گیاهی مهاجم کرقیچ، شیرسگ و شیرین‌بیان سهم زیادی از ترکیب گونه‏ای را به خود اختصاص داده‌اند. یک نرخ افزایشی معنا‏دار در شاخص‏ چیرگی و برگر (به‌ترتیب 7/86 و 7/98 درصد نسبت به حاشیۀ جاده و 27/18 و 115 درصد نسبت به دورترین نوار از جاده) و کاهشی معنا‏دار در شاخص‏های سیمپسون، شانون، مارگاروف، منهینگ و فیشر (به‌ترتیب 2/45، 6/49، 5/38، 6/14 و 2/30 درصد نسبت به حاشیۀ جاده و 4/53 و 5/68، 6/77، 4/51 و 8/76 درصد نسبت به دورترین نوار از جاده) در نوار 40 متری از جاده مشاهده شد که بیان‌کنندۀ غالب‌بودن گونه‏های محدود با جمعیت زیاد (بیشتر علف شور) بود. گونۀ غالب و بومی مراتع منطقه (درمنۀ کوهی) به همراه سایر گونه‏های همراه مانند یال اسب و گون زرد از فاصلۀ 50 متر از جاده حضور پیدا کرده و با بیشتر‌شدن فاصله از جاده سهم آنها در ترکیب گیاهی بیشتر شد. براساس یافته‏های این پژوهش نمک‏پاشی جاده به‌دلیل تغییر دادن شرایط اکولوژیک به نفع گونه‏های مهاجم و شورپسند، شاخص‏های غنا، تنوع گونه‏ای را به‌طور معنا‏داری کاهش داده است که این مهم به کاهش توان و آسیب‏پذیری زیاد اکوسیستم‏های مرتعی مجاور منجر خواهد شد.    

 اکوسیستم تنوع کرمان کوهستان نمک ‏پاشی منابع [1]. Soleymani Kermani MR. Mechanical re-texturing of road surface aggregates. PhD Thesis in the Department of Civil Engineering, Queen Mary and Westfield College, University of London. 1995:210p. [2]. Soleymani Kermani MR. The impact of winter salting the skid resistance of the road surface. Journal of transportation. 2008; 5(2): 187-193. (In Persian) [3]. Ranjbar A, Sadatinejad SJ. The use of chlorophyll fluorescence indices to identify environmental stresses (drought and salinity) in leaves of Mutica Pistachio (Pistacia mutica L.). Iranian Journal of Ecohydrology. 2015; 2(3): 253-260. (In Persian) [4]. Emadian FA, Mirnia SK. Plant Ecophisiology. Mazandaran University Press. 2001. (In Persian) [5] Dordipour E, Ghadiri H, Hussein J. The influence of salinity and sodicity on soil erodibility, sediment transport and downstream water quality from three contrasting soils. J. Agric. Sci. Natur. Resour. 2007;14(4): 41-52. (In Persian) [6]. Bagheri R, Shafiei H, Fezoni L, Amiri I, Porsor K. Biomes of the Earth – Deserts. 1nd ed. Islamic Azad University of Baft Press; 2014. [7]. Amrhein C, Strong JE, Mosher PA. Effect of de-icing salts on metal and organic matter mobilization in roadside soils. Environ Sci Technol. 1993;26:703–9. [8]. Mavi MS, Marschner P. Drying and wetting in saline and saline-sodic soils effects on microbial activity, biomass and dissolved organic carbon. Plant and Soil. 2012; 355: 51-62. [9]. Mikutta R, Mikutta C, Kalbitz K, Scheel T, Kaiser K, Jahn R. Biodegradation of forest floor organic matter bound to minerals via different binding mechanisms. Geochimica Et Cosmochimica Acta. 2007; 71: 2569-2590. [10]. Backstrom M, Karlsson S, Backman L, Folkeson L, Lind B. Mobilisation of heavy metals by deicing salts in a roadside environment. Water Research. 2004;38: 720–732. [11]. Roomiani L, Jalilzadeh Yengejeh R. Study the Potential Uptake of Heavy Metals by Aquatic Plants in Dez River. Iranian Journal of Ecohydrology. 2016; 3(1): 133-140. (In Persian) [12]. Ebrahimi M, Ghasemi F, Pozesh Shirazi M. Phytoremediation potential of Puccinellia distans (Jacq.) Parl in Cd contaminated soil and method of leaching reduction into ground waters. Iranian Journal of Ecohydrology. 2015; 2(2): 201-210. (In Persian) [13]. Arzani H. Forage quality and daily requirement of grazing animal. 2nd ed. Tehran university press; 2008. (In Persian) [14]. Erfanian R, Arzani H. The effect of phenology and soil properties on forage quality of species Trifolium pretense and Coronilla varia. Pajouhesh va Sazandegi. 2003;16(1): 2-4. (In Persian) [15]. Nabati J, Kafi M, Nezami A, Rezvani Moghaddam P, Masoumi A, Zare Mehrjerdi M. Evaluation of quantitative and qualitative characteristic of forage kochia in different growth under salinity stress. EJCP. 2012; 5 (2): 111-128. (In Persian) [16]. Angassa A, Oba G. Effects of grazing pressure, age of enclosures and seasonality on bush cover dynamics and vegetation composition in southern Ethiopia. Journal of Arid Environments. 2010; 74; 111–120. [17]. Fattahi B, Ildoromi AR. Effect of Some Environmental Factors on Plant Species Diversity in the Mountainous Grasslands (Case Study: Hamedan-Iran). International Journal of Natural Resources and Marine Sciences. 2011; 1 (1): 45-52. (In Persian) [18]. Gholami P, Fakhimi Abarghouei E.Changes of species diversity and functional groups in relation to grazing in rangelands of Nodushan, Yazd province. Desert Ecosystem Engineering Journal. 2016; 5(11): 9-20. (In Persian) [19]. Rath KM, Rousk J. Salt effects on the soil microbial decomposer community and their role in organic carbon cycling: A review. Soil Biology & Biochemistry. 2015; 81: 108-123. [20]. Setia R, Smith P, Marschner P, Gottschalk P, Baldock J, Verma V. Simulation of salinity effects on past, present, and future soil organic carbon stocks. Environmental Science & Technology. 2012; 46:1624-1631. [21]. Burton M L, Samuelson LJ. Influence of urbanization on riparian forest diversity and structure in the Georgia Piedmont, US. Plant Ecology. 2008; 195: 99-115. [22]. Karraker NE, Ruthig GR. Effect of road deicing salt on the susceptibility of amphibian embryos to infection by water molds. Environmental Research. 2009; 109: 40–45. [23]. Rose D, Webber J. De-icing salt damage to trees. Pathology Advisory Note. Centre for Forestry and Climate Change. Forest Research. 2011; 11: 1-8. [24]. Senft AR. Species diversity pattern at ecotones. A thesis submitted to the faculty of the University of North Carolina at Chapel Hill in partial.fulfillment of the requirements for the degree of Masters of Science in the Department of Biology; 2009. [25]. Jane P, Young A, Rallings P, Rutherford M, Booth A L. The Effect of NaCl and CMA on the Growth and Morphology of plant. Journal of Botany. 2012; 1-8. [26]. Neher DA, Asmussen D, Lovell ST, Roads in northern hardwood forests affect adjacent plant communities and soil chemistry in proportion to the maintained roadside area. Science of the Total Environment. 2013; 449: 320–327. [27]. Weaver, N. Influence of exurban neighborhoods on riparian vegetation and stream salamanders in the southern Appalachian mountains. Clemson University; 2015. [28]. Vali AA, Ghazavi GR. The relationship between plant density and soil salinity and texture in Korsiah saline area in Darab region. Desert. 2003; 8(2): 236-248. (In Persian)  [29]. Zare Chahouki MA, Jafari M, Azarnivand H. Relationship between vegetation diversity and environmental factors in Poshtkouh rangelands of Yazd province. Pajouhesh & Sazandegi. 2008; 78:192-199. (In Persian) [30]. Zarei A, Zare Chahooki MA, Jafari M, Bagheri H, Alizadeh A. Effective edaphic factors on plant community distribution (case study: Koh Namak region of Qum province, Iran). Range land Journal. 2010; 4(3): 412-421. (In Persian) [31]. Rostampour M, Jafri M, Farzadmehr J, Tavili A, Zareh Chahooki MA. Investigation of relationships between plant biodiversity and environmental factors in the plant communities of Arid Ecosystems (Case study: Zirkouh of Qaen). Watershed Management Researches (Pajouhesh & Sazandegi). 2009; 83: 47-57. (In Persian) [32].Tatian MR, Zabihi AR, Tamartash R, Shabani M. Determination of indicator spicies of some soil characteristic by ordination method in koh Namak of Qum province, Iran. Environment. 2011; 37(58): 21-28. (In Persian) [33]. Toranjzar H, Zahedi Gh, Jafari M, Zahedipoor H. Relationship between soil physico-chemical attributes and plant communities (Case Study: Mighan Desert in Arak). Iranian journal of Range and Desert Reseach. 2011; 18 (3): 384-394. (In Persian) [34].Yari R, Azarnivand H, Zare Chahouki MA, Farzadmehr J. Relationship between species diversity and environmental factors in Sarchah Amari ranglands of Birjand. Iranian journal of Range and Desert Reseach. 2012; 19 (1); 95-107. (In Persian) [35]. Mohamadi S. The effect of geographical directions and distance from Playa salt layer on the composition and diversity of species (Case Study: Sirjan Playa). Desert Ecosystem Engineering Journal (DEEJ). 2016; 5(12): 123-135. (In Persian) [36]. Statistical Yearbook of Kerman Province, Management and Planning Organization, 2015. [37].Tabatabaei SMF. Living Things. Enteshar cooperation. 2nd ed. 2006. (In Persian)  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61489 مدیریت منابع آب در اکوسیستم های طبیعی انتخاب بهترین استان در تولید سیب‏زمینی از طریق ارزیابی شاخص رد پای آب انتخاب بهترین استان در تولید سیب‌زمینی با استفاده از ارزیابی شاخص ردپای آب محمدی علی دانشجوی کارشناسی ارشد مهندسی اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین دانشگاه تهران یوسفی حسین استادیار دانشکدۀ علوم و فنون نوین دانشگاه تهران نورالهی یونس دانشیار دانشکدۀ علوم و فنون نوین دانشگاه تهران ساداتی نژاد سید جواد دانشیار دانشکدۀ علوم و فنون نوین دانشگاه تهران 22 06 2017 4 2 523 532 30 12 2016 16 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61489.html

رد پای آب به‌عنوان شاخصی برای تخصیص منابع آب شیرین تعریف شده است که بینش ارزشمندی دربارۀ آثار محیط ‏زیستی تولید یک محصول ارائه می‌کند. هدف از انجام این پژوهش، تعیین مناسب‏ترین استان کشور برای تولید محصول سیب‏زمینی از جنبۀ مصرف آب شیرین بوده است که بدین‌منظور از شاخص رد پای آب استفاده شد. برای دستیابی به این هدف، ابتدا اطلاعات مربوط به سطح برداشت، تولید و عملکرد محصول در استان‏های اصلی تولیدکننده برای سال زراعی 1393‌ـ 1394 جمع‏آوری شد. سپس برای محاسبۀ رد پای آب در هر استان، اطلاعاتی نظیر نیاز آبی محصول و بارش مؤثر به تفکیک استان جمع‏آوری و در نهایت اجزای رد پای آب محاسبه شد. نتایج پژوهش نشان داد به‌ترتیب رد پای آب سبز، آبی و خاکستری بیشترین سهم را در تولید سیب‏زمینی همۀ استان‏ها به خود اختصاص دادند. با توجه به رد پای آب کل محاسبه‌شده، استان همدان بهترین منطقه برای کاشت سیب‏زمینی و استان سمنان نامناسب‏ترین منطقه از دیدگاه شاخص یادشده شناخته شدند. میانگین رد پای آب تولید سیب‏زمینی در سطح کشور نزدیک به 527 مترمکعب بر تن محاسبه شد. با توجه به شاخص رد پای آب و مقدار تولید محصول در هر استان، مشخص شد که در سال زراعی مطالعه‌شده، استان همدان با مصرف 338 میلیون مترمکعب و استان خراسان شمالی با مصرف 18 میلیون مترمکعب آب، به‌ترتیب بیشترین و کمترین مقدار از منابع آبی خود را به تولید این محصول کشاورزی اختصاص داده‏اند.  

 ارزیابی رد پای آب منابع آب مصرف آب نیاز آبی [1]. Torriani D, Calanca P, Lips M, Amman, H, Beniston M, Fuhrer J. Regional assessment of climate change impacts on maize productivity and associated production risk in Switzerland. Reg. Environ. Change. 2007; 7(3): 209–221. [2]. Bocchiola D, Nana E, Soncini A. Impact of climate change scenarios on crop yield and water footprint of maize in the Po valley of Italy. Agric. Water Manag. 2013; 116(1): 50–61. [3]. Supit I, van Diepen CA, Dewit AJW, Kabat P, Baruth B, Ludwig F. Recent changes in the climatic yield potential of various crops in Europe. Agric. Syst. 2010; 103(7): 683–694. [4]. Fader M, Gerten D, Thammer M, Lotze-Campen H, Lucht W, Cramer W. Internal and external green–blue agricultural water footprints of nations, and related water and land savings through trade. Hydrol. Earth Syst. Sci. 2011; 15(4): 1641–1660. [5]. Palazzoli I, Maskey S, Uhlenbrook S, Nana E, Bocchiola D. Impact of prospective climate change on water resources and crop yields in the Indrawati basin, Nepal. Agric. Syst. 2015; 133(8): 143–157. [6]. Herath I, Green S, Horne D, Singh R, Clothier B. Quantifying and reducing the water footprint of rain-fed potato production Part I: Measuring the net use of blue and green water. J. Clean. Prod. 2014; 81(15): 111–119. [7]. Cucek L, Klemes JJ, Kravanja Z. A review of footprint analysis tools for monitoring impacts on sustainability. J. Clean. Prod. 2012; 34(6): 9–20. [8]. Hoekstra AY. Virtual Water Trade: Proceedings of the international expert meeting on virtual water trade, Delft, The Netherlands, 12-13 December 2002. UNESCO-IHE, Delft, The Netherlands. Value of Water Research Report Series. 2003; No. 12. [9]. Mekonnen MM, Hoekstra AY. The green, blue and grey water footprint of crops and derived crop products. Hydrol. Earth Syst. Sci. 2011; 15(4): 1577–1600. [10]. Yuhang W, Deshan T, Ding Y, Agoramoorthy, G. Incorporating water consumption into crop water footprint: A case study of China's south–north water diversion project. Sci. Total Environ. 2016. 545(14): 601–608. [11]. Hoekstra AY. Water scarcity challenges to business. Nat. Clim. Change. 2014; 4(7): 318–320. [12]. Zhuo L, Mekonnen, MM, Hokestra AY, Wada Y. Inter- and intra-annual variation of water footprint of crops and blue water scarcity in the Yellow River basin (1961–2009). Adv. Water Resour. 2016; 87(11): 29–41. [13]. Chukalla AD, Krol MS, Hoekstra AY. Green and blue water footprint reduction in irrigated agriculture: effect of irrigation techniques, irrigation strategies and mulching. Hydrol. Earth Syst. Sci. 2015; 19(3): 4877–4891 [14]. Mekonnen MM, Hoekstra AY. The green, blue and grey water footprint of crops and derived crop products. Hydrol. Earth Syst. Sci. 2011; 15(3): 1577–1600. [15]. Lu Y, Zhang X, Chen S, Shao L, Sun H. Changes in water use efficiency and water footprint in grain production over the past 35 years: a case study in the North China Plain. J. Clean. Prod. 2016. 116(17): 71–79. [16]. Ababaei B, Ramezani Etedali, H. Water footprint assessment of main cereals in Iran. Agric. Water Manag. 2017; 179(21): 401-411. [17]. Schyns JF, Hoekstra AY. The added value of water footprint assessment for national water policy: A Case Study for Morocco. Plos One. 2014; 9(6): 1–14. [18]. Ministry of Agriculture, Agricultural statistics of crop productions for 2014-2015 crop year. Ministry of Agriculture Publication. Vol.1. 2015; 163p. [In Persian] [19]. Hoekstra AY, Chapagain AK. Globalization of water: Sharing the planet’s freshwater resources. Blackwell Publishing, Oxford, UK; 2008. [20]. Hoekstra AY, Chapagain AK, Aldaya MM, Mekonnen MM. Water footprint manual: State of the Art 2009. Water Footprint Network, Enschede, The Netherlands; 2009. [21]. Hoekstra AY, Chapagain AK, Aldaya MM, Mekonnen MM. The water footprint assessment manual: Setting the global standard. Earth scan, London, UK; 2011. [22]. Ministry of Agriculture, Costs of agricultural productions. Ministry of Agriculture Publication. 2014; 73p. [In Persian] [23]. Ministry of Agriculture, Agricultural statistics of water and soil resources. Ministry of Agriculture Publication. Vol. 2. 2015; 73p. [In Persian] [24]. Chapagain AK, Hoekstra AY, Savenije HHG. Water saving through international trade of agricultural products. Hydrol. Earth Syst. Sci. 2006; 10(4): 455–468 [25]. Prasad R, Hochmuth GJ, Boote KJ. Estimation of nitrogen pools in irrigated potato production on sandy soil using the model SUBSTOR. Plos One. 2015; 10(1): 0–20. [26]. Rodriguez CI, Ruiz de Galarreta VA, Kruse EE. Analysis of water footprint of potato production in the Pampean region of Argentina. J. Clean. Prod. 2015; 90(4): 91–96. [27]. Huang J, Zhang H, Tong W, Chen F. The impact of local crops consumption on the water resources in Beijing. J. Clean. Prod. 2012; 21(1): 45–50._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61490 اکوهیدرولوژی پهنه‏ بندی غلظت و ارزیابی ریسک اکولوژیک فلزات سنگین در رسوبات تالاب میقان پهنه بندی غلظت و ارزیابی ریسک اکولوژیک فلزات سنگین در رسوبات تالاب میقان اراک مرتضوی ثمر استادیار، دانشکدۀ منابع طبیعی و محیط زیست، دانشگاه ملایر صابری نسب فائزه دانشجوی کارشناسی ارشد آلودگی‌های محیط زیست، دانشکدۀ منابع طبیعی و محیط زیست، دانشگاه ملایر 22 06 2017 4 2 533 545 30 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61490.html

با افزایش بی‌رویۀ جمعیت و در پی آن توسعۀ صنایع آلاینده‏های بسیاری وارد محیط زیست شده است. بدین‌منظور بوم‏سازگان‏های آبی بیشتر در معرض مواد شیمیایی با ترکیبات مختلف به‏ویژه عناصر سنگین قرار دارند. در پژوهش حاضر آلودگی رسوبات اطراف حوضچۀ آبگیر تالاب میقان به فلزات سنگین سرب، روی و مس به کمک روش هضم اسیدی و با دستگاه جذب اتمی بررسی شد و شاخص‏های ضریب آلودگی (CF) و ریسک اکولوژیک (RI) محاسبه شد. با‏ توجه به نتایج به‌دست‌آمده، مقایسه با استاندارد کیفیت رسوب (SQGs) صورت پذیرفت. در نهایت، پهنه‏بندی فلزات به کمک برآورد تراکم کرنل نشان داد بخش‏های جنوبی و غربی این تالاب به‌‏علت استقرار شهرک‏های صنعتی و پساب‏های زمین‏های کشاورزی تمرکز زیادی از آلاینده‏ها دارد. همچنین بررسی فلزات سنگین بیان‌کنندۀ غلظت زیاد فلز مس (۱۸/۳۸ میکروگرم بر گرم) نسبت به عناصر روی (۵۷/۱۱ میکروگرم بر گرم) و سرب (۸۲/۹ میکروگرم بر گرم) در منطقه بود. در پایان، لزوم کنترل آلاینده‏های موجود در تالاب میقان پیشنهاد می‌شود.      

 تالاب میقان تراکم کرنل ریسک اکولوژیک ضریب آلودگی فلزات سنگین [1]. Mahdavi A, Omid MH, Ganjali MR. Experimental study of sorption and transport of Cadmium in the presence of bed load. J Environ Sci. 2009;34(48):1-12, [Persian]. [2]. Salomons W, Forstner U. Metals in the hydrocycle. Springer: Berlin; 1984. [3]. Sobczynski T, Siepak J. Speciation of heavy metals in bottom sediments of lakes in the area of Wielkopolski National Park. Pol. J. Environ. Stud. 2001;10(6):463. [4]. Eggleton J, Thomas KV. A review of factors affecting the release and bioavailability of contaminants during sediment disturbance events. Environment international. 2004;30(7):973-80. [5]. Wang Y, Yang Z, Shen Z, Tang Z, Niu J, Gao F. Assessment of heavy metals in sediments from a typical catchment of the Yangtze River, China. Environmental Monitoring and Assessment. 2011;172(1):407-17. [6]. Luo W, Lu Y, Wang T, Hu W, Jiao W, Naile JE, Khim JS, Giesy JP. Ecological risk assessment of arsenic and metals in sediments of coastal areas of northern Bohai and Yellow Seas, China. Ambio. 2010;39(5-6):367-75. [7]. Gismera MJ, Lacal J, da Silva P, Garcia R, Sevilla MT, Procopio JR. Study of metal fractionation in river sediments. A comparison between kinetic and sequential extraction procedures. Environmental Pollution. 2004;127(2):175-82. [8]. Bazzi A. Determining the level of heavy metal pollution in surface sediments of the Gulf of Chabahar. ijhe. 2015; 8(1):45-56, [Persian]. [9]. Bahaor M, Naji A, Dehghani M. Anthropogenicimpacts on heavy metals (Pb, Ni, Zn and Fe) concentration in surface sediments of Shoor River Estuary, Bandar Abbas. Journal of Aquatic Ecology. 2015;5(2):38-48, [Persian]. [10]. Cheng Q, Wang R, Huang W, Wang W, Li X. Assessment of heavy metal contamination in the sediments from the Yellow River Wetland National Nature Reserve (the Sanmenxia section), China. Environmental Science and Pollution Research. 2015;22(11):8586-93. [11]. Li R, Li R, Chai M, Shen X, Xu H, Qiu G. Heavy metal contamination and ecological risk in Futian mangrove forest sediment in Shenzhen Bay, South China. Marine pollution bulletin. 2015;101(1):448-56. [12]. Razaghi M, Shokri M R, Savari A, Pazooki J. Ecological risk assessment using heavy metals from surface sediments of Nayband Bay and Asaluyeh region (Northern Persian Gulf). J. Aqu. Eco.. 2013; 2 (3) :68-57[Persian]. [13]. Jamshidi ZA, Saeedi M. Metals pollution assessment of aurface aediment in Anzali wetland and their quality zonation. J. Environ. Stud. 2014;4(39):157-170[Persian]. [14]. Omidi M, Ghiabi P, Naebi M. Study the effect of climate change on drying of Mighan wetland. The third national conference on combating desertification and sustainable development of Iran desert wetland. 2012, [Persian]. [15]. Ansari A. Introducing of Meighan Wetland as International Wetland. Environ J. 2007;45, [Persian]. [16]. Dalman O, Demirak A, Balcı A. Determination of heavy metals (Cd, Pb) and trace elements (Cu, Zn) in sediments and fish of the Southeastern Aegean Sea (Turkey) by atomic absorption spectrometry. Food Chemistry. 2006;95(1):157-62. [17]. Ismail A. Heavy metal concentrations in sediments off Bintulu, Malaysia. Marine Pollution Bulletin. 1993;26(12):706-7. [18]. Ismail A. Heavy metal concentrations in sediments off Bintulu, Malaysia. Marine Pollution Bulletin. 1993;26(12):706-7. [19]. Hakanson L. An ecological risk index for aquatic pollution control. A sedimentological approach. Water research. 1980;14(8):975-1001. [20]. Turkian KK, Wedephol KH. Distribution of the elements in some major units of the earth crust. Geol Soc Am Bull. 1964;175-192. [21]. Bai J, Cui B, Chen B, Zhang K, Deng W, Gao H, Xiao R. Spatial distribution and ecological risk assessment of heavy metals in surface sediments from a typical plateau lake wetland, China. Ecological Modelling. 2011;222(2):301-6. [22]. Sundaray SK, Nayak BB, Lin S, Bhatta D. Geochemical speciation and risk assessment of heavy metals in the river estuarine sediments—a case study: Mahanadi basin, India. Journal of hazardous materials. 2011;186(2):1837-46. [23]. Smith SL, MacDonald DD, Keenleyside KA, Ingersoll CG, Field LJ. A preliminary evaluation of sediment quality assessment values for freshwater ecosystems. Journal of Great Lakes Research. 1996;22(3):624-38. [24]. CCME. Canadian Council of Ministers of the Environment. Protocol for the derivation of Canadian Sediment quality guidelines for the protection of aquatic life. Canadian Council of Ministers of the Environment; 1995. [25]. MacDonald DD, Ingersoll CG, Berger TA. Development and evaluation of consensus-based sediment quality guidelines for freshwater ecosystems. Archives of environmental contamination and toxicology. 2000;39(1):20-31. [26]. Macdonald DD, Carr RS, Calder FD, Long ER, Ingersoll CG. Development and evaluation of sediment quality guidelines for Florida coastal waters. Ecotoxicology. 1996;5(4):253-78. [27]. MacDonald DD. Development and applications of sediment quality criteria for managing contaminated sediment in British Columbia. MacDonald Environmental Sciences Limited; 2003. [28]. Duong T, Cowling A, Koch I, Wand MP. Feature significance for multivariate kernel density estimation. Computational Statistics & Data Analysis. 2008;52(9):4225-42. [29]. Sabel CE, Kingham S, Nicholson A, Bartie P. Road traffic accident simulation modelling-a kernel estimation approach. InThe 17th Annual Colloquium of the Spatial Information Research Centre University of Otago, Dunedin, New Zealand 2005; 67-75.- [30]. Adams WJ, Kimerle RA, Barnett Jr JW. Sediment quality and aquatic life assessment. Environmental science & technology. 1992;26(10):1864-75. [31]. Bagheri H, Azimi A. The distribution of heavy metals in surface sediments of Sisangan coasts-the southern coast of Caspian sea. joc. 2015; 6 (21) :27-36, [Persian]. [32]. Kadhum SA, Ishak MY, Zulkifli SZ, binti Hashim R. Evaluation of the status and distributions of heavy metal pollution in surface sediments of the Langat River Basin in Selangor Malaysia. Marine pollution bulletin. 2015;101(1):391-6. [33]. Liang J, Liu J, Yuan X, Zeng G, Lai X, Li X, Wu H, Yuan Y, Li F. Spatial and temporal variation of heavy metal risk and source in sediments of Dongting Lake wetland, mid-south China. Journal of Environmental Science and Health, Part A. 2015;50(1):100-8._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61491 مدیریت منابع آب در اکوسیستم های طبیعی استفاده از شبکۀ عصبی‌ـ فازی تطبیق‌پذیر (ANFIS) به‌منظور پیش‌بینی کیفیت آب زیر‌زمینی در غرب استان فارس طی سال‌های 1383 تا 1393 مکرم مرضیه عضو هیئت علمی، دانشکدۀ کشاورزی و منابع طبیعی داراب، دانشگاه شیراز مکرم محمد جعفر دانشجوی دکتری برق قدرت، دانشگاه صنعتی شیراز زارعی عبدالرسول عضو هیئت علمی، گروه مهندسی منابع طبیعی (مرتع و آبخیزداری)، دانشکدۀ کشاورزی، دانشگاه فسا* صفری نژادیان بهروز عضو هیئت علمی، گروه مهندسی برق و الکترونیک، دانشگاه صنعتی شیراز 22 06 2017 4 2 547 559 30 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61491.html

با توجه به کاهش بارندگی و استفادۀ بیش از حد از آب‌های زیر‌زمینی، بررسی کیفیت آنها از مهم‌ترین چالش‌های بحث‌شده در مناطق مختلف از جمله ایران است. تخمین کیفیت آب از طریق مدل‏سازی، از جمله استفاده از شبکه‏های عصبی، موجب کاهش هزینه و مدیریت بهتر می‏شود. بنابراین، تحقیق حاضر با هدف بررسی کیفیت آب زیر‏زمینی در یک دورۀ 10 ساله (1383 تا 1393) با استفاده از شبکه‏های عصبی‌ـ فازی تطبیق‏پذیر (ANFIS) در غرب استان فارس انجام گرفت. در این مطالعه از سه روش grid partitioning، clustering sub و FCM در دو حالت هیبرید و پس‌انتشار خطا به‌منظور پیش‏بینی کیفیت آب زیر‌زمینی استفاده شد. پارامترهای آموزش در این مطالعه، هدایت الکتریکی (EC) و نسبت جذب سدیم (SAR) هستند. همچنین برای آموزش شبکه از کلاس‏های کیفیت آب تهیه‌شده توسط دیاگرام ویلکاکس استفاده شد. در آلودگی شیمیایی، طبق دیاگرام ویلکاکس نسبت جذب سدیم و هدایت الکتریکی مهم‌ترین فاکتورهایی هستند که با اندازه‏گیری آنها می‌توان آب منطقۀ مطالعه‌شده را در کلاس‏های مختلف مانند خیلی مناسب، مناسب و نامناسب برای آبیاری کلاس‌بندی کرد. بر اساس نتایج از بین مدل‏های مختلف پیش‌بینی کیفیت آب زیرزمینی، مدل هیبرید در روش FCM با بیشترین R (99/0) و کمترین خطا، بیشترین دقت در پیش‌بینی کیفیت آب زیرزمینی منطقۀ مطالعه‌شده را دارد.      

 شبکۀ عصبی‌ـ فازی تطبیق‌پذیر (ANFIS) کیفیت آب EC SAR Ebn al-BalḵrG. Le Strange as Description of the Province of Fars.1912. London. Kurepazan A. The principles of fuzzy set theory and its applications. Publications Amir Kabir University Jihad. 2004. Minhaj MB. Fundamentals of artificial neural networks." Amirkabir University Press. 2005. Sowlat MH. A novel, fuzzy-based air quality index (FAQI) for air quality assessment. Atmospheric Environment. 2011: (45): 2050-2059. Lermontov A. River quality analysis using fuzzy water quality index: Ribeira do Iguape river watershed, Brazil. Ecological Indicators. 2009: (9): 1188-1197. Ocampo-Duque W. Assessing water quality in rivers with fuzzy inference systems: A case study. Environment International. 2006: (32): 733-742. Alireza V. Cropping Pattern Optimization by Using of TOPSIS and Genetic Algorithm Based on the Capabilities of GIS. Eco hydrology journal. 2016: 3(1): 69-82. Mirabbasi R, Mazloumzadeh SM, Rahnama MB. Evaluation of irrigation water using fuzzy logic. Research Journal of Environmental Sciences. 2008: (2): 340-353. Muhammetoglu A, Yardimci A. A Fuzzy Logic Approach to Assess Groundwater Pollution Levels below Agricultural Fields. Environmental Monitoring and Assessment. 2006: 118:337-354. Dahiya S. Analysis of groundwater quality using fuzzy synthetic evaluation. Journal of Hazardous Materials. 2007: (147): 938-946. Sharifi-Rad J, Hoseini-Alfatemi M, Sharifi-Rad M, William NS. Chemical composition, antifungal and antibacterial Activities of essential oil from lallemantia Royleana (benth. In wall.) Benth. Journal of Food Safety. 2015: (35): 19–25. Nowshadi M, Salmyh R, Ahmadzada M. Simulation and forecasting of water quality parameters of Zayandehrood using artificial neural network. Journal of Water and Wastewater. 2009: 18(4): 49-65. Oliaei A, Banzhad H, Samadi MT, Rahmani A, Saghi MH. Evaluation of artificial neural network performance in predicting indicators of quality (BOD and DO) in Moradbeik River, Hamedan. Water and soil science (agricultural knowledge). 2012: 20(1): 199 - 210. Keshavarz A, Khashei Siooki A, Najafi MH. Locating appropriate water extraction using fuzzy hierarchical analysis (Case study: Birjand aquifer). Journal of Water and Wastewater. 2015: 142-135. Raii R, Fallahpour S. The use of support vector machine to predict corporate financial distress using financial ratio. Accounting and Auditing review. 2010: 15(53): 21-32. Karami B, Golabi M. Simulate and predict water quality parameters using artificial neural networks, fuzzy neural and statistical regression (Case study: Karun river, Khuzestan province)." The ninth international seminar river. Ahvaz martyr Chamran University. 2013. Darvari Z, Gholami V, Derakhshan S. Simulated groundwater salinity using artificial neural network (ANN) in coast of the Mazandaran province. Journal of Water and Irrigation. 2014: 36(2): 61-70. Alaii M, Zanguy M, Zanguy H. Prediction of water quality using neural networks MLP and adaptive fuzzy inference system (ANFIS) in Neyshabur plain. The National Conference of Environmental Science and Engineering. 2015. Ahvaz. Bisht DCS, Jangid A. Discharge modeling using adaptive neuro-fuzzy inference system. International Journal of advances science and technology. 2011: (31): 99–114. Mohammad NT, Seyed Reza H, Farshad A, Zahra NT. Evaluation the Accuracy of ANFIS, SVM and GP Models to Modeling the River Flow Discharge. Eco hydrology journal. 2016: 3(3): 347-361. Afshin H,  Mahdi P, Maryam Z, Moslem H. Land Use Optimization Using Combination of Fuzzy Linear Programming and Multi Objective Land Allocation Methods (Case Study: ChelgerdWatershed). Eco hydrology journal. 2016: 3(3): 363-377. Ghandi A, Asghari Moghadam A. Evaluation of effective parameters in underground water quality (Tasouj Plain), 9th conference of geology, Tarbiyat Moaalem University, Iran. 2005. Baharvand S, Ahmadi Khalaji A, Adib A, Uosefi Rad M. Role of different formation of geology in underground water quality (North of Khoram Abad), 3th conference of geology and environment, Eslamshahr, Azad university. 2006. Taalohi M, Tabatabaee H. Predicting bar dam water quality using neural-fuzzy inference system. Indian Journal of Fundamental and Applied Life Sciences. 2014: 2231– 6345. Najah AA, Shafie AEK, Othman AJO. Water quality prediction model utilizing integrated wavelet-ANFIS model with cross-validation. Eural Computing and Applications. 2012: 21(5):1-9.   Alavi N, Nozari, V, Mazloumzadeh S, Nezamabadi-pour H. Irrigation water quality evaluation using adaptive network-based fuzzy inference system. Paddy & Water Environment. 2010: 8(3): 259-264.  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61492 اکوهیدرولوژی بررسی توزیع فضایی عوامل مؤثر بر فرسایش ‏پذیری خاک در منطقۀ خور و بیابانک بررسی توزیع فضایی عوامل مؤثر بر فرسایش‌پذیری خاک در منطقه خور و بیابانک موسوی سید علی دانشجوی دکتری بیابان ‏زدایی، گروه مهندسی علوم بیابان، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان موسوی سید حجت استادیار گروه جغرافیا و اکوتوریسم، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان رنجبر فردوئی ابوالفضل دانشیار گروه مهندسی علوم بیابان، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان ساداتی نژاد سید جواد دانشیار دانشکدۀ علوم و فنون نوین دانشگاه تهران 22 06 2017 4 2 561 571 30 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61492.html

در حال حاضر فرسایش یکی از معضلات مهم زیست‏محیطی حوضه‏های آبخیز ایران به‏شمار می‏رود و تعیین میزان رسوب و فرسایش‏پذیری خاک برای حفاظت و مدیریت منابع طبیعی بسیار حائز اهمیت است. بنابراین، هدف از پژوهش حاضر ارزیابی توزیع فضایی فرسایش‏پذیری خاک در منطقۀ خور و بیابانک و ارتباط آن با برخی خصوصیات فیزیکی خاک با استفاده از روش‏های زمین‏آمار است. بدین‌منظور تعداد 33 نمونه خاک در امتداد سه ترانسکت از واحد پلایا تا کوهستان برای تعیین مقادیر مؤلفه‏های ماسه، رس، سیلت، کربن آلی و مواد آلی، از عمق صفر تا 50 سانتی‌متری برداشت شد. سپس از طریق روش‏های آزمایشگاهی مقادیر پارامترهای یادشده اندازه‏گیری شد و مقدار عامل فرسایش‏پذیری (K) و شاخص فرسایش‏پذیری خاک (SEI) محاسبه شد. درنهایت، به‌منظور بررسی توزیع فضایی پارامترهای یادشده انواع روش‏های میان‌یابی آزمایش و مناسب‏ترین روش انتخاب شد. نتایج نشان داد برای توزیع فضایی مؤلفه‏های ماسه، رس و عامل K، روش تابع پایۀ شعاعی به‏ترتیب با RMSE 27/3، 22/3 و 0036/0، برای مؤلفه‏های کربن و مادۀ آلی روش کریجینگ ساده به‏ترتیب با RMSE 34/0 و 59/0، برای سیلت روش کریجینگ معمولی با RMSE 88/0، و برای شاخص SEI روش کریجینگ جهانی با RMSE 0014/0 مناسب‏ترین روش‏های میان‏یابی شناخته شدند. درنهایت، کمترین و بیشترین مقادیر عامل K با 025/0 و 07/0 تن در ساعت بر مگا‌ژول میلی‏متر و همچنین کمینه و بیشینۀ شاخص SEI با مقادیر 03/0 و 07/0 به‏ترتیب در قسمت‏های شرقی، و غرب و شمال غربی منطقه گسترده شده است.      

 بافت خاک خور و بیابانک زمین‏ آمار فرسایش ‏پذیری منابع [1]. FAO/UNEP. Provisional methodology for assessment and mapping of desertification. FAO, Rome. 1984 [2]. Karam A, Safarian A, Hajje Foroshnia Sh. Estimation of soil erosion in the watershed zoning Mamlou (zaragh Tehran) using methods modified universal equation of soil erosion and the analytic hierarchy process. Researches in Earth Sciences. 2010; 1(2): 73-86. (In Persian) [3]. Young R, Mutchler C. Edibility of some Minnesota soils. J. Soil Water Conserv. 1977; 32(3): 180–200. [4]. Wallace A, Terry RE. Soil conditioners, soil quality and soil sustainability. Marcel Dekker, New York, NY, 1998: 1–41. [5]. Sadeghi SHR, Kianei-e-Harchagani M, Saeedi P, Allafi Badi M. Assessing capability of RUSLE in estimation of storm’s sediment. Forth Conference on Sciences and Watershed Management Engineering of Iran. Karaj, Iran. 2008. (In Persian) [6]. Wang GG, Gertner X, Anderson A. Uncertainty assessment of soil erodibility factor for revised universal soil loss equation. Catena. 2001; 46: 1-14. [7]. Parysow P, Wang G, Gertner G, Anderson AB. Spatial uncertainty analysis for mapping soil erodibility based on joint sequential simulation. Catena. 2003; 736: 1-14. [8]. Wischmeier WH, Mannering JV. Relation of soil properties to its erodibility. Soil Sci. Am. Proc. 1969; 33: 131-136. [9]. Hoyos N. Spatial modeling of soil erosion potential in a tropical watershed of the Colombian Andes. Catena. 2005; 63: 85-108. [10]. Rodriguez RR, Arbelo CD, Guerra JA, Natario MJS, Armas CM. Organic carbon stocks and soil erodibility in Canary Islands Andosols. Catena. 2006; 66: 228-235. [11]. Charman PEV, Murphy BW. Soils (their properties and management). Second edition, Land and Water Conservation, New South Wales, Oxford, 2000: 206-212. [12]. Duiker SW, Flanagan DC, Lal R. Erodibility and infiltration characteristics of five major soils of southwest Spain. Catena. 2001; 45: 103-121. [13]. Miller RW, Gardiner DT. Soils in our environment. 8th edition. Prentice-Hall Inc. United State of America. 1998: 75-81. [14]. Santos FL, Reis JL, Martins OC, Castanheria NL, Serralherio RP. Comparative assessment of infiltration, runoff and erosion of sprinkler irrigation soils. Biosystems Engineering. 2003; 86(3): 355-364. [15]. Burrough PA. Sampling designs for quantifying map unit composition. In: Mausbach Mj, Wilding LP. (Eds), Spatial variability of soils and landforms. Soil Science Society American Journal. 1991; 28: 89-125. [16]. Millward AA, Mersey JE. Adapting the RUSLE to model soil erosion potential in a mountainous tropical watershed. Catena. 1999; 3: 109-129. [17]. Wang G, Gertner G, Fang S, Anderson AB. Mapping multiple variables for predicting soil loss by geostatistical methods with TM images and a slope map. Photogrammetric Engineering and Remote Sensing. 2003; 69: 889-898. [18]. Goovaert P. Geostatistic in soil science: State of the art and perspective. Geoderma. 1999; 38:45- 93. [19]. Deutsch CV. Geostatistical reservoir modeling. Oxford University Press. 2002. [20]. Kariminazar M, Fakhire A, Fayznia S, Rashki SA, Mirsolayman SJ. Evaluation of methods for estimating the speed of wind erosion in plain Sistan. Journal Natural Resources. 2009; 62 (3): 405 -417. (In Persian) [21]. Foster GR, Young RA, Romkens MJM, Onstad CA. Processes of soil erosion by water. In: Follett RF, and Stewart BA. Soil erosion and crop productivity. American Society of Agronomy, Inc., Soil Science Society of America, Madison, Wisconsin, USA. 1985: 137-159. [22]. Rejman J, Turski R, Paluszek J. Spatial and temporal variability in erodibility of loess soil. Soil and Tillage Research. 1998; 46: 61-68. [23]. Gee GW, Bauder JW. Particle size analysis, In: A. Klute (Ed), Methods of Soil Analysis. Part one and second edition, Agron. Monogr.9. ASA and SSSA, Madison, W.I. 1986; 404-407. [24]. Klute A. Methods of soil analysis part I. Physical and mineralogical methods. 2nd Ed. Soil Science Society of America. 1986. [25]. Chien YJ, Lee DY, Guo HY, Houng KH. Geostatical analysis of soil properties of mid-west Taiwan soils. Soil Science. 1997; 162: 291- 298. [26]. Zhang K, Li S, Peng W, Yu B. Erodibility of agriculture soils and loess plateau of China. Soil and Illage. Res. 2004; 76: 157-165. [27]. Wang G, Gertner G, Singh V, Shinkareva S, Parysow P, Anderson A. Spatial and temporal prediction and uncertainty of soil loss using the RUSLE: a case study of the rainfall runoff erosivity R Factor. Ecological Modelling. 2002; 153: 143-155. [28]. Irvem A, Topalolu F, Uygur V. Estimating spatial distribution of soil loss over Seyhan River Basin in Turkey. Journal of Hydrology. 2007; 336: 30-37. [29]. Rodríguez RP, Marques MJ, Bienes R. Spatial variability of the soil erodibility parameters and their relation with the soil map at subgroup level. Environmental Sciences. 2007; 378 (1-2): 166-173. [30]. Sokouti Oskouie R. Evaluation of structure of spatial variation of the soil erodibility in the Orumieh region, Proceedings of the 9th Congress on Soil. Tehran, Iran. 2005; 482-487. (In Persian) [31]. Saremi Naeini MA, Zareian Jahromi M, Ekhtesasi MR, Mohammadian Behbahani A. Wind threshold velocity surviving by using Geo-statistics (case study: Yazd city). 10th National Congress on Soil Science. Karaj, Iran. 2007. (In Persian) [32]. Wilson JP, Lorang MS. Spatial models of soil erosion and GIS. In spatial models and GIS. New potential and new models, Fotheringham AS, Wegener, M. (Eds). Taylor and Francis: Philadelphia, PA, 2000; 83-108. [33]. Vaezi A, Bahrami HA, Sadeghi SHR, Mahdian MH. The new monograph to estimate erosion-risk factor (K) in the semi-arid region in the northwestern part of the territory of Iran. Journal of Soil and Water Sciences (Science and Technology of Agriculture and Natural Resources). 2009; 13(49): 69-80. (In Persian) [34]. Nelson DW, Sommer LE. Total carbon, organic carbon, and organic matter. In: A.L. Page (ed.) Methods of Soil Analysis. 2nd ed. ASA Monogr. Amer. Soc. Agron. Madison. 1982; 9(2): 539- 579. [35]. Wischmeier W, Smith D. Predicting rainfall erosion losses: a guide to conservation planning. Agricultural Handbook No. 537. Washington DC, USA: U.S. 1978. [36]. Renard KG, Foster GR, Weessies GA. McCool DK. Predicting soil erosion by water: a guide to conservation planning with the Revised Universal Soil Loss Equation (RUSLE). In: Yoder DC, editor. U.S. Department of Agriculture, Agriculture Handbook 703, Geomorphology 2002; 47(2–4): 189–209. [37]. Webb NP, McGowan HA, Phinn SR, Leys JF, McTainsh GH. A model to predict land susceptibility to wind erosion in Western Queensland, Australia. Environmental Modelling & Software. 2009; 24: 214-227. [38]. Mirzaee S. Vulnerability assessment and risk mapping using GIS Shahrekord plain groundwater pollution and DRASTIC model and SINTACS. Master's Thesis on Soil Science, Faculty of Agriculture, University of Shahrekord, 2009. (In Persian) [39]. Faraji Sabokbar HS, Azizi Gh. Evaluate the accuracy of spatial interpolation, Case study: modeling Kardeh rainfall areas of Mashhad. Geographical Journal. 2006; 58: 1-15. (In Persian) [40]. Anderson SH. An evaluation of spatial interpolation methods on air temperature in Phoenix. AZ. 2000. [41]. Matkan A, Shakiba A, Yazdani A. Evaluate different methods of interpolation to estimate daily rainfall, Case study: Fars province. Territory. 2007; 13: 54-67. (In Persian)_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61494 مدیریت منابع آب در اکوسیستم های طبیعی تحلیل خشکسالی‏ های شمال شرق ایران با استفاده از شاخص کمبود توأم (JDI) تحلیل خشکسالی‌های شمال شرق ایران با استفاده از شاخص کمبود توام (JDI) میرعباسی نجف آبادی رسول استادیار گروه مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهرکرد* احمدی فرشاد دانشجوی دکتری مهندسی منابع آب، دانشکدۀ مهندسی علوم آب، دانشگاه شهید چمران اهواز عاشوری میثم کارشناس ارشد هیدروژئولوژی، شرکت آب منطقه ‏ای استان آذربایجان غربی ناظری تهرودی محمد دانشجوی دکتری مهندسی منابع آب، دانشکدۀ کشاورزی، دانشگاه بیرجند 22 06 2017 4 2 573 585 30 12 2016 18 02 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61494.html

پایش و پیش‏بینی خشکسالی‏ها، به‌ویژه تعیین دقیق زمان شروع و تداوم آن، اهمیت ویژه‏ای در مدیریت منابع آبی و برنامه‏ریزی برای کاهش تأثیرات مخرب خشکسالی دارد. در این مطالعه خشکسالی‏های منطقۀ شمال شرق ایران با استفاده از شاخص کمبود توأم (JDI) ارزیابی شد. داده‏های بارش ماهانۀ شش ایستگاه سینوپتیک تربت حیدریه، سبزوار، سمنان، شاهرود، گرگان و مشهد، در دورۀ آماری 1971‌ـ 2011، برای محاسبۀ شاخص JDI ‌استفاده شد. نتایج به‌دست‌آمده نشان داد در سال‏های اخیر تعداد ماه‏های خشک در منطقۀ مطالعه‌شده (به‌ویژه در مناطق مرطوب) به‌شدت افزایش یافته است، به‌طوری که در همۀ ایستگاه‏ها (به‌جز سمنان) درصد ماه‏های خشک به بیش از 50 درصد در 10 سال اخیر (2002‌ـ 2011) رسیده است. همچنین نتایج نشان داد شاخص JDI علاوه بر توصیف علمی وضعیت کلی خشکسالی، قابلیت مشخص‌کردن زمان شروع خشکسالی‏ها و نیز خشکسالی‏های طولانی‌مدت را دارد و امکان ارزیابی وضعیت خشکسالی را به‌صورت ماه به ماه فراهم می‏سازد.      

 توابع مفصل خشکسالی شاخص کمبود توأم مفصل ‏های تجربی منابع [1]. Mishra AK, and Singh VP. A review of drought concepts. Journal of Hydrology. 2010; 391: 202–216. [2]. National Climatic Data Center. US National Percent Area Severely to Extremely Dry and severely to Extremely Wet. 2002. [3]. Agrawala S, Barlow M, Cullen H, and Lyon B. The Drought and Humanitarian Crisis in Central and Southwest Asia: A Climate Perspective, IRI Special Report N. 01-11. International Research Institute for Climate Prediction, Palisades, 2001; p. 24. [4]. Kao SC, and Govindaraju RS. Trivariate statistical analysis of extreme rainfall events via the Plackett family of copulas. Water Resources Research. 2008; 44(2): 102-115. [5]. Sklar A. Distribution functions of n Dimensions and Margins, Publications of the Institute of Statistics of the University of Paris. 1959; 8: 229-231. [6]. De Michele C, and Salvadori G. A Generalized Pareto intensity-duration model of storm rainfall exploiting 2-copulas. Journal of Geophysical Research. 2003; 108(D2): 4067. [7]. Shiau JT. Fitting drought duration and severity with two-dimensional copulas. Water Resources Management. 2006; 20: 795–815. [8]. Wong G, Lambert MF, Leonard M, and Metcalfe AV. Drought analysis using trivariate copulas conditional on climatic states. Journal of Hydrologic Engineering. 2010; 15(2): 129-141. [9]. Song S, and Singh VP. Meta-elliptical copulas for drought frequency analysis of periodic hydrologic data. Stochastic Environmental Research and Risk Assessment. 2010a; 24: 425–444. [10]. Song S. and Singh VP. Frequency analysis of droughts using the Plackett copula and parameter estimation by genetic algorithm. Stochastic Environmental Research and Risk Assessment. 2010b; 24: 783–805. [11]. Mirabbasi R, Anagnostou EN, Fakheri-Fard A, Dinpashoh Y, and Eslamian S. Analysis of Meteorological Drought in Northwest Iran using the Joint Deficit Index. Journal of Hydrology, 2013; 492: 35-48. [12]. Mirabbasi R, Fakheri-Fard A, and Dinpashoh Y. Bivariate drought frequency analysis using the Copula method. Theoretical and Applied Climatology. 2013; 108: 191–206. [13]. Loukas A, and Vasiliades L. Probabilistic analysis of drought spatiotemporal characteristics in Thessaly region, Greece. Natural Hazards and Earth System Sciences. 2004; 4: 719–731. [14] McKee TB, Doeskin NJ, and Kleist J. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, Pp. 179-184. January 17-22, 1993; Anaheim, California. [15]. Shiau JT, and Modarres R. Copula-based drought severity-duration-frequency analysis in Iran. Meteorological Applications. 2009; 16: 481–489. [16]. Nelsen RB. An Introduction to Copulas. Springer. New York. 2006; 269 pp. [17]. Genest C, and Rivest LP. Statistical inference procedures for bivariate Archimedean copulas. Journal of the American Statistical Association. 1993; 88 (423): 1034–1043. [18]. Mirabbasi R, Fakheri-Fard A, Dinpashoh Y, and Eslamian S. Long term drought monitoring of Urmia using joint deficit index (JDI). Water and Soil Sciences. 2014; 23(4): 87-103. [Persian] [19]. Kousari MR, and Asadi Zarch MA. Minimum, maximum, and mean annual temperatures, relative humidity, and precipitation trends in arid and semi-arid regions of Iran. Arabian Journal of Geosciences. 2011; 4(6): 907-914. [20]. Kousari MR, Ekhtesasi MR, Tazeh M, Saremi Naeini M.A, and Asadi Zarch MA. An investigation of the Iranian climatic changes by considering the precipitation, temperature, and relative humidity parameters. Theoretical and Applied Climatology. 2011; 103: 321-335. [21]. Kousari MR, Ahani H, Hendi-Zadeh R. Temporal and spatial trend detection of maximum air temperature in Iran during 1960–2005. Global and Planetary Change. 2013; 111:97-110. [22]. Saboohi R, Soltani S, and khodagholi M, Trend analysis of temperature parameters in Iran. Theoretical and Applied Climatology. 2012; 109:529–547. [23]. Tabari H, and Hosseinzadeh-Talaee. Analysis trends in temperature data in arid and semi-arid regions of Iran. Atmospheric Research. 2011; 79:1-10. [24]. Zarenistanak M, Dhorde AG, and Kripalani RH. Temperature analysis over southwest Iran: trends and projections. Theoretical and Applied Climatology. 2014; 116(2): 103-117. [25]. Mirabbasi R, and Dinpashoh Y. Trend analysis of precipitation of NW of Iran over the past half of the century. Journal of Irrigation Sciences and Engineering. 2013; 35(4): 59-73. [Persian]  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61496 مدیریت منابع آب در اکوسیستم های طبیعی پهنه‏ بندی آسیب ‏پذیری آب‏ های زیرزمینی با استفاده از مدل DRASTIC و SI در محیط GIS (مطالعۀ موردی: دشت عجب‏ شیر) پهنه‌بندی آسیب‌پذیری آب‌های زیرزمینی با استفاده از مدل DRASTIC و SI در محیط GIS (مطالعه‌ی موردی: دشت عجب‌شیر) نخستین روحی مهسا کارشناسی ارشد سنجش از دور و GIS، دانشکدۀ جغرافیا و برنامه ‏ریزی، دانشگاه تبریز رضایی مقدم محمد حسین استاد گروه ژئومورفولوژی، دانشکدۀ جغرافیا و برنامه‏ریزی، دانشگاه تبریز رحیم پور توحید کارشناسی ارشد سنجش از دور و GIS، دانشکدۀ جغرافیا و برنامه ‏ریزی، دانشگاه تبریز 22 06 2017 4 2 587 599 21 12 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61496.html

دشت عجب‏شیر در استان آذربایجان شرقی و در شمال غرب ایران واقع شده است. این دشت تأمین‏کنندۀ آب شرب، کشاورزی و صنعت شهرستان عجب‏شیر است. در این تحقیق با توجه به ویژگی‏های هیدرولوژی و هیدروژئولوژی منطقۀ مطالعه‌شده، آسیب‏پذیری منابع آب زیرزمینی آبخوان در برابر عوامل آلاینده با استفاده از دو مدل DRASTIC و SI در محیط سیستم اطلاعات جغرافیایی پهنه‏بندی شده است. در مدل DRASTIC از هفت پارامتر شامل عمق سطح ایستابی، تغذیۀ خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیراشباع و هدایت هیدرولیکی برای تهیۀ نقشۀ آسیب‏پذیری استفاده می‏شود. در مدل SI نیز پنج عامل عمق آب زیرزمینی، تغذیۀ خالص، سنگ‏شناسی آبخوان، توپوگرافی و کاربری اراضی در ارزیابی آسیب‏پذیری آبخوان مؤثر‌ند. پس از تهیۀ لایه‏های اطلاعاتی در محیط نرم‏افزار ArcGIS و وزن‌دهی آنها، با تلفیق لایه‏های هر یک از دو مدل، نقشۀ نهایی آسیب‏پذیری آبخوان نسبت به آلودگی تهیه شد. با توجه به نقشۀ پهنه‏بندی به‌دست‌‌آمده از مدل SI، حدود 24/2 درصد از منطقۀ مطالعه‌شده در محدودۀ آسیب‏پذیری خیلی‌کم، 27/5 درصد آسیب‏پذیری کم، 08/45 درصد آسیب‏پذیری متوسط تا کم، 09/39 درصد آسیب‏پذیری متوسط تا زیاد و 3/8 درصد در محدودۀ آسیب‏پذیری زیاد قرار دارد. بر اساس نقشۀ مدل DRASTIC نیز 48/13 درصد از مساحت منطقۀ مطالعه‌شده در محدودۀ آسیب‏پذیری خیلی‌کم، 43/55 درصد آسیب‏پذیری کم، 69/28 درصد آسیب‏پذیری متوسط تا کم و 08/3 درصد در محدودۀ آسیب‏پذیری متوسط تا زیاد قرار دارد. ارزیابی دو مدل استفاده‌شده با شاخص کیفی TDS نشان داد مدل SI با ضریب همبستگی 76/0 نسبت به مدل DRASTIC ‌دقت زیادی برای تهیۀ نقشۀ آسیب‏پذیری منطقه دارد. همچنین با توجه به نقشه‏های تهیه‌شده از هر دو مدل و به‌منظور کنترل و جلوگیری از آلودگی بیشتر آبخوان دشت عجب‏شیر و نگهداری این منابع باارزش برای استفادۀ آیندگان، حفا‌ظت از منابع آب زیرزمینی منطقۀ مطالعه‌شده توسط مدیران و برنامه‏ریزان ضروری است.    

 آب‏ های زیرزمینی آسیب‏ پذیری سیستم اطلاعات جغرافیایی دشت عجب‏ شیر مدل SI مدل DRASTIC منابع [1]. Babiker IS, Mohamed MAA, Hiyama T, Kato K. A GIS based DRASTIC model for assessing aquifer vulnerability in Kakamigahara Hieghts, Gifu Prefecture, central Japan. Science of the Total Environment. 2005; 345: 127-140. [2]. Tilahun K, Merkel BJ. Assessment of Groundwater Vulnerability to Pollution in Dire Dawa, Ethiopia using DRASTIC. Environmental Earth Sciences. 2010; 59: 1485-1496. [3]. El–Naqa A, Hammouri N, Kioso M. GIS–based evaluation of groundwatervulnerability in the Russeifa area, Jordan. Revista Mexicana de Ciencias Geológicas. 2006; 23(3): 277–287. [4]. Almasri MN. Assessment of intrinsic vulnerability to contamination for Gazacoastal aquifer, Palestine. Journal of Environmental Management. 2008; 88: 577-593. [5]. Gogu RC, Dassargues A. Current trends and future challenges in groundwater vulnerability assessment using overlay and index methods. Environmental Geology. 2000; 549-559. [6]. Marofi S, Soleymani S, Ghobadi MH, Rahimi GH, Marofi H. Vulnerability assessment of Malayer plain groundwater by SINTACS, DRASTIC, and SI models. Journal of Water and Soil Conservation. 2012; 19(3): 141-166. (In Persian) [7]. Ahmadi J, Akhondi L, Abbasi H, Khashei-Siuaki 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). Journal of Water and Soil Conservation. 2013; 20(3): 1-25. (In Persian) [8]. Tabarmayeh M, Vaezi Hir A. Investigation on vulnerability of Tabriz-plain unconfined aquifer. Journal of Water and Soil. 2015; 28(6): 1137-1151. (In Persian) [9]. Nakhaei M, Amiri V, Rahimi shahr Babaki M. Evaluating of the potential pollution and sensitivity analysis of groundwater in the aquifer Khatoonabad using DRASTIC model based on GIS. Advanced Applied Geology Journal. 2013; 3(8): 1-10. (In Persian) [10]. Etienne Ake G, Boyossoro Kouadio H, Dongo K, Dibi B, Koffi Kouame F, Biemi J. Application of DRASTIC and SI methods for the study of the vulnerability pollution by nitrates ( ) of the sheet of Bonoua (Southearn Côte d'Ivoire). International Journal of Biological and Chemical Sciences. 2010; 4 (5): 1676-1692. [11]. Saha D, Alam F. Groundwater vulnerability assessment using DRASTIC and Pesticide DRASTIC models in intense agriculture area of the Gangetic plains, India. Environ Monit Assess. 2014; 186: 8741–8763. [12]. Pedreira R, Kallioras A, Pliakas F, Gkiougkis I, Schuth C. Groundwater vulnerability assessment of a coastal aquifer system at River Nestos eastern Delta, Greece. Environ Earth Sci. 2015; 73: 6387–6415. [13]. Nakhostinrouhi M. The Application of Geographic Information System in the Assessment of Groundwater Contamination Potential Using DRASTIC Model and Susceptibility Analysis (Case Study: Ajabshir Plain). M.A. thesis. Faculty of Geography and Planning. University of Tabriz. 2015. 113 p. (In Persian) [14]. Rezaei F. Groundwater Qualitative Vulnerability Assessment Using Fuzzy Logic, Case Study: Zayanderood River Basin Aquifers. M.A. thesis. Isfahan Universirt of Technology. 2011. (In Persian) [15]. Stigter TY, Ribeiro L, Carvalho Dill AMM. Evaluation of an intrinsic and a specific vulnerability assessment method in comparison with groundwater salinisation and nitrate contamination levels in two agricultural regions in the south of Portugal. Hydrogeology Journal. 2006; 14 (1): 79–99. [16]. Ribeiro L. SI: a new index of aquifer susceptibility to agricultural pollution. Internal report. Lisbon, Portugal: ER-SHA/CVRM. 2000. [17]. Aller L, Bennet T, Lehr JH, Petty RJ, Hackett G. DRASTIC: a standardized system for evaluating ground water pollution potential using hydrogeologic settings. EPA/600/2–87/035, U.S. Environmental Protection Agency, Ada, Oklahoma. 1987; 641 pp. [18]. Rahman A. A GIS based DRASTIC model for assessing groundwater vulnerability in shallow aquifer in Aligarh, India. Applied Geography. 2008; 28: 32-53. [19]. Piscopo G. Groundwater vulnerability map, explanatory notes, Castlereagh Catchment, NSW. Department of Land and Water Conservation, Australia. http://www.dlwc.nsw.gov.au/care/water/groundwater/reports/pdfs/castlereag_map_notes.pdf. 2001. [20]. Amirahmadi A, Abbariki Z, Ebrahimi M. Evaluation of the vulnerability of Davarzan Aquifer by DRASTIC method using GIS. Arid Regions Geographic Studies. 2012; 2 (6): 51-66. [21]. Kim YJ, Hamm SY. Assessment of the potential for groundwater contamination using the DRASTIC/EGIS technique, Cheongju area, South Korea. Hydrogeology Journal. 1999; 17(2): 227-235. [22]. Alizadeh A. Principles of applied Hydrology. 33nd edition. Mashhad. Imam Reza University Press; 2011. (In Persian) [23]. Ozler HM. Hydrochemistry and salt-water intrusion in the Van aquifer, East Turkey. Environmental Geology. 2002; 43: 759–775. [24]. Mohammadi Z, Zare M, Sharifzade B. Delineation of groundwater salinisation in a coastal aquifer, Bousheher, South of Iran. Environmental Earth Sciences. 2012; 67(5): 1473-1484. [25]. Todd DK. Groundwater Hydrology. 2nd edition. John wiely and Sons, New York. 1980; PP 535._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61498 اکوهیدرولوژی استفاده از برنامه‏ ریزی خطی بازه ‏ای تعاملی برای تخصیص بهینۀ آب و سطح کشت با توجه به محتوای آب مجازی و فاکتورهای اقتصادی‌ـ اجتماعی (مطالعۀ موردی: دشت درودزن‌ـ کربال) نفرزادگان علیرضا دانشجوی دکتری علوم و مهندسی آبخیزداری گرایش آب، دانشگاه هرمزگان وقارفرد حسن استادیار، گروه علوم و مهندسی آبخیزداری، دانشگاه هرمزگان نیکو محمدرضا استادیار، گروه مهندسی عمران و محیط زیست، دانشگاه شیراز نوحه گر احمد استاد، دانشکدۀ محیط زیست، دانشگاه تهران 22 06 2017 4 2 601 613 22 11 2016 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61498.html

یکی از مسائل اساسی در برنامه‏ریزی کاربردی برای منابع آب، وجود فاکتورهای غیرقطعی است. یکی از رویکردها برای تصمیم‏گیری در چنین شرایطی، برنامه‏ریزی بازه‏ای است. هدف از این مطالعه توسعۀ نوعی مدل بهینه‏سازی تعاملی برای تخصیص آب و سطح کشت است. مدل توسعه‏یافته شامل چهار هدف در‌برگیرندۀ فاکتورهای اقتصادی‌ـ اجتماعی، محتوای آب مجازی محصولات و تأمین نیاز آبی محیط ‏زیست است. برای حل مدل، چهار سناریو (فرض) برای سطوح کشت در نظر گرفته شد. نتایج نشان داد با افزایش آستانۀ رضایت محدودیت‏ها، مقدار آب تخصیص داده‌شده به هر یک از آب‏بران کاهش یافته است به‌طوری که از سطح رضایت 65/0 تا سطح رضایت کامل، مدل فقط کمترین حجم آب در نظر گرفته‌شده برای تأمین نیازهای محیط زیست (40 میلیون مترمکعب) را اختصاص می‏دهد. براساس سناریوهای حل در نظر گرفته‌شده، مدل بیشترین سطح کشت در بین محصولات شتوی را به گندم و بیشترین سطح کشت در بین محصولات صیفی را به ذرت اختصاص داده است. نتایج حل مدل در غیاب حد بالا برای سطوح زیر کشت نشان داد بیشترین اختلاف بین سطح کشت بهینه و بیشترین سطح کشت اتفاق‌افتاده، متعلق به برنج به‌ترتیب با 2777 و 6/5821 هکتار برای مناطق درودزن و کربال بوده است. از قوت‌های مدل توسعه داده‌شده در این پژوهش، خطی‌بودن و توانایی آن در مواجهه با پارامترهای غیرقطعی است. خروجی‏های این مدل اطلاعات لازم برای ارزیابی ریسک و قابل اتکایی گزینه‏های برنامه‏ریزی تخصیص آب را فراهم می‏کند.      

 بهره ‏وری آب بهینه ‏سازی تقاضای زیست‏ محیطی آب عدم قطعیت منابع 1.   Han Y, Huang Y-F, Wang G-Q, Maqsood I. A multi-objective linear programming model with interval parameters for water resources allocation in Dalian city. Water resources management. 2011;25(2):449-63. 2.   Nikoo MR, Kerachian R, Poorsepahy-Samian H. An interval parameter model for cooperative inter-basin water resources allocation considering the water quality issues. Water resources management. 2012;26(11):3329-43. 3.   Nikoo MR, Kerachian R, Karimi A. A nonlinear interval model for water and waste load allocation in river basins. Water resources management. 2012;26(10):2911-26. 4.   Nikoo MR, Karimi A, Kerachian R. Optimal long-term operation of reservoir-river systems under hydrologic uncertainties: application of interval programming. Water resources management. 2013;27(11):3865-83. 5.   Bijani M, Hayati D, Abdolvand B. Agricultural Water Conflict in the Doroodzan Dam Irrigation Network, Iran: The Opinion of Regional Water Experts. Environmental Sciences. 2012;10(1):59-78. [Persian] 6.   Maqsood I, Huang G, Huang Y, Chen B. ITOM: an interval-parameter two-stage optimization model for stochastic planning of water resources systems. Stochastic Environmental Research and Risk Assessment. 2005;19(2):125-33. 7.   Wu S, Huang G, Guo H. An interactive inexact-fuzzy approach for multiobjective planning of water resource systems. Water Science and Technology. 1997;36(5):235-42. 8.   Wang L, Meng W, Guo H, Zhang Z, Liu Y, Fan Y. An interval fuzzy multiobjective watershed management model for the Lake Qionghai Watershed, China. Water resources management. 2006;20(5):701-21. 9.   Urli B, Nadeau R. An interactive method to multiobjective linear programming problems with interval coefficients. INFOR: Information Systems and Operational Research. 1992;30(2):127-37. 10.                Han Y, Xu S-g, Xu X-z. Modeling multisource multiuser water resources allocation. Water resources management. 2008;22(7):911-23. 11.                Allan T. Fortunately there are substitutes for water otherwise our hydro-political futures would be impossible. Proceedings of the Conference on Priorities for water resources allocation and management. 1993;Paper 2:13-26. 12.                Allan T. 'Virtual water': a long term solution for water short Middle Eastern economies?. British Association Festival of Science, Water and Development Session, University of Leeds; 1997. 13.                Yang H, Wang L, Zehnder AJ. Water scarcity and food trade in the Southern and Eastern Mediterranean countries. Food Policy. 2007;32(5):585-605. 14.                Verma S, Kampman DA, van der Zaag P, Hoekstra AY. Going against the flow: a critical analysis of inter-state virtual water trade in the context of India’s National River Linking Program. Physics and Chemistry of the Earth, Parts A/B/C. 2009;34(4):261-9. 15.                Velázquez E. Water trade in Andalusia. Virtual water: An alternative way to manage water use. Ecological Economics. 2007;63(1):201-8. 16.                Hoekstra AY, Chapagain AK. The water footprints of Morocco and the Netherlands: Global water use as a result of domestic consumption of agricultural commodities. Ecological Economics. 2007;64(1):143-51. 17.                Kort A. Virtual water trade in the SADC region: a grid-based approach. 2010. 18.                Zeitoun M, Allan JT, Mohieldeen Y. Virtual water ‘flows’ of the Nile Basin, 1998–2004: A first approximation and implications for water security. Global Environmental Change. 2010;20(2):229-42. 19.                Paulsen A. Virtual water: a useful concept for informing land use in New Zealand. 2013. 20.                Wichelns D. Virtual water: A helpful perspective, but not a sufficient policy criterion. Water Resources Management. 2010;24(10):2203-19. 21.                Yang H, Zehnder A. “Virtual water”: an unfolding concept in integrated water resources management. Water Resources Research. 2007;43(12). 22.                Rouhani N, Yang H, Amin Sichani S, Afyuni M, Mousavi S, Kamgar Haghighi A. Assessment of Food Products and Virtual Water Trade as Related to Available Water Resources in Iran. JWSS-Isfahan University of Technology. 2009;12(46):417-32. [Persian] 23.                Sabouhi M, Soltani G. Optimization of Cropping Patterns at Basin Level by Considering Social Profit and Net Virtual Water Import: A Case Study of Khorasan District. JWSS-Isfahan University of Technology. 2008;12(43):297-313. [Persian] 24.                Faramarzi M, Yang H, Mousavi J, Schulin R, Binder C, Abbaspour K. Analysis of intra-country virtual water trade strategy to alleviate water scarcity in Iran. Hydrology and Earth System Sciences Discussions. 2010;7(2):2609-49. 25.                Bakhshoodeh M, Dehghanpur H. Modeling crop cultivation pattern based on virtual water trade: evidence from Marvdasht in southern Iran. Iran Agricultural Research. 2015;34(2):29-34. 26.                Khanjari Sadati S, Speelman S, Sabouhi M, Gitizadeh M, Ghahraman B. Optimal irrigation water allocation using a genetic algorithm under various weather conditions. Water. 2014;6(10):3068-84. 27.                Rabie Z, Honar T, Mehdi Bateni M. Determination of optimal and and water allocation under limited water resources using soil water balance in Ordibehesht canal of Doroodzan water district. Iran Agricultural Research. 2015;34(2):21-28. 28.                Su X, Li J, Singh VP. Optimal allocation of agricultural water resources based on virtual water subdivision in Shiyang River Basin. Water resources management. 2014;28(8):2243-57. 29.Fooladmand HR, Ahmadi SH. Monthly spatial calibration of Blaney–Criddle equation for calculating monthly ETo in south of Iran. Irrigation and Drainage. 2009;58(2):234-45. 30.Tabari H, Hosseinzadeh Talaee P, Shifteh Some'e B. Spatial modelling of reference evapotranspiration using adjusted Blaney-Criddle equation in an arid environment. Hydrological Sciences Journal. 2013;58(2):408-20. 31.                Mohsenpour R, Zibaei M. Determination of optimal crop patterns using nonlinear programming and deficit Irrigation strategies under Dorodzan Dam. Agricultural Economics and Development 2010;18(71):1-23. [Persian]  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61500 اکوهیدرولوژی تأثیر سازۀ‏ حفاظتی آب‌شکن بر قوس رودخانه با استفاده از مدل ریاضی CCHE2D (مطالعۀ موردی: رودخانۀ میناب) تأثیر سازه‌ حفاظتی آبشکن بر قوس رودخانه با استفاده از مدل ریاضی CCHE2D(مطالعه موردی: رودخانه میناب) نوحه گر احمد استاد دانشکدۀ محیط زیست، دانشگاه تهران جعفرپور عاطفه دانش‌آموختۀ کارشناسی ارشد آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه هرمزگان رستمی محمد استادیار پژوهشکدۀ حفاظت خاک و آبخیزداری، تهران اوند محمدتقی دانش‌آموختۀ کارشناسی ارشد آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه یزد 22 06 2017 4 2 615 626 16 01 2017 15 03 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61500.html

رودخانه‏هایی که جدارۀ ناپایدار دارند، مشکلات بسیار زیادی را در کوتاه‌مدت و درازمدت به‌وجود می‏آورند. تخریب تدریجی جدارۀ رودخانه و در نتیجه تهدید سازه‏ها و اراضی مجاور رودخانه، ایجاد زمینۀ فرایند رسوب‏گذاری، کاهش زاویۀ داخلی پیچاب‏ها و درنهایت به‌وجود‌آمدن مسیری جدید برای رودخانه از تأثیرات حرکت آب در پیچان‏رودهای دارای جدارۀ ناپایدار است. در این تحقیق اثرگذاری آب‌شکن‏های متوالی روی الگوی جریان و رسوب و در نهایت محافظت از کرانه‏ها در رودخانۀ میناب با استفاده از مدل دو‌بعدی CCHE2Dبررسی شده است.پارامترهایی که در مرحلۀ واسنجی استفاده شدند، شامل سرعت جریان و عمق آب بود که این پارامترها در سه قوس موجود در رودخانه از سد تا پل اول اندازه‏گیری شده است. پارامترهای دیگری همچون تغییرات کف بستر، تغییرات تنش برشی و... نیز از نتایج مدل به‏دست‌آمده است. در این مرحله همچنین برای تهیۀ مدل بهینه از شبکه‏بندی‏های مختلف استفاده شد و شبکۀ 500*50 به‌دلیل اینکه به نتایج اندازه‏گیری‏های صحرایی نزدیک‏تر بود، انتخاب شد. نتایج به‌دست‌آمده از این تحقیق نشان می‏دهد هندسۀ رودخانه با دبی موجود و میزان رسوب تنظیم می‏شود و آب‌شکن در هدایت سرعت و تنش برشی به سمت تالوگ رودخانه تأثیرگذار است، به‌طوری که وجود سری آب‌شکن سبب 66 درصد کاهش سرعت و نیز سبب انحراف خطوط سرعت حداکثر از کرانه‏ها و محافظت از دیوارۀ رودخانه می‏شود. انحراف آب‌شکن‌ها از کنارۀ رودخانه از سر آب‌شکن‌‌ها شروع می‌شود. طول آب‌شکن‌ها در این تحقیق 30 متر بوده است و همچنین از‌بین‌رفتن فرسایش 20 سانتی‏متری و جایگزین‌شدن پنج سانتی‏متر رسوب‏گذاری در کنارۀ رودخانه و در نتیجه تثبیت و حفاظت کنارۀ رودخانه می‏شود.  

 آب‌شکن رودخانۀ میناب ساماندهی شبیه‏ سازی عددی مدل CCHE2D منابع 1-      Leopold, L. B. and M.G. Wolman. 1994. River channel patterns: Braided, Meandering and straight. U.S Government Printing Office. Washington D.C. USA. 12 p. 2-      Zhang, Y. Jia, Y. and S.Y. Wang. 2007. A Conservative Multi- block Algorithm for 2Dimensional Numerical Model. Journal of Mathematics Science. 1 (1): 33-45. 3-      Jia Y. Zhang Y. Wang S. and A. Raible. 2006. Numerical Simulations of channel Response to river in Structures in Arkansas river , The 7th Int. Conf. on Hydroscience and Engineering (ICHE-2006), Sep. 10 – Sep. 13, Philadelphia, USA. 4-      Martin-Vide, J. P. M. Roca and C. A. Alvarado. 2012. Bend scour protection using riprap. Water Management 163(2):489-497 5-      Gholizadeh, J. Zahiri A. Dehghan R and Ahmad A. 2011. A quasi-two-dimensional simulation of flood flows in rivers (Case Study: Gorgan river Aqqala station), Journal of soil and water conservation, Volume 19, Issue 4, Gorgan University of Agriculture and Natural Resources.[persian] 6-      Duan J. G. L. He X. Fu and Q. Wang. 2009. Mean flow and turbulence around experimental spur dike. Adv Water Resour. 32(12): 1717-1725 7-      Wu W. 2009. CCHE2D Sediment Transport Model (Version 2.1). Tech Report No. NCCHETR- 2001-3, NCCHE, University of Mississippi, USA, P: 12. 8-      Zhang Y. and Y.F. Jia. 2009. CCHE-MESH: 2D Structured Mesh Generator User’s Manual -Version 3.x, Technical Report No. NCCHE-TR-2009-01, Mississippi University, MS 38677. 9-      Vaghefi M and Radan P. 2014. Numerical study scour and stream flow pattern in an arc of 90 degrees with a T-shaped breakwater with changes in the radius of curvature of the arch. Journal of Water Resources. 7 (23): 37-51. [persian] 10-  Vaghefi M. Zerh poosh shirazi H and Akbari M. 2013. Numerical study of the influence of the radius of curvature on the flow patterns around Srspry submerged breakwater. Journal of irrigation and water systems. 5 (18): 145-156. [persian] 11-  Xiufang Z. Pingyi W. and Y. Chengyu. 2015. Experimental study on flow turbulence distribution around a spur dike with different structure. Journal of Procedia Engineering 28: 772-775. 12-  Hao, Z. Hajime, N. kenji, K. and B. Yasyuki. 2014. Experiment and simulation of turbulent flow in local scour around a spur dyke. Journal of Sediment Research 24: 33-45. 13-  Kooecielniak J. 2007. The Influence of River Training on Mountion channel changes (corpathian Mountions). Geomorphology. 14-  Wu B. Wang G. Ma J. and R. Zhang. 2005. Case study: River Training and Its Effects Fluvial Processes in the Lower Yellow River, China. J. Hydraul. Eng. ASEC, 135 (2), 85-96. 15-  Lazaridou P. l. Daniil E. I. Michas, S. N. Papanicolaou, P. N. and L. S. Lazarides. 2004. Intergrated Environmented and Hydaulic Design of Xerias River, Corinthos, Greece, Training Works. Water.Air. Soil. Poll. 4, 319-330. 16-  Andrzez S. Maciej W. Mateusz S. and K. Krzysztof. 2013. Cross-Section Changes in the Lower Part of a Mountain River After the Flood in Spring 2010, as Presented by Means of CCHE2D Program. Journal of Experimental Methods in Hydraulic Research. 1:287-297. 17-  Jia y. and s.s.y. wang. 1999. Numerical model for channel and morphological change studies, ASCE, Journal of Hydraulic Engineering, Vol.125, No.9, pp 924-933._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2017.61501 اکوهیدرولوژی کاربرد مدل‏ های LS-SVM، ANN، WNN و GEP در شبیه‏ سازی بارش‌ـ رواناب رودخانۀ خیاوچای کاربرد مدل‌های LS-SVM، ANN، WNN و GEP در شبیه‌سازی بارش- رواناب رودخانه خیاوچای نیک پور محمد رضا استادیار، گروه مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی ثانی خانی هادی استادیار، گروه علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه کردستان محمودی بابلان سجاد کارشناس مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی محمدی عارف کارشناس مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی 22 06 2017 4 2 627 639 21 12 2016 08 02 2017 Copyright © 2017, دانشکده علوم و فنون نوین دانشگاه تهران. 2017 https://ije.ut.ac.ir/article_61501.html

پیش‏بینی جریان رودخانه به‌منظور مدیریت و برنامه‏ریزی منابع آب در رودخانه‏ها، دریاچه‏ها، مخازن سدها و همچنین برای حفاظت کناره‏های رودخانه در زمان وقوع سیلاب انجام می‏گیرد. در این تحقیق از مدل‏های شبکه‏های عصبی مصنوعی، هیبرید‏ موجک‌ـ عصبی، برنامه‏ریزی بیان ژن و کمترین مربعات ماشین بردار پشتیبان به‌منظور تخمین جریان روزانۀ رودخانۀ خیاوچای استفاده شد. بدین‌منظور داده‏های دبی و بارش روزانۀ ایستگاه هیدرومتری پل سلطانی واقع بر رودخانۀ یادشده طی دورۀ آماری 1378‌ـ 1392 به‏کار گرفته شد. پس از محاسبۀ ضرایب همبستگی متقابل متغیرهای بارش و دبی، شش الگوی مختلف به‌منظور تخمین رواناب روزانه تعیین شد. برای ارزیابی مدل‏ها از شاخص‏های آماری و آزمون ANOVA استفاده شد. نتایج بیان‌کنندۀ برتری مدل هیبرید‏ موجک‌ـ عصبی با بیشترین ضریب همبستگی (877/0=R)، کمترین ریشۀ میانگین مربعات خطا (696/0=RMSE) و ضریب نش ساتکلیف برابر 767/0 در مرحلۀ صحت‏سنجی بود. نتایج آزمون آنوا نیز نتایج شاخص‏های آماری را تأیید کرد و مدل هیبرید موجک‌ـ عصبی با داشتن کمترین مقدار آمارۀ F (11/0) و بیشترین سطح معناداری (75/0) به‌عنوان بهترین مدل شناخته شد. در برآورد دبی بیشینه (سیلاب) نیز مدل یادشده با میانگین خطای نسبی 19/30 درصد، به مقدار شایان توجهی خطای کمتری نسبت به سایر مدل‏ها داشت.              

 بارش‌ـ رواناب برنامه‏ ریزی بیان ژن حداقل مربعات ماشین بردار پشتیبان شبکۀ عصبی مصنوعی هیبرید موجک- عصبی Saeedi Farzad B. Intelligent simulation of rainfall-runoff using a semi-distributed model with time variables. Ph.D. thesis in civil engineering, Faculty of Engineering, University of Tabriz, Tabriz. 2014. [Persian] Whigham PA, Crapper PF. Modeling rainfall–runoff using genetic programming. Mathematical and Computer Modeling. 2001;33:707–721. Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M , Muttil N. Genetic programming: A new paradigm in rainfall runoff modeling. J Am Water Res Assoc. 2001;38:705-718. Jayawardena AW, Muttil N, Fernando TM. Rainfall-Runoff Modeling Using Genetic Programming. International Congress on Modeling and Simulation Society of Australia and New Zealand. 2005: 1841-1847. Aytek A, Alp M. An application of artificial intelligence for rainfall-runoff modeling. Journal of Earth System Science. 2008;117(2):145-155. Nourani V, Baghanam AH, Adamowski J, Gebremichael M. Using self-organizing maps and wavelet transforms for space–time pre-processing of satellite precipitation and runoff data in neural network based rainfall–runoff modeling. Journal of Hydrology. 2013;476:228-243. Nayak PC, Venkatesh B, Krishna B, Sharad KJ. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. Journal of Hydrology. 2013;493:57-67. Badrzadeh H, Sarukkalige R, Jayawardena AW. Hourly runoff forecasting for flood risk management: Application of various computational intelligence models. Journal of Hydrolog. 2015;529:1633-1643. Nourani V. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology. 2016;544:267-277. Behzad M, Asghari K, Eazi M, Palhang M. Generalization performance of support vector machines and neural networks in runoff modeling. Expert Systems with applications. 2009;36(4):7624-7629. Botsis D, Latinopoulos P, Diamantaras K. Rainfall-Runoff Moeling Using Suport Vector Regression and Artificial Neural Networks. 12th International Conference on Environmental Science and Technology (CEST2011), Rhodes, Greece, 8-10 September. 2011 Adamowski J. Using support vector regression to predict direct runoff, base flow and total flow in a mountainous watershed whit limited data in Uttaranchal, India. Journal of Land Reclamation. 2013;45(1):71-83. Ghorbani M. A., and Dehghani R. Application of Bayesian Neural Networks, Support Vector Machines and Gene Expression Programming Analysis of Rainfall - Runoff Monthly (Case Study: Kakarza River). Irrigation Science and Engineering. 2016;39(2):125-138. [Persian] Nazeri Tahroodi M, Hashemi R, Ahmadi F, Nazeri Tahroodi Z. Accuracy investigation of ANFIS, SVM and GP models in modelling of river discharge values. Journal of Echo Hydrology. 2016;3(3):361-347. [Persian] Vapnic VN. Statistical Learning Theory. Wiley, NEW YORK, USA. 1998 Suykens JA, De Brabanter J, Lukas L, Vandewalle J. 2002. Weighted least squares support vector machines: robustness and sparse approximation. Neurocomputing. 2002;48(1):85-105. Ghafari G, Vafakhah M. Simulation of rainfall-runoff process using artificial neural network and adaptive neuro-fuzzy interface system (Case study: Hajighoshan watershed). Journal of Watershed Management Research. 2013;4(8):120-136. [Persian] Dehghani A, Zanganeh MA, Mosaedi A, Kouhestani N. Comparison of suspended load estimation using sediment rating curve and artificial neural networks. Journal of Researches on Water and Soil Conservation. 2009;16(1):30-41. [Persian] Nourani V, Hosseini Baghanam A, Adamowski J, Kisi, O. Applications of hybrid wavelet–Artificial Intelligence models in hydrology. A review. Journal of Hydrology. 2014;514(1):358-377. Marofi S, Amir Moradi K, Parsafar N. River flow prediction using Artificial Neural Network and Wavelet Neural Network models (Case study: Barandozchay River). Journal of Water and Soil Science. 2013;23(3):93-103. [Persian] Ferreira C. Gene Expression Programming: a New Adaptive Algorithm for Solving Problems. Complex Systems. 2001;13(2):87–129. Ferreira C. Automatically defined functions in gene expression programming. In Genetic Systems Programming. Springer Berlin Heidelberg. 2006:21-56. Yu P. S., Chen S. T., and Chang I. F. Support vector regression for real-time flood stage forecasting. Journal of Hydrology. 2006;328(3):704-716_||_