اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.234283.615 اکوهیدرولوژی تأثیر سیستم ریشه‌ای علف و تیور بر پارامترهای مقاومت برشی ساحل رودخانه ‌(مطالعۀ موردی: رودخانۀ کر) تأثیر سیستم ریشه ای علف وتیور بر پارامترهای مقاومت برشی ساحل رودخانه، مطالعه موردی: رودخانه کر حمیدی‌فر حسین استادیار بخش مهندسی آب، دانشگاه شیراز بهرامی مهدی استادیار گروه مهندسی آب، دانشگاه فسا امیری محمدجواد استادیار گروه مهندسی آب، دانشگاه فسا 23 09 2018 5 3 727 738 10 06 2017 04 01 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67500.html

فرسایش کناره‏ای در رودخانه‏‏ها خسار‌ت‌های زیادی را به اراضی مجاور تحمیل می‌کند و تغییر ریخت‏شناسی رودخانه‏‏ها را به همراه دارد. تحقیق حاضر با هدف ارزیابی کارایی علف وتیور در افزایش مقاومت برشی خاک و کاهش فرسایش سواحل رودخانه‏‏ها صورت گرفته است. تغییرات پارامترهای ساختاری علف وتیور شامل RAR، RDR، RDDI و RLD در اعماق مختلف و همچنین توسعۀ عرضی و عمقی ریشه بررسی شد. با بررسی سه فاصلۀ مختلف بین بوته‏های وتیور، فاصلۀ 30 سانتی‏متری بین بوته‏ها به عنوان فاصلۀ بهینه مشخص شد. نتایج نشان داد علف وتیور سبب افزایش بیش از 104 درصدی چسبندگی و حدود 83 درصدی زاویۀ اصطکاک داخلی در مقایسه با حالت بدون ریشه شده است. مقایسۀ بین پارامترهای مختلف نشان داد به‌ترتیب پارامترهای RAR و RDR مناسب‏ترین پارامتر برای محاسبۀ چسبندگی و زاویۀ اصطکاک داخلی خاک در حضور ریشۀ وتیور هستند. همچنین، با انجام مقایسه‏ای بین وتیور و برخی گونه‏های درختی منطقه از نظر مقاومت کششی ریشه، مدت زمان لازم برای استقرار گیاه، مقاومت در برابر خشکسالی و قابلیت خودترمیمی مشخص شد که علف وتیور در مقایسه با سایر گونه‏های گیاهی متداول، مناسب‏تر است و می‏تواند به عنوان جایگزین مناسبی برای محافظت سواحل رودخانه در برابر فرسایش استفاده شود.

 پوشش گیاهی حفاظت سواحل رودخانه رسوب روش بیولوژیک فرسایش کناره [1]. Dang MH, Umeda S, Yuhi M. Long-term riverbed response of lower Tedori River, Japan, to sediment extraction and dam construction. Environmental Earth Sciences, 2014; 72(8): 2971-2983.‏ [2]. Balaban SI, Hudson-Edwards KA, Miller JR. A GIS-based method for evaluating sediment storage and transport in large mining-affected river systems. Environmental Earth Sciences, 2015; 74(6): 4685-4698. [3]. Ahmadian-Yazdi M. Effect of vegetation on Tajan-Harirood meander bank erosion. MSc. Thesis, 2000; Gorgan University of Agriculture and Natural Resources. [Persian] [4]. Samadi A, and Amiri-Tokaldani E. River bank mass erosion: Process and Mechanism, University of Tehran Press; 2015. p. 504. [5]. Shirdeli A, Shafai-Bajestan M, Ciacar H. Investigation of the effects of tamarisk and tamarisk aphyllaroots on the stability of seistan river banks. 7th International River Engineering Conference, Shahid Chamran University, 2007; 13-15 Feb 2007, Ahwaz [Persian] [6]. Lin D, Liu W, Lin S. Estimating the effect of shear strength increment due to root on the stability of makino bamboo forest slopeland, Journal of GeoEngineering, 2011; 6(2): 73-88 [7]. Dumlao MR, Ramananarivo S, Goyal V, DeJong JT, Waller J, Silk WK. The role of root development of Avena fatua in conferring soil strength. American journal of botany, 2015; 102(7): 1050-1060. [8]. Ghestem M, Veylon G, Bernard A, Vanel Q, Stokes A. Influence of plant root system morphology and architectural traits on soil shear resistance. Plant and soil, 2014; 377(1-2), 43-61.‏ [9]. Islam MS. Application of Vetiver (Vetiveria zizanioides) as a bio-technical slope protection measure–some success stories in Bangladesh.‏ Proceedings of the 6th International Conference on Vetiver, 2015; 5-8 May, Danang City, Vietnam. [10].            Abdullah MN, and Osman N. Soil-root Shear Strength Properties of Some Slope Plants. Sains Malaysiana, 2011; 40(10): 1065–1073 [11].            Genet M, Stokes A, Fourcoud T, Norris JE. The influence of plant diversity on slope stability in a moist evergreen deciduous forest. Ecological Engineering, 2010;36: 265-275. [12].            Schwarz M, Preti F, Giadrossich F, Lehmann P, Or D. Quantifying the role of vegetation in slope stability: A case study in Tuscany (Italy). Ecological Engineering 2010; 36: 285-291. [13].            Ebrahimi N, Shirdeli A, Nik-khah-Javan E, Hossein M. Effects of river bed vegetation on flow hydraulics and bed forms. Journal of Watershed Management and Engineering, 2015; 8(2): 182-192. [Persian] [14].            Hemphill RW, Bramley ME. Protection of river and canal banks. CIRIA, Butter Worths, London; 1989. [15].            Shafaei-Bajestan M, Salimi M. Effects of tamaricaceae and popoluse roots on in situ soil shear strength of Karoon river banks. Journal of Agriculture and Natural Resources Science and Technology, 2002; 6(4): 27-40. [Persian] [16].            Shirdeli A. Study of bioengineering methods for river bank stabilization, Journal of Watershed Science and Engineering, 2012; 7(23): 53-62. [Persian] [17].            Dastoorani M, Rajabi-Mohammadi F. Study of mechanical and hydrological effects of river bank vegetation on bank stability, Case Study: Hana River, 3rd National Seminar on water resources management, University of Agriculture and Natural Resources Science, 2011; 10-12 September, Sari, Iran. [Persian] [18].            Troung P, Van T, Pinners E. Vetiver system applications (Technical Reference). 2008. [19].            Niknejad D. Biological control of river bank erosion by Vetivergrass. 11th National Seminar on Irrigation and Vapor reduction. Kerman, Shahid Bahonar University, 2010; 8-10 February, Kerman, Iran. [Persian] [20].            Xie FX. Vetiver for highway stabilization in Jian Young country: demonstration and extension. In; proceedings of the Interventional vetiver workshop, Fuzhow, China; 1997. [21].            Xia HP, Ao HX, Liu SZ, He DQ. Application of the Vetiver grass bioengineering technology for the prevention of highway slippage in southern China. Proc. Ground and Water Bioengineering for Erosion Control and Slope Stabilization, Manila, Philippines April 1999. [22].            Ke C, Feng Z, Wu X, Tu F. Design Principles and Engineering Samples of Applying Vetiver Eco-engineering Technology for Steep Slope and River Bank Stabilisation. In Proceedings of the Third International Vetiver Conference (ICV3), 2003; Guangzhou, China. [23].            Sy M. The vetiver: from nursery to the protection of infrastructures. Proceedings of the Third International Conference on Vetiver and Exhibition, 2003; Guangzhou, China. [24].            Hengchaovanich D, and Nilaweera NS. An assessment of strength properties of vetiver grass roots in relation to slope stabilization. In International Conference on Vetiver, 1996; Chain Kai, Thailand. [25].            Sangab-Zagros consulting Engineers. Evaluation report of geology and morphology of the Kor river. Fars Regional Water Organization; 2008. [Persian] [26].            Shirani H, Haj-Abbasi M, Afyooni M, Hemmat E. Effect of tillage and manure on maize root morphology. Soil and Water Journal, 2008; 23(1): 101-107. [Persian] [27].            Davoudi M, Fatemi-Aqda M. Effect of Diameter and Density of Willow Roots on Shear Resistance of Soils, Geosciences, 2008; 71: 143-148. [Persian] [28].            Shariata Jafari M, Davoudi M, Safaei M and Partoi A. Invetigating the effect of Diospyros lotus root system in soil reinforcement using RDR and RDDI indices. Journal of Watershed Engineering and Management, 2014; 6(2): 107-114. [Persian] [29].            Davoudi M, Fatemi-Aqda M, Noroozi H, Shah-Alipoor GH. Effect of tree root diameter on soil shear strength, 4th seminar on engineering geology and environment, 2004; 24-26 February, Tarbiat Modares University, Tehran, Iran. [Persian] [30].            Vannoppen, W., Poesen, J., De Baets, S., Vanmaercke, M., Peeters, P., & Vandevoorde, B. Effectiveness of plant roots in controlling rill and gully erosion: A case study on vegetation communities on river dikes. In Proceedings of the 4th International Conference on Soil Bio- and Eco-Engineering, 11-14 July 2016,Sydney, Australia. [31].            Day SD, Seiler JR, Persaud N. A comparison of root growth dynamics of silver maple and flowering dogwood in compacted soil at differing soil water contents. Tree Physiology, 2000; 20(4): 257-263. [32].            Goldsmith W. Soil strength reinforcement by plants, International Erosion Control Association (IECA); 2006. p. 5-16. [33].            da Silva EV, Bouillet JP, de Moraes Gonçalves JL, Junior CHA, Trivelin, PCO, Hinsinger P, Jourdan C, Nouvellon Y, Stape JL, Laclau, JP.. Functional specialization of Eucalyptus fine roots: contrasting potential uptake rates for nitrogen, potassium and calcium tracers at varying soil depths. Functional Ecology, 2011; 25: 996–1006. [34].            Maleki S, Naghdi R, Abdi E, Nikooi M. Study of Tuska root effects on soil armoring as a bioenginnering tools. Iranian Forest Journal. 2013; 6 (1): 49-58. [Persian]_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.239914.707 منابع آبهای زیر زمینی مقایسۀ کارایی مدل‌های شبکۀ عصبی مصنوعی، منطق فازی و جنگل تصادفی در برآورد پارامتر قابلیت انتقال آبخوان دشت ملکان نوروزی قوشبلاغ حسین دانشجوی دکتری هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز، تبریز، ایران ندیری عطا الله دانشیار هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز، تبریز، ایران اصغری مقدم اصغر استاد هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز، تبریز، ایران قره‌خانی مریم دانشجوی دکتری هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز، تبریز، ایران 23 09 2018 5 3 739 751 22 08 2017 04 01 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67501.html

آبخوان دشت ملکان به عنوان یکی از آبخوان‏های حوضۀ دریاچۀ ارومیه، به مدیریت صحیح کمی و کیفی نیاز دارد. روش‏های مختلفی از جمله انجام آزمون پمپاژ، روش‏های آزمایشگاهی، استفاده از ردیاب‏ها و روش‏های ژئوفیزیکی برای ارزیابی پارامترهای هیدروژئولوژیکی و مدیریت مناسب آبخوان‏ها وجود دارد. هر چند تعبیر و تفسیر داده‏های به‌دست‌آمده از آزمون پمپاژ، بهترین روش تخمین پارامترهای هیدروژئولوژیکی آبخوان است، اما این روش‏ پرهزینه، وقت‏گیر و نتایج آن مختص به مناطق محدودی خواهد بود. با توجه به اینکه مدل‏های هوش مصنوعی توانایی‏هایی در برآورد پارامترهای هیدروژئولوژیکی نشان داده‏اند، در تحقیق حاضر کارایی مدل‏های شبکه‏های عصبی مصنوعی، منطق فازی و جنگل تصادفی در برآورد پارامتر قابلیت انتقال آبخوان دشت ملکان بررسی شده‏ است. پارامترهای ژئوفیزیکی و هیدروژئولوژیکی مرتبط با قابلیت انتقال، از جمله مقاومت عرضی، هدایت الکتریکی، ضخامت آبخوان و هدایت هیدرولیکی به عنوان مهم‏ترین ورودی در این مدل‏ها در نظر گرفته شده ‏است. بر اساس نتایج به‌دست‌آمده از بین مدل‏های شبکۀ عصبی و فازی و جنگل تصادفی، مدل جنگل تصادفی ‌دقت و توانایی بیشتری در شبیه‏سازی داشته‏ است. نتایج به‌دست‌آمده از شبیه‏سازی ( 96/0 = AUC، 001/0 = MSE و 986/0= R2) و تعیین مهم‏ترین پارامترهای تأثیرگذار در پیش‏بینی قابلیت انتقال، گویای برتری این مدل نسبت به مدل‏های شبکه‏های عصبی مصنوعی و منطق فازی در بحث پیش‏بینی است.

 آب‏های زیرزمینی جنگل تصادفی دشت ملکان قابلیت انتقال هوش مصنوعی [1]. Chow VT. On the determination of transmissibility and storage coefficient from pumping test data. Transactions. American Geophysical Union. 1952; 33(3): 397-404. [2]. Cooper H, Jacob C E. A generalized graphical method for evaluation formation constants and summarizing well field history. Transactions, American Geophysical Union. 1946; 27(4): 526-534. [3]. Neuman SP. Theory of flow in unconfined aquifers considering delayed response of water table. Journal of Water Resources Research. 1972; 8(4): 1031-1045. [4]. Theis CV. The relationship between the lowering of piezometric surface and the rate and duration of discharge of a well using groundwater storage. Transactions, American Geophysical Union. 1935; 16(2): 519-524. [5]. Samani N, Gohari-Moghadam M, Safavi AA. A simple neural network model for the determination of aquifer parameters. Journal of Hydrology. 2007; 340(1-2): 1-11. [6]. Nadiri AA, Chitsazan N, Frank TC, Moghaddam A. Bayesian Artificial Intelligence Model Averaging for Hydraulic Conductivity Estimation. Journal of Hydrologic Engineering. 2014; 19(3): 520- 532. [7]. Chen CH, Lin Z. A committee machine with empirical formulas for permeability prediction. Journal of Computers and Geosciences. 2006; 32: 485–496. [8]. Chitsazan N, Nadiri AA, Tsai F. Prediction and structural uncertainty analyses of artificial neural networks using hierarchical bayesian model averaging. Journal of Hydrology. 2015; 528: 52-62. [9]. Kadkhodaie A, Amini A. A fuzzy logic approach to estimation hydraulic flow units from well log data: case study from the Ahvaz oilfield in south Iran. Journal of Petroleum Geology. 2009; 32(1): 67-78 67. [10]. Kadkhodaie A, Rezaee MR, Rahimpour-Bonab H. A committee neural network for prediction of normalized oil content from well log data: An example from South Pars Gas Field, Persian Gulf. Journal of Petroleum Science and Engineering. 2009a; 65: 23-32. [11]. Nadiri AA, Asghari Moghaddam A, Tsai F, Fijani E. Hydrogeochemical analysis for Tasuj plain aquifer, Iran. Journal of Earth System Science. 2013; 122(4): 1091-1105. [12]. Pulido CI, Gutiérrez JC. Improved irrigation water demand forecasting using a soft computing hybrid model. Journal of Biosystems Engineering. 2009; 102(2): 202-218. [13]. Rodriguez V, Ghimire B, Rogan J, Chica-Olmo M, Rigol-Sánchez J.P. An assessment of the effectiveness of a Random Forest classifier for land-cover classification. ISPRS Journal of Photogram Remote Sens. 2012d; 67: 9 -104. [14]. Breiman L. Random Forests. Machine Learning. 2001; 45(1): 5–32. [15]. Yoo W, Ference BA, Cote ML, Schwartz A. A Comparison of Logistic Regression, Logic Regression, Classification Tree, and Random Forests to Identify Effective Gene-Gene and Gene-Environmental Interactions. International Journal of Applied Science and Technology. 2012; 2(7): 268-274. [16]. Norouzi H, Asghari Mogaddam A, Nadiri AA. Determining vulnerable areas of Malekan Plain Aquifer for Nitrate, Using Random Forest method. Journal of Environmental Studies. 2015; 41(4): 923-94. [In Persian] [17]. Hopfield JJ. Neural network and physical systems with emergent collective computational abilities. Proc. Nat, Academy of scientists. 1982; 79: 2554-2558. [18]. Demuth H, Beale M. Neural Network Toolbox User, s Guide, By the Math Works. Inc Version. 2000; 4: 840pp. [19]. ASCE. Task Committee on Application of Artificial Neural Networks in Hydrology, Part I and II. Journal of Hydrology. 2000; 5(2): 115-137. [20]. Chiu S. Fuzzy model identification based on cluster estimation. Journal of Intelligent and Fuzzy Systems. 1994; 2(4): 267–278. [21]. Nikravesh M, Aminzadeh F. Soft Computing and Intelligent Data Analysis in Oil Exploration. Part1: Introduction: Fundamentals of Soft Computing. Elsevier, Berkeley, USA. 2003; pp.744. [22]. Quinlan JR. Induction of decision trees. Journal of Machine Learning. 1986; 1(1): 81-106. [23]. Schapire R. The strength of weak learnability. Journal of Machine learning, 1990; 5:197-227. [24]. Kotsiantis S, Pintelas P. Combining bagging and boosting. International Journal of Computational Intelligence. 2004; 1(4): 324–33. [26]. Breiman L, Friedman JH, Olshen RA, Stone CJ. Classification and regression trees, Chapman & Hall/CRC, New York. 1984; pp.744. [26]. Quinlan JR. C4.5 programs for machine learning. San Mateo, CA: Morgan Kaurmann. 1993; 303 pp. [27]. Breiman L. Bagging predictors. Machine Learning. 1996; 24(2): 123–40. [28]. Bellman R. Dynamic programming. Mineola, NY: Dover Publications. 2003; 366 pp. [29]. Guyon I, Elisseeff A. An introduction to variable and feature selection. Journal of Machine Learning Res. 2003; 3: 1157–82. [30]. Dixon BA. Case study using support vector machines, neural networks and logistic regression in a GIS to identify wells contaminated with nitrate-N. Journal of Hydrogeology. 2010; 17(6): 1507–20. [31]. Critto A, Carlon C, Marcomini A. Characterization of contaminated soil and groundwater surrounding an illegal landfill by principal component analysis and kriging. Journal of Environmental Pollution. 2003; 122(2): 235–44. [32]. Harb N, Haddad K, Farkh S. Calculation of transverse resistance to correct aquifer resistivity of groundwater saturated zones, implications for estimating its hydrogeological properties. Lebanese science journal. 2010; 11(1): 105-115. [33]. Valcarce RM, Rodríguez WM. Resolution power of well log geophysics in karst aquifers. Journal of Environmental Hydrology. 2004; 12: 1-7. [34]. Lehmann P, Davis. Evaporation and capillary coupling across vertical textural contrasts in porous media. Journal of Phys, Rev. 2009; 80(4): 44-57 [35]. Chehata N, Guo L, Mallet C. Airborne lidar feature selection for urban classification using random forests. International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences. 2009; 39: 207-12.  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.240350.711 مدیریت منابع آب در اکوسیستم های طبیعی تعیین دبی زیست‌محیطی بومی سفیدرود تعیین دبی زیست‌محیطی بومی سفیدرود فتاح‌پور فاطمه کارشناس ارشد مهندسی منابع آب، دانشکدۀ مهندسی و فناوری کشاورزی، دانشگاه تهران ابراهیمی کیومرث استاد مهندسی منابع آب، دانشکدۀ مهندسی و فناوری کشاورزی، دانشگاه تهران بیات سوگند دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشکدۀ مهندسی و فناوری کشاورزی، دانشگاه تهران 23 09 2018 5 3 753 762 22 08 2017 18 02 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67502.html

دبی زیست‌محیطی توصیفی از زمان‌بندی، کیفیت و کمیّت آب مورد نیاز برای پایداری اکوسیستم آبی است. هدف مقالۀ حاضر، ارزیابی روش‌های متداول تعیین دبی زیست‌محیطی و ارائۀ روش بومی سفیدرود است. دبی زیست‌محیطی سفیدرود با کمک روش‌های هیدرولوژیکی، هیدرولیکی و شبیه‌سازی زیستگاه بررسی شد و نتایج به‌دست‌آمده به صورت یک پیشنهاد بومی در غالب درصدی از میانگین دبی سالانه بیان شد. طبق ابلاغیۀ وزارت نیرو، شیوۀ تعیین دبی زیست‌محیطی روش تنانت (هیدرولوژیکی) است. این روش به همراه روش محیط ترشده (هیدرولیکی) با سه ایدۀ متفاوت به کار گرفته شد و در روش شبیه‌سازی زیستگاه نیز فیل‌ماهی به عنوان گونۀ شاخص انتخاب و دبی زیست‌محیطی مطابق با شرایط زندگی گونۀ هدف بررسی شد. مزایا و محدودیت‌های روش‌های بررسی‌شده معرفی شد. بر اساس نتایج به‌دست‌آمده از مقادیر محاسباتی و ضعف‌ها و قوت‌های آنها به‌ترتیب 20‌ و 30‌ درصد میانگین دبی سالانه برای حفظ سلامت رودخانه در شرایط ضعیف تا نسبتاً خوب پیشنهاد شد. در نهایت، روش ترکیبی شبیه‌سازی زیستگاه و بیشترین انحنای محیط خیس‌شده برای تعیین کمترین دبی زیست‌محیطی و بهبود شرایط اکوسیستم منطقه به عنوان روش بومی سفیدرود پیشنهاد شد.

 تنانت حقابۀ زیستی رودخانه گونۀ شاخص محیط خیس‌شده [1]. Naiman R J, Bunn SE, Nilsson C, Petts GE, Pinay G, Thompson LC. Legitimizing fluvial systems as users of water: an overview. Environmental Management. 2002; 30:455-467. [2]. Arthington A. Saving Rivers in the Third Millennium. Ecology and the Environment Book; 2012. [3]. Dunbar MJ, Acreman MC, Gustard A, Elliott CRN. Overseas Approaches to Setting River Flow Objectives; 1998. [4]. Acreman M, Dunbar MJ. Defining environmental river flow requirements- a review. J. Hydrology and Earth system Sciences. 2004; 8(5): 861-876. [5]. Liu J, Liu Q, Yang H. Assessing water scarcity by simultaneously considering environmental flow requirements, water quantity, and water quality. Ecological Indicators. 2016; 60: 434-441. [6]. Tharme RE. A global persprctive on environmental flow assessment: emerging trends in the development and application of environmental flow methodologies for rivers. Published online in Wiley InterScience.  2003; 19:397-441. [7]. Richter BD, Baumgartner JV, Wigington R, Braun DP. How much water does a river need. Freshwater Biology. 1997; 37: 231-249. [8]. Office of Standard and Technical Criteria. Planning and Budget Organization of Iran. Drinking Water Standards. Tehran; 1992. (In Persian) [9]. Tharme RE, King JM. Development of the Building Block Methodology for Instream Flow Assessment, and Supporting Research on the Effects of the Different magnitude Flows on Riverine Ecosystems. Water Research Commission; 1998. [10].            Smakhtin VU, Revenga C, Doll P. A pilot Global Assessment of Environment Water Requirement and Scarcity. International water Resources Association. 2004; 307-317. [11].            Mann JL. Instream flow methodologies: An evaluation of the Tennant method for higher gradient streams in the national forest system lands in the western US. Master Thesis. Department of Forest, Rangeland, and Watershed Stewardship,colorado state university, Colorado; 2006. 143 p. [12].            Watt SP. A methodology for environmental protection of Ontario watercourses with respect to the permit to take water program; 2007. 134p. [13].            Zolfaghari S, Ghanbarpour M, Habibnejad M, Afkhami M. Evaluation and assessment of environmental flow using hydrological methods (Case study: Shadegan wetland). Journal of Watershed Management Science and Engineering. 2009; 3(8): 67-70. (in Persian) [14].            Poff N, Richter B, Arthington A, Bunn S, Naiman R, Kendy E, et al. The ecological li, its of hydrologic alteration (ELOHA), A new framework for developing regional environmental flow standards. J. Freshwater Biol. 2010; 55(1): 147-170. [15].            Jushi KD, Jha DN, Alam A, Srivastava SK, Kumar V, Sharma AP. Environmental Flow requirements of river sone: impact of low discharge on fisheries. Current Science. 2014; 107(3): 478. [16].            Mostafavi S, Yasi M. Evaluation of Environmental Flowsin Rivers Using Hydrological Methods (case study: The Barandozchi River- Urmia Lake Basin). J. water Soil. 2015;  29(5), 1219-1231. (in Persian) [17].            Bayat S, Ebrahimi K., Assessment of Different Environmental Flow Methods. 2th National Iraninan Conference on Hydrology, Shahrekord, Iran, 2017. (in Persian) [18].            Orth DJ, Maughan OE. Evaluation of the “Montana Method” for recommending instream flows in Oklahoma streams. Pro. Okla. Acad. Sci. 1981; 61:62-66. [19].            Tennant DL. Instream  flow  regimes  for  fish,  wildlife,  recreation  and environmental resources. Instream  Flow  Needs. Volume  II. American Fisheries Society. Bethesda MD. 1976; 359-373. [20].            King JM, Tharme RE, Villiers DE. Environmental flow assessments for  rivers:  manual  for  the  Building  Block  Methodology.  Water  Research  Commission Technology Transfer Report No. TT131/00. Pretoria, South Africa; 2003. [21].            Peres DJ, Cancelliere A, Environmental Flow Assessment Based on Different Metrics of Hydrological Alteration. Water Resources Management. 2016; 30(15). [22].            Annear TC, Conder AL. Relative bias of Several fisheries instream flow methods. North American Journal of Fisheries Management. 1984; 4(4B): 531-539. [23].            Poff NL, Allan JD, Bain MB, Kar JR, Prestegaard  kl. The  natural  flow regime: a paradigm  for river conservation and restoration. Bio science, 1997; 47: 769-784. [24].            Gippel CJ, Stewardson MJ. Use of wetted perimeter in defining minimum environmental flows. Regulated Rivers: Research and Management. 1998; 14: 53-67. [25].            Jowett  IG. Instream flow methods: a comparison of approaches. Regulated rivers. 1997; 13: 115-127. [26].            Ahmadipour Z, Yasi M. Comparison of echo-hydrologic-hydraulic methods in the assessment of river ecological flow (Nazlou river, Urmia lake basin), Hydraulic science journal. 2015; 9(2): 69-82. (in Persian) [27].            Amini M, Shokouhi A. Analytical solution Determination of the fracture point of the contaminated-discharge environment in the hydraulic method of determining the minimum environmental flow. "Journal of Hydraulic. 2015; 9(1): 27-43. (in Persian)_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.241766.726 اکوهیدرولوژی کاربرد الگوریتم ژنتیک در بهینه‌سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش‌‏بینی بیشترین دمای هوا (مطالعۀ موردی: شهر اصفهان) کاربرد الگوریتم ژنتیک در بهینه‌سازی عملکرد سیستم استنتاج فازی-عصبی تطبیقی به منظور پیش‌‏بینی بیشترین دمای هوا منوچهری‌‌نیا مهران دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکدۀ مهندسی عمران، دانشگاه سمنان آزاد آرمین دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، دانشکدۀ مهندسی عمران، دانشگاه سمنان فرزین سعید استادیار گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان کرمی حجت استادیار گروه مهندسی آب و سازه‌های هیدرولیکی، دانشکدۀ مهندسی عمران، دانشگاه سمنان 23 09 2018 5 3 763 775 17 09 2017 02 01 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67503.html

الگوریتم‏های موجود برای آموزش سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) باوجود کاربرد فراوان، نقایصی همچون به‌دام‌افتادن در بهینۀ محلی دارند. در پژوهش حاضر، کاربرد الگوریتم‏های بهینه‏سازی ژنتیک (GA)، ازدحام ذرات (PSO)، کلونی مورچگان برای محیط‌‏‌‌های پیوسته (ACOR) و تکامل تفاضلی (DE)، در توسعه و بهبود عملکرد ANFIS ‌بررسی شد. به‌‏عنوان مطالعۀ موردی، بیشترین دمای ماهانۀ شهر اصفهان در بازۀ زمانی 64 ساله (1330-1393)، شبیه‏سازی و تحلیل شد. به این منظور، ابتدا با استفاده از آنالیز حساسیت، مناسب‌‏ترین ورودی‏ها برای هر یک از افق‏های پیش‏بینی (یک ماه، یک تا سه سال) انتخاب شد. سپس، بیشترین دما به‏وسیلۀ مدل‏های هیبریدی ANFIS-GA، ANFIS-PSO، ANFIS-DE، ANFIS-ACOR و مدل ANFIS پیش‏بینی شد. در ادامه، عملکرد هر یک از مدل‏ها با استفاده از شاخص‏های آماری R2، RMSE و MAE ارزیابی شد. نتایج نشان داد مدل ANFIS-GA، به‏عنوان مناسب‏ترین مدل، دقت عملکرد ANFIS را در پیش‏بینی افق‌‏های یک ماه و یک تا سه سال آینده در R2 به‌ترتیب به مقدار 06/0، 07/0، 08/0 و 12/0 و در RMSE به میزان 09/0، 09/0، 16/0 و 1/0 بهبود داده است. پس ‏از آن، به‌ترتیب ANFIS-DE و ANFIS-PSO مناسب‏ترین دقت را داشتند. از سوی دیگر، ANFIS با بیشترین خطا و کمترین R2، به‏عنوان ضعیف‏ترین مدل شناخته شد. نتایج ‌نشان داد مدل‏های هیبریدی پیشنهادی، با استفاده از تکنیک جست‌وجوی سراسری و جلوگیری از به‌دام‌افتادن در بهینۀ محلی، عملکرد ANFIS را به‏طور مطلوبی بهبود داده‏اند. مدل‏های پیشنهادی پتانسیل زیادی به‏منظور استفاده در سایر مسائل مرتبط با هیدرولوژی و منابع آب دار‌ند.

 الگوریتم‏های تکاملی هیبریدی الگوریتم ژنتیک جواب بهینۀ محلی دمای هوا سیستم استنتاج فازی- عصبی [1]. Asakareh H. ARIMA modeling of annual mean temperature of Tabriz city. Geographical Research. 2009; 47: 123-131. [2]. Benavides R, Montes F, Rubio A , Osoro K. Geostatistical modeling of air temperature in a mountainous region of northern Spain. Agricultural and Forest Meteorology. 2007; 146(3-4): 173-188. [3]. Jain AK. Mao J, Mohiuddin KM.. Artificial neural networks: A tutorial. Computer, IEEE. 1996: 31-44. [4]. Peyghami MR, Khanduzi R. Novel MLP neural network with hybrid tabu search algorithm. Neural Network World. 2013; 3(13): 255-270. [5]. Pousinho HMI, Mendes VMF, Catalão JPS. Hybrid PSO-ANFIS Approach for Short-Term Electricity Prices Prediction. In Proceedings of the 2010 PES general meeting, Michigan. 2010: 1-6. [6]. Sheikhan M, Mohammadi N. Time series prediction using PSO-optimized neural network and hybrid feature selection algorithm for IEEE load data. Neural computing and applications. 2013;23(3-4): 1185-1194. [7]. Cheng CHT, Niu WJ, Feng ZK, Shen J, Chau KW. Daily Reservoir Runoff Forecasting Method Using Artificial Neural Network Based on Quantum-behaved Particle Swarm Optimization. Water. 2015; 7: 4232- 4246. [8]. Jalalkamali A. Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters. Earth Science Informatics. 2015; 8(4): 885-894. [9]. Rezapour Tabari M M. Prediction of River Runoff Using Fuzzy Theory and Direct Search Optimization Algorithm Coupled Model. Arabian Journal for Science and Engineering. 2016; 41(10): 4039-4051. [10]. Behmanesh M, Mohammadi M. Adaptive Neuro-Fuzzy Inference System with Self-Feedback and Imperialist Competitive Learning Algorithm for Chaotic Time Series Prediction. Journal of Computational Intelligence in Electrical Engineering. 2016; 4(7): 13-30. [11]. Azad A, Karami H, Farzin S, Saeedian A, Kashi H, Sayyahi H. Prediction of water quality parameters using ANFIS optimized by intelligence algorithms (Case study: Gorganrood River). KSCE Civil engineering Journal. 2017; 1-8. DOI 10.1007/s12205-017-1703-6. [Persian] [12]. Salahi B, Hoseini SA, Shayeghi H, Sobhani B. Prediction of maximum temperatures using artificial neural network model. Geographic research. 2010; 25(3): 57-78. [Persian] [13]. Tektas M. Weather Forecasting Using ANFIS and ARIMA Models, A Case Study for Istanbul. Environmental Research, Engineering and Management. 2010; 51:5-10. [14]. Ghorbani MA, Kazemi H, Farsadizadeh D, Yousefi P. Prediction of Air Temperature Using Artificial Intelligent Methods. Journal of Engineering and Applied Sciences. 2012; 7(2): 134-142. [15]. Kisi O, Kim S, Shiri J. Estimation of dew point temperature using neuro-fuzzy and neural network techniques. Theoretical and Applied Climatology. 2013; 114(3-4): 365-373. [16]. Daneshmand H, Tavousi T, Khosravi M, Tavakkoli S. Modeling minimum temperature via adaptive 4 neuro-fuzzy inference system method based 5 on spectral analysis of climate indices. Journal of the Saudi Society of Agricultural Sciences. 2015; 14(1): 33-40.  [17]. Mohammadi K, Shamshirband Sh, Tong CW, Arif M, Petkovic Ch. A new hybrid support vector machine–wavelet transform approach for estimation of horizontal global solar radiation. Energy Conversion and Management. 2015; 92: 162-171. [18]. Kisi O, Sanikhani H. Modelling long-term monthly temperatures by several data-driven methods using geographical inputs. International Journal of Climatology. 2015; DOI: 10.1002/joc.4249. [19]. Shafaghi S. Geography of Isfahan. 2nd ed. University of Esfahan. Esfahan. 2003. [Persian] [20]. Zadeh LA. Fuzzy sets. InformationandControl. 1965; 8(3): 338-353. [21]. Jang JSR. ANFIS: Adaptive-network-based fuzzy inference system. Systems, Man and Cybernetics, IEEE Transactions. 1993; 23(3), 665-685. [22]. Storn R, Price K. Differential Evolution-A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces. Technical report, International Computer Science, Berkeley. 1995. [23]. Dashti R, Sattari M T, Nourani V. Performance evaluation of differential evolution algorithm in optimum operating of Eleviyan single-reservoir dam system. Journal of Protection of water and soil resources. 2017; 6(3): 61-76. [24]. Holland JH. Adaption in natural and artificial system. The University of Michigan Press. 1975. [25]. Jaramillo J, Bhadury J, Batta R. On the use of genetic algorithms to solve location problems. Computers & Operations Research. 2002; 29: 761-779. [26]. Eberhart R, Kennedy J. A New Optimizer Using Particle Swarm Theory. Sixth International Symposium on Micro Machine and Human Science, IEEE. 1995. [27]. Golmakani H, Fazel M. Constrained Portfolio Selection using Particle Swarm Optimization. Expert Systems with Applications. 2011; 38: 8327–8335. [28]. Dorigo M. Optimization, Learning and Natural Algorithms. Ph.D Thesis. Dipartimento di Elettronica, Politecnico di Milano, Italy. 1992. [29]. Socha K, Dorigo M. Ant colony optimization for continuous domains. European Journal of Operational Research. 2008; 185: 1155-1173. [30]. Deb K A P, Agarwal S, Meyarivan T. A Fast Elitist Multi-Objective Genetic Algorithm:NSGA-II. IEEE Transactions on Evolutionary Computation.2000; 6: 182-197._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.242453.732 تغییرات اقلیم ارزیابی تغییرات جریان آینده تحت سناریوهای مختلف تغییر اقلیم برحوضه آبریز رودخانۀ گاماسیاب ارزیابی تغییرات جریان آینده تحت سناریوهای مختلف تغییر اقلیم برحوضه آبریز رودخانۀ گاماسیاب زارع‌زاده مهریزی شهاب‌الدین دانش‌آموخته دکتری آبخیزداری، گروه مهندسی منابع طبیعی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران خورانی اسداله دانشیار، گروه جغرافیا، دانشکدۀ علوم انسانی، دانشگاه هرمزگان، بندرعباس، ایران بذرافشان جواد دانشیار، گروه مهندسی آبیاری و آبادانی، دانشگاه تهران، کرج، ایران بذرافشان ام‌البنین استادیار، گروه مهندسی منابع طبیعی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران 23 09 2018 5 3 777 789 02 10 2017 01 02 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67504.html

تغییر اقلیم با توجه به ظرفیت محدود اکوسیستم‏ها می‏تواند موجب بروز مشکلاتی در تأمین آب قابل‏ دسترس برای رفع نیاز بشر شود و بر توانایی منطقه‏ای در مواجهه با بلایای طبیعی مرتبط با آب تأثیر بگذارد. یکی از مشخصه‏های طبیعی رودخانۀ گاماسیاب احتمال وقوع سیلاب و خطرات ناشی از آن است. بنابراین مطالعات هیدرولوژیکی تحت شرایط تغییر اقلیم برای ساماندهی و مدیریت آن ضروری است. لزوم استفاده از مدل‏های سری CMIP5 در پژوهش‏های جدید با توجه به دقت زیاد آنها و کمبود کارهای پژوهشی به وسیلۀ این مدل‏ها در کشور ما، سبب شد در پژوهش حاضر از خروجی‏های چهار مدل سری CMIP5 و دو سناریوی RCP2.6 و RCP8.5 برای آیندۀ نزدیک (2020-2049 میلادی) و آیندۀ دور (2070-2099 میلادی) استفاده شود. نتایج نشان می‏دهد مقدار بارندگی سالانۀ حوضه در پنج ایستگاه بررسی‌شده با توجه به سناریوهای مد نظر و دوره‏های زمانی مختلف بین 6/31- تا 8/52 درصد تغییر خواهد کرد. میانگین کمترین و بیشترین دمای ماهانه در ایستگاه کرمانشاه به ترتیب حداکثر تا C°75/2 و C°15/2 و در ایستگاه همدان به ترتیب حداکثر تا C°43/3 و C° 26/4 با توجه به سناریوهای مختلف افزایش می‏یابد. در این پژوهش از مدل SWAT برای شبیه‏سازی هیدرولوژیکی جریان استفاده شد. نتایج ضمن تأیید کارایی مدل SWAT در شبیه‏سازی دبی حوضه، نشان داد میزان تغییرات رواناب حاصل از خروجی مدل CSIRO-Mk تحت سناریوهای مختلف نسبت به دورۀ مشاهداتی از 3/42 – تا 8/17 درصد متغیر خواهد بود. نتایج تحقیق ضرورت به‌کارگیری تدابیر لازم به‌منظور سازگاری با تغییر اقلیم در سیاست‏های آتی مدیریت حوضۀ گاماسیاب تأکید می‌کند.

 تغییر اقلیم حوضۀ گاماسیاب شبیه‏سازی [1]. IPCC expert meeting report. towards new scenarios for analysis of emissions, climatechange, impacts, and response strategies. 19–21 September, 2007 Noordwijkerhout, The Netherlands [2]. Herting, E. and J. Jacobeit., 2008,“Downscaling Future Climate change: Temperature scenarios for the Mediterrnean Area”, Global and Planetary hange 63. 127- 131. [3]. Ozkul, S., 2009,“Assessment of climate change eifects in Aegean River Basins: The case Of Gediz Buyuk Menders Basins”, J. climate change [4]. Harmsen, E. W., Miller, N. L., Schelgel, N. J. and Gonzalez, J.E.2009,“Seasonal climate change Impactes on Evaportranspiration, Percipitation deficit and crop Yield in Puer Rico”,J. Of Agricultural Water Management, 96. 1085- 1095. [5]. Babaean A, Najafinik Z, Abbasi F, Nohandan M, Adab H. 2009. "Assessment of the country's climate change during the period 2010-2039 using the general circulation model of ECHO-G. Geography and Development,2009; 16: 152-135. [6]. Revelle R. R, Waggoner P. E.1983. Effects of carbon dioxideinduced climate change on water supplies in western of United States. Climate changing Nat. Acad. Washangton D. C. 1983. [7]. Wilby R, Harris I. A frame work for assessing uncertainties in climate change impacts: low flow scenarios for the River Thames, UK. Water Resources Research. 2006; 42 [8]. Jahanbakhsh S, Khorshid Dust A.M, Alinejed M.H, Purasghar F. The Impact of Climate Change on Temperature and Precipitation Considering the Uncertainty of Climate Models and Scenarios(Case study of Urmia Shahr-e Chah Basin). Hydrogeomorphology Journal. 2016; 7: 107-122. [Persian] [9]. Kamal A.R, Massah Bavani A.R. Evaluation of uncertainty of AR4-AOGCM models and hydrologic models in estimating temperature, precipitation and the runoff of Qaraosso basin under climate change. Journal of Water Research of Iran. 2011; 5(9): 39-50. [Persian] [10]. Eghdamirad S, Johnson F, Woldemeskel F, Sharma A. Quantifying the sources of uncertainty in upper air climate variables. Journal of Geophysical Research: Atmospheres. 2016; 27;121(8):3859-74. [11]. Elashamy M. E., Wheater, H. S., Huntingford, C. Evaluation of the rainfall Companent of Weather generator for climate change Studies. Journal of Hydrology. 2005; 326: 1-24. [12]. Schimidli, H, Goodess C. M., Frei C, Haylouk M. R., Schmith S. Statistical and dynamical downscaling Precipitation: An Evaluation and Camparison of scenario for the European Alps. Journal of Geophysical Research, 2007; 112: 1-20. [13]. IPCC. Climate Change 2013: The Physical Science Basis, Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Stocker T.F, Qin G, Plattner M, Tignor S.K, Allen J, Boschung A, et al. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. [14]. Basheer A, Lu H, Omer A, Ali A, Abdelgader A. Impacts of climate change under CMIP5 RCP scenarios on the stream flow in the Dinder River and ecosystem habitats in Dinder National Park, Sudan. Hydrol. Earth Syst. Sci. 2016; 20: 1331–1353. [15]. Papadimitriou L, Koutroulis L, Grillakis M, Tsanis I. High-end climate change impact on European runoff and low flows – exploring the effects of forcing biases. Hydrol. Earth Syst. Sci. 2016; 20: 1785–1808. [16]. Hoang L, Lauri H, Kummu M, Koponen J, Michelle T, Vliet H, et al. Mekong River flow and hydrological extremes under climate change. Hydrol. Earth Syst. Sci. 2016; 20: 3027–3041. [17]. Arias R, Blanco M, Taboada-Castro M, Nunes J, Keizer J. Water Resources Response to Changes in Temperature, Rainfall and CO2 Concentration: A First Approach in NW Spain. Water. 2014; 6(10), 3049-3067; doi:10.3390/w6103049  [18]. Saha P. P., Zeleke K, Hafeez M. Streamflow modeling in a fluctuant climate using SWAT: Yass River catchment in south eastern Australia. Environmental Earth Sciences. 2014; 71(12): 5241–5254 [19]. Xu H, Luo Y. Climate change and its impacts on river discharge in two climate regions in China. Hydrol. Earth Syst. Sci. 2015; 19, 4609–4618. [20]. IPCC, 2014: Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, R.K. Pachauri and L.A. Meyer (eds.)]. IPCC, Geneva, Switzerland, 151 pp. [21]. Ministry of Agriculture. Comprehensive Plan for the Recovery and Development of Agriculture and Natural Resources in the Karkheh and Dez River Basin. 1996;Volume 1, Surface Water, Planning and Support Deputy, Tehran. [22]. Abbaspour K. 2007. User manual for SWAT-CUP, SWAT calibration and uncertainty analysis programs. Eawag: Swiss Fed. Inst. Of Aquat. Sci. and Technol. Du¨bendorf, Switzerland. [23]. Neitsch S, Arnold L, Kiniry G, Williams J. Soil and Water Assessment Tool, Userʼs Manual, Version 2000-2002 [24]. Abbaspour K, Rouholahnejad E, Vaghefi S, Srinivasan R, Yang H, Klove B. A continental-scale hydrology and water quality model for Europe: Calibration and uncertainty of a high-resolution large-scale SWAT model. Journal of Hydrology. 2015; 524:733–752 [25]. Donizete R, Pereiraa A, Martinezb F, Pruskib D. Hydrological simulation in a basin of typical tropical climate and soil using the SWAT model part I: Calibration and validation tests. Journal of Hydrology: Regional Studies. 2016; 7: 14–37 [26]. Kepner W, Hernandez M, Semmens D, Goodrich D. The Use of Scenario Analysis to Assess Future Landscape Change on Watershed Condition in the Pacific Northwest (USA). Use of Landscape Sciences for the Assessment of Environmental Security. 2008; 237-261. [27]. Wang L, Ranasinghe S, M van P, Gelder J, Vrijling K. Comparison of empirical statistical methods for downscaling daily climate projections from CMIP5 GCMs: a case study of the Huai River Basin, China. International journal of climatology Int. J. Climatol. 2016; 36: 145–164 [28]. Ho C, Stephenson D, Collins M, Ferro CAT, Brown S. Calibration strategies: a source of additional uncertainty in climate change projections. Bull. Am. Meteorol. Soc. 2012; 93(1): 21–26. [29]. Zahabiyun B, Goodarzi M, Massah A. Application of SWAT model in estimating basin runoff in future periods affected by climate change. Journal of Climatology Research. 2010; 3and4. [Persian] [30]. Jones P, Hulme M, alculating regional climatic times series for temperature and precipitation: methods and illustrations. International journal of climatology. 1996; 16: 361-377_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.242803.737 منابع آبهای زیر زمینی ارزیابی وضعیت هیدروژئوشیمی آبخوان دشت سلماس با استفاده از روش‌های آماری چندمتغیره ارزیابی وضعیت هیدروژئوشیمی آبخوان دشت سلماس با استفاده از روش‌های آماری چندمتغیره نادری کیوان دانشجوی دکتری هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز ندیری عطا الله دانشیار، دانشکدۀ علوم طبیعی، دانشگاه تبریز اصغری مقدم اصغر استاد، دانشکدۀ علوم طبیعی، دانشگاه تبریز کرد مهدی استادیار، دانشکدۀ علوم، دانشگاه کردستان 23 09 2018 5 3 791 800 22 10 2017 04 04 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67505.html

برای درک بهتر فرایندهای هیدروژئوشیمیایی در آبخوان دشت سلماس، روش‏های گرافیکی و آماری چند‏متغیره برای تفسیر نتایج به‌دست‌آمده از آنالیز نمونه‏ها به کار برده شدند. نتایج دیاگرام پایپر و دیاگرام بسط داده‌شدۀ دورو نشان‏ می‏دهند تیپ غالب آب‏ زیرزمینی بی‏کربنات کلسیم – منیزیم است و در قسمت‏های انتهایی و جنوب ‏شرقی دشت تیپ مختلط نیز دیده‏ می‌شود. آنالیز خوشه‏ای سلسله‌مراتبی (HCA)، پنج گروه مختلف آب ‏زیرزمینی را نشان‏ می‏دهد (HC1 تا HC5). این روش به خلاف روش‏های گرافیکی، توانایی نشان‌دادن تأثیر غلظت نیترات در طبقه‏بندی نمونه‏ها را دارد. نمودارهای استیف مربوط به گروه‏های HC1 تا HC5، سه منشأ اصلی برای آب‏ زیرزمینی در دشت سلماس را آشکار می‏کنند، به طوری که سه گروه HC1 تا HC3 آب‏هایی هستند که از سنگ‏های آهکی و دولومیتی نشئت گرفته‏اند. در گروه HC4، Clˉ و Na+ غالب هستند و آب‏های شور را نشان می‏دهند. گروه HC5 آب‏هایی هستند که تحت تأثیر انحلال ساده یا اختلاط قرار گرفته‏اند. براساس نتایج تحلیل عاملی (FA)، سه عامل اصلی مؤثر بر هیدروشیمی آبخوان دشت سلماس شناسایی شدند که 03/85 درصد از واریانس کل داده‏ها را شامل می‏شوند. عامل‏های اول و دوم زمین‏زاد هستند و عامل سوم انسان‏زاد است. با توجه به عامل نخست انحلال کانی‏های تبخیری در قسمت‏های شمالی، شمال ‏غربی دشت و جاهایی که سازندهای الیگو-میوسن (OMrb)، میوسن (Mur) و پلیوسن (PLQc) برونزد دارند در هیدروشیمی آب ‏زیرزمینی کارکرد اصلی را دارد. عامل دوم حاصل تعادل آب-سنگ است که در زمینۀ انحلال سنگ‏های حاوی ترکیبات کلسیم و منیزیم است و مرتبط به مناطق تغذیه است و عامل سوم ناشی از فعالیت‏های انسانی و استفاده از کودهای کشاورزی است.

 آب‏ زیرزمینی آنالیز خوشه‏ای سلسله‌مراتبی تحلیل عاملی هیدروژئوشیمی [1]. Hounslow AW. Water Quality Data Analysis and Interpretation. 1nd ed. Florida: CKC press; 1995. [2]. Jalali L, Moghaddam AA. Detection of hydrogeochemical status and salinity trend in Khoy plain aquifer by statistical and hydrochemical methods. Journal of Environmental Studies. 2013; 39(2): 113-122 [Persian]. [3]. Aghazadeh N, Moghaddam AA. Investigation of hydrochemical characteristics of groundwater in the Harzandat aquifer, Northwest of Iran. Environmental Monitoring and Assessment. 2011; 176:183-195. [4]. Piper AM. A graphic procedure in the geochemical interpretation of water analyses, Transactions American Geophysical Union. 1994; 25: 914-923. [5]. Fijani E, Moghaddam AA, Tsai FTC, Tayfur G. Analysis and assessment of hydrochemical characteristics of Maragheh-Bonab plain aquifer, Northwest of Iran, Journal of Water Resource Management. 2017; 31(3): 765-780. [6]. Singhal BBS, Gupta RP. Applied hydrogeology of fractured rocks. 1nd ed. Dordrecht: Kluwer Academic Publishers; 1999. [7]. Stiff HA. The interpretation of chemical water analysis by means of patterns. Journal of Petroleum Technology. 1951; 3(10): 60-62. [8]. Dalton MG, Upchurch SG. Interpretation of hydrochemical faces by factor analysis, Journal of Groundwater. 1978; 16(4): 228-233. [9]. Reghunath R, Murthy TRS, Raghvan BR. The utility of multivariate statistical techniques in hydrogeochemical studies: an example from Karnataka, India. Journal of Water Research. 2002; 36: 2437-2442. [10]. Chen K, Jiao JJ, Huang J, Huang R. Multivariate statistical evaluation of trace elements in groundwater in coastal area in Shenzhen, China. Journal of Environmental Pollution. 2007; 147(3): 771-780. [11]. Cloutier V, Lefebvre R, Therrien R, Savard MM. Multivariate statistical analysis of geochemical data as indicative of the hydrogeochemical evolution of groundwater in a sedimentary rock aquifer system. Journal of Hydrology. 2008; 353(4): 294-313. [12]. Nadiri AA, Moghaddam AA, Tsai FTC, Fijani E. Hydrogeochemical analysis for Tasuj plain aquifer, Iran. Journal of Earth System Science. 2013; 122(4): 1091-1105. [13]. Nadiri AA, Moghaddam AA, Sadeghiaghdam F, Naderi K. The assessment of salinity and arsenic as the destructive factors affecting on surface and groundwater quality of Sahand dam water basin. Journal of Hydrogeomorphology. 2017; 1(4): 79-99 [Persian]. [14]. Voundouris K, Panagopoulos A, Koumantakis J. Multivariate statistical analysis in the assessment of hydrochemistry of the Northern Korinthia Prefecture Alluvial Aquifer System (Peloponnese, Greece). Journal of Natural Resource Research. 2000; 9(2): 135-145. [15]. Liu CW, Lin KH, Kuo YM. Application of factor analysis in the assessment of groundwater quality in a black food disease area in Taiwan. Journal of Science of Total Environment. 2003; 313: 77-89. [16]. Khodabandeh A, Soltani A, Sartipi A. Geological map of the Salmas, Scale: 1/100000. Geological Survey of Iran. 1996 [Persian]. [17]. World Health Organization (WHO). A framework for safe water drinking water. Guidelines for drinking water quality recommendation. 3th ed. Geneva: WHO press, 2006.p. 22-35. [18]. Todd DK, Mays LW. Groundwater Hydrology. 3nd ed. New York: John Wiley & Sons Press; 2005. [19]. Lloyd IW. The hydrochemistry of the aquifers of northeastern Jordan. Journal of Hydrology. 1965; 3(3-4): 319-330. [20]. Lloyd JW, Heathcote JA. Natural inorganic hydrochemistry in relation to groundwater-An introduction, 1nd ed. Oxford: Clarrendon Press; 1985. [21]. Kaiser HF. The Varimax Criterion for analytic rotation in factor analysis. Journal of Psychometrical. 1958; 23(3): 187-200.  _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.244156.761 منابع آبهای زیر زمینی ارزیابی کیفی و کمی سفره‌های آب زیرزمینی با به‌کارگیری روش WQI و آزمون من-کندال (مطالعۀ موردی: دشت سرخون-استان هرمزگان) عادلی بهزاد دانشجوی دکتری آبخیزداری، دانشگاه هرمزگان محمدی کنگرانی حنانه دانشیار، گروه مرتع و آبخیزداری دانشگاه هرمزگان سعدالدین امیر دانشیار، گروه مرتع و آبخیزداری دانشگاه گرگان بذرافشان ام‌البنین استادیار، گروه مرتع و آبخیزداری دانشگاه هرمزگان آرمین محسن استادیار، گروه مهندسی منابع طبیعی (آبخیزداری) و پژوهشکدۀ منابع طبیعی و زیست دانشگاه یاسوج 23 09 2018 5 3 801 811 21 11 2017 24 04 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67506.html

نبود دسترسی پایدار به منابع آبی، منازعات اجتماعی و اختلالات اقتصادی را به دنبال خواهد داشت. این موضوع در حال حاضر یکی از مسائل جدی حوضۀ آبخیز سرخون در استان هرمزگان است. از جمله اقداماتی که برای حل این مسئله می‏تواند مفید واقع شود، بررسی روند تغییر در خصوصیات کمی و کیفی منابع آبی این حوضه است. به این منظور، از داده‏های بارندگی و داده‏های مربوط به کیفیت و کمیت آب‏های زیرزمینی استفاده شده است. برای انجام این کار، از روش WQI به منظور تعیین کلاس کیفی آب و از آزمون من-کندال برای مشاهدۀ روند در متغیرهای بررسی‌شده استفاده شده است. نتایج بیان‌کنندۀ کاهش معنا‏دار و قطعی کیفیت و افت تراز آب زیرزمینی در دشت سرخون است. روند به‌دست‌آمده برای افت سطح ایستابی دشت با ضریب واریانس ۰۳/۰ و آمارۀ S من-کندال ۲۷۷- در سطح اطمینان ۹/۹۹ درصد معنا‏دار گزارش می‏شود. شیب خط به‌دست‌آمده برای افت تراز و افزایش مقدار WQI، که بیان‌کنندۀ کاهش کیفیت آب است، به‏ترتیب ۳۳/۰- و ۴۲/۳ بوده است. مقادیر گزارش‌شده برای شیب خط بیان‌کنندۀ افت ۳۳ سانتی‏متری و افزایش ۴/۳ واحدیWQI به ازای هر سال است. درنهایت، بر اساس درک و شناخت جامع به‌دست‌آمده از شرایط منطقۀ مطالعه‌شده، اقداماتی از جمله دریافت عوارض منابع طبیعی به منظور تعادل‏بخشی به کیفیت و کمیت منابع آب زیرزمینی منطقۀ مطالعه‌شده پیشنهاد شده است.

 آب زیرزمینی آزمون من-کندال تحلیل روند دشت سرخون روش WQI [1]. Adamowski, J.,Chan H. F. A wavelet neural network conjunction model for groundwater level forecasting." Journal of Hydrology. 2011; 407(1): 28-40. [2]. Nazari, R., Joodavi, A. Applied Flow and contaminant Transport Modeling in Aquifer. Aftabe Alamtab Issue, 2014; 230p. (In Persian). [3]. Li, X.D., Liu, C.Q., Harue, M., Li, S.L. Liu, X.L. The use of environmental isotopic (C, Sr, S) and hydrochemical tracers to characterize anthropogenic effects on karst groundwater quality: a case study of the Shuicheng Basin, SW China. Applied Geochemistry, 2010; 25(12): 1924-1936. [4]. Vijay, R., Khobragade, P., Mohapatra P K. Assessment of groundwater quality in Puri City, India: an impact of anthropo-genic activities. Environ Monit Assess. 2011; 177(1–4):409–418. [5]. Fujita, M., Suzuki, J., Sato, D., Kuwahara, Y., Yokoki, H. and Kayanne, H. anthropogenic impacts on water quality of the lagoonal coast of Fongafale Islet, Funafuti Atoll, Tuvalu. Sustainability science, 2013; 8(3), pp.381-390. [6]. Gigloo, F., Najafinejad, A., Moghani Bilehsavar, V., Ghivasi A. Evaluation of water quality variation of Zarringol River, Golestan province. Journal of Water and Soil Conservation. 2013; 20(1): 77-96pp. [7]. Najafi, N. A Framework for Groundwater Quality Assessment. Issue 620. 2011. [8]. Mehri, S., Alshayikh, A., Javadadeh, Z. An Assessment of Changes in Groundwater Quality and Groundwater Levels in Lake Urmia Basin. Iranian Journal of EcoHydrology. 2015; 2(4): 395-404. [9]. Noohegar, A., Reahi, F., Kamangar, M. Identification of suitable flood spreading areas by using groundwater sustainable development approach. (Case Study: Sarkhoon plain). Journal of Environmental Studies. 2016; 42 (1): 33-48. [10].            Panda, D. K., A. Mishra, S. Jena, B. James and A. Kumar. "The influence of drought and anthropogenic effects on groundwater levels in Orissa, India." Journal of hydrology. 2007; 343(3): 140-153. [11].            Zeleňáková M, Purcz P, Oravcová A. Trends in water quality in Laborec River, Slovakia. Procedia Engineering. 2015; 119:1161-70. [12].            Sun W, Xia C, Xu M, Guo J, Sun G. Application of modified water quality indices as indicators to assess the spatial and temporal trends of water quality in the Dongjiang River. Ecological Indicators. 2016; 66:306-12. [13].            Daneshvar-Vosuogi, F., Dinpazhoh, Y., Aalami, M.T. Effect of Drought on Groundwater Level in the Past Two Decades (Case study: Ardebil Plain). J. Soil Water Sci. 2010; 21: 4. 165-179. (In Persian) [14].            .Ekrami, M., Sharifi, Z., and Ekhtesasi, M. Investigation of qualitative andquantitativechanges of groundwater resources in Yazd-Ardakan Plain in decade of 2000-2009. J.Department of hygiene in Yazd. 2011; 10: 82-91. (In Persian). [15].            NaderianFar, M., Ansari, H., Ziaie, A., Davari, K. Evaluating the Groundwater Level Fluctuations under Different Climatic Conditions in the Basin Neyshabour. Journal of Irrigation & Water Engineering. 2011; 1(1): 23-37. (In Persian). [16].            Choobin, B., Malekian, A. Relationship between Fluctuations in the Water and Aquifer Salinization (Case Study: Aquifer Aspas-Fars Provinece). Journal of Desert Management. 2013; 1: 13-26pp. (In Persian). [17].            Khoorani, A., Khajeh, M., 2016. Investigating the Simultaneous between Drought Trends and groundwater Level Reduction (Case Study: Darab Plain). The Journal of Spatial Planing. 2016; 18(2): 58-79pp. (In Persian). [18].            Samadi, R., Behmanesh, J., Rezaei, H. Investigating Trends in Groundwater Level. (Case Study: Urmia Plain). Journah of Water and soil conservation. 2015; 22 (4): 67-84. (In Persian). [19].            . Samadi, J. Spatial-Temporal Modeling of Groundwater Level Variations in Urban and Rural Area - Kashan Aquifer Using GIS Techniques. Journal of Environmental Science&Technology. 2017; 19 (1):65-77pp. (In Persian). [20].            Pasquini, A.I., Lecomte, K.L., Piovano, E.L., Depetris, P.Y. Recent rainfall and runoff variability in central Argentina. Quaternary International. 2006; 158: 1. 127-139. [21].            Sobuohi, J., and Soltani, S. Trend analysis of climate factors in large cities of Iran. J. Sci. Technol. Agric. Natur. Resour. 2008; 12: 303-321. (In Persian) [22].            Yidana, S. M. & Yidana, A. Assessing water quality using water quality index and multivariate analysis. Environmental Earth Sciences. 2010; 59, 1461-1473. [23].            Sahu, P., & Sikdar, P. Hydrochemical framework of the aquifer in and around East Kolkata Wetlands, West Bengal, India. Environmental Geology; 2008, 55, 823-835. [24].            - Ramakrishnaiah C. R., Sadashivaiah C. and Ranganna G. Assessment of Water Quality Index for the Groundwater in Tumkur Taluk, Karnataka State, India. E-Journal of Chemistry; 2009, 6(2): 523-530. [25].            Zare Abyane, H., Bayat Varkeshi, M., Maruofi, S. Investigation of groundwaterfluctuations in Malayer Plain. J. Soil Water Sci; 2012 22: 2. 173-190. (In Persian) [26].            .Daneshvar Vosuogi, F., Dinpazhoh, Y., Aalami, M.T., Gorbani, M.A. Analysis of trend of changes in groundwater quality of Ardebil plain using Man-Kendal non-parametric tests. J. Civil Engin. Environ. 2011; 40: 3. 13-23. (In Persian) [27].            Mann, H.B. Nonparametric tests against trend. Econometrica, 13:245-259, 1945. [28].            Kendall M.G. Rank Correlation Methods. Griffin, London, UK, 1975. [29].            Aziz J. J., Ling M., Rifai H. S., Newell C. J. Gonzales J. R., (). MAROS: A decision support system for optimizing monitoring plans. Groundwater. 2003; 41: 355-367._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.244246.763 مدیریت منابع آب در اکوسیستم های طبیعی اولویت‌بندی سیل‌خیزی زیرحوزه‌های آبخیز مهارلو در استان فارس با استفاده از پارامترهای مورفومتریک و مدل تصمیم‌گیری VIKOR اولویت‌بندی سیل‌خیزی زیرحوزه‌های آبخیز مهارلو در استان فارس با استفاده از پارامترهای مورفومتریک و مدل تصمیم‌گیری امیری مهدیس دانشجوی کارشناسی ارشد مدیریت مناطق بیابانی، دانشکدۀ کشاورزی، دانشگاه شیراز پورقاسمی حمیدرضا استادیار بخش مهندسی منابع طبیعی و محیط زیست، دانشکدۀ کشاورزی، دانشگاه شیراز عرب‌عامری علیرضا دانشجوی دکتری ژئومورفولوژی دانشگاه تربیت مدرس 23 09 2018 5 3 813 827 24 10 2017 04 02 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67507.html

هدف از تحقیق حاضر، اولویت‏بندی مکانی سیل‏خیزی زیرحوزه‏های آبخیز مهارلو با استفاده از پارامترهای مورفومتریک و مدل تصمیم‏گیری VIKOR است. به این منظور، 13 پارامتر مورفومتری شامل درجۀ شیب، تراکم زهکشی، فراوانی آبراهه، ثابت‌نگه‌داشت آبراهه، بافت زهکشی، عدد ناهمواری، ضریب گردی، ضریب فشردگی، نسبت ناهمواری، طول جریان، ضریب فرم، ضریب کشیدگی و ضریب شکل و یک پارامتر اقلیم شامل بارندگی انتخاب شد. برای تعیین وزن پارامترها از مدل فرایند تحلیل سلسله‌مراتبی (AHP) استفاده شد‌. نتایج وزن‏دهی پارامتر‏ها با استفاده از مدل AHP نشان داد پارامترهای مورفومتری درجۀ شیب و تراکم زهکشی و پارامتر اقلیمی بارندگی به‏ترتیب با مقدار (206/0، 165/0 و 134/0) بیشترین وزن و تأثیر را در رخ‏داد سیل منطقۀ مطالعه‌شده داشتند، در حالی ‏که کمترین وزن و در پی آن حداقل تأثیر مربوط به ضریب شکل (012/0) بود. همچنین، به‏منظور اولویت‏بندی 53 زیرحوضۀ آبخیز مهارلو از مدل تصمیم‏گیری VIKOR استفاده شد. نتایج نشان داد زیرحوزۀ 34 براساس اولویت‏بندی سیل‏خیزی رتبۀ اول (082/0) ، زیرحوضۀ 31 رتبۀ دوم (110/0) و زیرحوضۀ 12 رتبۀ سوم (129/0) را به‏ خود اختصاص داده‏اند که باید برای انجام عملیات مدیریتی در اولویت قرار گیرند، در حالی ‏که زیرحوضۀ 42 آخرین رتبه [1] را در اولویت‏بندی سیل‏خیزی داشت‌ که بیان‌کنندۀ حساسیت بسیار کم آن به وقوع سیل است.

 اولویت‏بندی سیل‏خیزی پارامترهای مورفومتری حوزۀ آبخیز مهارلو فرایند تحلیل سلسله‌مراتبی مدل VIKOR [1]. Badri B, Zare R, Honarbakhsh A, Atashkhar, F. Prioritization of flood potential Beheshtabad Sub- watershed. Journal of Geographical Studies. 2016; 48(1): 143-158 [Persion]. [2]. Dovonce E. A physically based distrinbuted hydrologic model. Master of Science Thesis, the Pennsylvania State University; 2000. [3]. Amani M, Najafi nejad A. Prioritization of Sub-Watersheds based on Morphometric Analysis, GIS and RS Techniques: Lohandar Watershed, Golestan Province. Journal of Watershed Management Research. 2014; 9(5): 1-15 [Persion]. [4]. Mohammadi A, Ahmadi H. Prioritizing Sub-watershed to aim present management Watershed Reduction Programs (case study: Marof watershed). Journal of Geography of the land. 2011; 29: 69-77. [Persion] [5]. Aher P, Adinarayana J, Gorantiwar SD. Quantification of morphometric characterization and prioritization for management planning in semi-arid tropics of India: A remote sensing and GIS approach. Journal of Hydrology. 2014; 511. 850-860. [6]. Kumar R, Kumar S, Lohani A, Nema R, Singh R. Evaluation of geomorphological characteristics of a catchment using GIS. GIS India. 2000; 9(3): 13–17. [7]. Leskens JG, Brugnach M, Hoekstra AY, Schuurmans W. Why are decision flood disaster management so poorly supported by information from flood models. Environmental Modeling & Software. 2014; 53: 53-61. [8]. Kolawole OM, Olayami A.B, Ajayi KT. Managing Flood in Nigerian Cities: Risk Analysis and Adaptation Options-Ilorin City as a Case Study. Scholars Research Library. 2011; 3(1): 17-24. [9]. Tingsanchali T. Urban flood disaster management. Procedia Engineering. 2012; 32: 25-37. [10]. Djrodjetive B, Bruck, S. System Approach to the Selection of Priority Areas of Erosion Control with Emphasis on the Implication of the Water Resources Subsystem. River Sedimentation Conference, Beijing, CHINA. 1989; 1547-1554. [11]. Chowdary VM, Chakraborthy D, Jeyaram A, Krishna Murthy YVN, Sharma JR, Dadhwal VK. Multi-Criteria Decision Making Approach for Watershed Prioritization Using Analytic Hierarchy Process Technique and GIS. Water Resource Management. 2013; 27; 3555-3571. [12]. Jang T, Vellidis G, Hyman JB, Brook E, Kurkalova LA. Impact of socioeconomic factors on synoptic assessment for prioritizing BMP implementation to reduce sediment load. In: ASABE Annual International Meeting Louisville, Kentucky. 2011; 7-10. [13]. Badar B, Romshoo SA, Khan MA. Integrating biophysical and socioeconomic information for prioritizing watersheds in a Kashmir Himalayan lake: a remote sensing and GIS approach. Environmental Monitoring and Assessment. 2013; 185: 6419-6445. [14]. Melton MA. Correlations structure of morphometric properties of drainage systems and their controlling agents. Journal of Geology. 1958; 66: 442-460. [15]. Zehtabian GH, Ghodosi J, Ahmadi H, Khalili zade M. Investigate the priority of the flood potential of the watershed and determine the flood generating (Case study: Marme watershed, Fars province). Physical Geography Research Quarterly. 2009; 6: 27-38. [Persion] [16]. Grohmann CH. Morphometric analysis in geographic information systems: applications of free software GRASS and R Star. Computer and Geoscience. 2004; 30 (10): 1055-1067. [17]. Khan M, Gupta V, Moharana P. Watershed prioritization using remote sensing and geographical information system: a case study from Guhiya, India. Journal of Arid Environments. 2001; 49; 465-475. [18]. Biswas S, Sudhakar S, Desai VR. Remote sensing and geographic information system based approach for watershed conservation. Survey Engineering. 2002; 128: 108 - 124. [19]. Thakkar A, Dhiman S. Morphometric analysis and prioritization of miniwatersheds in a Mohr watershed, Gujarat using remote sensing and GIS techniques. Journal of the Indian society of Remote Sensing. 2007; 35 (4). 313–321. [20]. Sharma S, Tignath S, Mishra S. Morphometric analysis of drainage basin using GIS approach. JNKVV Res J. 2008; 42(1). 88–92. [21]. Saghafian B, Farazjoo H, Bozorgy B, Yazdandoost F. Flood intensification due to changes in land use. Water Resources Management, 2008; 22. 1051-1067. [Persion] [22]. Avinash K, Jayappa K, Deepika B. (2011). Prioritization of sub-basins based on geomorphology and morphometric analysis using remote sensing and geographic information system (GIS) techniques. Geocarto International. 2011; 26(7): 569-592. [23]. Chandrashekara H, Lokeshb K, Sameenac M, roopad J, rangannae G. GIS –Based Morphometric Analysis of Two Reservoir Catchments of Arkavati River, Ramanagaram District, Karnataka. Aquatic Procedia, INTERNATIONAL CONFERENCE ON WATER RESOURCES, COASTAL AND OCEAN ENGINEERING (ICWRCOE 2015). 2015; 4: 1345 – 1353. [24]. Jee Omar P. Geomatics Techniques Based Significance of Morphometric Analysis in Prioritization of Watershed. International Journal of Enhanced Research in Science Technology and Engineering. 2015; 4(1): 24-13. [25]. Fallah M, Mohammadi M, Kavian K. Prioritization of Sub-watershedsusing Morphometric and LandUse change Analysis. Ecohydrology. 2015; 3(2): 261-274. [Persian] [26]. Rahmati O, Tahmasebipour N, Pourghasemi HR. Sub-watershed flooding prioritization using morphometric and correlation analysis (Case study: Golestan Watershed). Ecohydrology. 2015; 2. 151-161. [Persian] [27]. Razavi zade S, Shahedi K. Tleghan Sub-watershed flooding prioritization using From the combination AHP and TOPSIS. Quarterly journal of natural resources ecosystems of Iran. 2017; 7(4): 33-46. [Persian] [28]. Adhami M, Sadeghi HM. Sub-watershed prioritization based on sediment yield using game theory. Journal of hydrology. 2016; 541: 977-987. [29]. Arab Ameri AR, Pourghasemi HM, Cerda A. Erodibility prioritization of sub-watersheds using morphometric parameters analysis and its mapping: A comparison among TOPSIS, VIKOR, SAW, and CF multi-criteria decision making models. Science of the Total Enviroment. 2017; 613-614: 1385-1400. [30]. Mesbah H, Shafei F, Fakhari zade E. Prediction of the Effect of Watershed Implementation on Flood in Maharlou Watershed, Case Study: Sadra sub-watershed. Second conference management watershed and water resources, Kerman, Iran. 2004; 1-4. [Persian] [31]. Javed A, Khanday MY, Ahmed R. Prioritization of watersheds based on morphometric and landuse analysis using RS and GIS techniques. Journal of the Indian society of Remote Sensing. 2009; 37: 261-274. [32]. Pandey A, Chawdary VM, Mal BC. Identification of critical erosion prone areas in the small agricultural watershed using USLE, GIS and RS. Water Resource Manage. 2007; 21: 729-746. [33]. Horton RE. Erosional development of streams and their drainage basins; hydrological approach to quantitative morphology. Bulletin of the Geological Society of America. 1945; 56: 275–370. [34]. Srivastava VK. Role of GIS in natural resources management. In: Thakur, B. (Ed.), Perspectives in Resource Management in Developing Countries. Concept Publishing Company. New Delhi. 2003; 479–484. [35]. Schumn SA. Evolution of drainage systems and slopes in badland, at Perth Amboy, New Jersey. Bulletin of the Geological Society of America. 1956; 67. 597–646.  [36]. Horton RE. Drainage basin characteristics. Trans. Am. Geophys. Union. 1932; 13. 350–361. [37]. Chen LY, Wang TC. Optimizing partners choice in IS/IT outsourcing projects: The strategicdecision of fuzzy VIKOR. International Journal of. Production Economics. 2009; 120(1): 1-12. [38]. Opricovic S, Tzeng G. Extended VIKOR method in comparison with outranking methods, European Journal of Operational Research. European Journal of Operational Research. 2006;, pp 514-529. [39]. Saaty TL. The Analytic Hierarchy Process. Mc Graw Hill Company, New York. 1988; 350 pp. [40]. Görener A, Toker K, Uluçay K. Application of combined SWOT and AHP: a case study for a manufacturing firm. Procedia-Social and Behavioral Sciences. 2012; 58: 525-534. [41]. Malczewski J. spatial multi criteria decision analysis In: J. ctill(Ed), Multicriteria decision making and analysis: a geographic information sciences approach. Brook field, VT: Ashgate poblishing; 1999. [42]. Esmaeili R, Jokar E, Roshan neko P. Determination of Flooding potential using TOPSIS method. Physical Geography Research Quarterly. 2016; 31(9): 77-87. [Persian] [43]. Khayri Zadeh M, Maleki J, Hamid A. Flood hazard zonation using ANP model in mardagh chay basin. Quantitative Geomorphology. 2012;1 (3): 39-56. [Persian] [44]. Ahmed F, Srinivasa Rao K. Prioritization of Sub-watersheds based on Morphometric Analysis using Remote Sensing and Geographic Information System Techniques. International Journal of Remote Sensing and GIS, 2015; 4(2): 51-65. [45]. Altaf S, Meraj G, Romshoo S. Morphometry and land cover based multi-criteria analysis for assessing the soil erosion susceptibility of the western Himalayan watershed. Environmental Monitoring and Assessment, 2014; 86(12): 8391-8412. [46]. Dar R, Chandra R, Romshoo S. Morphotectonic and Lithostratigraphic analysis of Intermontane Karewa basin of Kashmir Himalayas, India. Journal of Mountain Science, 2013; 10(1): 1–15. [47]. Strahler AN. Quantitative geomorphology of drainage basins and channel networks. In: Chow, V.T. (Ed.), Handbook of Applied Hydrology. McGraw Hill Book Company, New York. 1964; Section 4-11. [48]. Abedini M, Fathi jokendan R. The zoning of flood Suseptibility in the Gorganrod watershed based on GIS. Hydrogeomorphology. 2016; 7:1-17. [Persian] [49]. Soleimani Sardoo, F. Priority of effective regions on flood peak by using of RS & GIS Techniques and HEC-HMS model at Halilrud, Isfahan University of Technology. Faculty of Natural Resources; 2009.[ In Persian]. [50]. Inanlou H. Time and Place priority of flooding in in Kooshak Abad sub watersheds using HEC-HMS model. Master Thesis, Tarbiat Modares University, pp 76. 2006.[ In Persian] [51]. Nasiri Ghidari A, Montazeri AA Momeni M. Ensemble AHP and TOPSIS in determination of relative weights of criteria and assessment of drainage and irrigation networks. Iranian Journal of Irrigation and Drainage. 2010; 4(2): 284-296.[ In Persian] [52]. Hlaing k, Haruyama S, Maung A. Using GIS-based distributed soil loss modeling and morphometric analysis to prioritize watershed for soil conservation in Bago river basin of Lower Myanmar. Front. Earth Science. 2008; 2 (4): 465–478._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.245661.775 پژوهشی ارزیابی منطقه‌ای مخاطرۀ سیل در مقیاس زیرحوضه با استفاده از سنجش از دور و مدل منطق فازی (مطالعۀ موردی: حوضۀ آبخیز مرند) ارزیابی منطقه‌ای مخاطرۀ سیل در مقیاس زیرحوضه با استفاده از سنجش از دور و مدل منطق فازی (مطالعۀ موردی: حوضۀ آبخیز موسوی سیدمحمد کارشناسی ارشد سنجش از دور و GIS، دانشگاه تبریز روستائی شهرام استاد گروه سنجش از دور و GIS، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز رستم‌زاده هاشم استادیار گروه آب و هواشناسی، دانشکدۀ برنامه‌ریزی و علوم محیطی، دانشگاه تبریز 23 09 2018 5 3 829 841 23 10 2017 03 04 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67508.html

ازجمله مهم‌ترین مخاطرات تهدیدکنندۀ جوامع بشری سیل است. در پژوهش حاضر با یکپارچه‌سازی مدل منطقی برآورد رواناب اوج، به ارزیابی مخاطرۀ سیل حوضۀ آبخیز مرند در مقیاس زیرحوضه با استفاده از سنجش از دور و GIS پرداخته شده است. پس از تعیین ضریب رواناب با استفاده از لایه‏های پوشش/کاربری اراضی تهیه‌شده از تصاویر ماهوارۀ Sentinel 2A، نقشۀ شیب تهیه‌شده از DEM 30 متری سنجندۀ ASTER و گروه‏های هیدرولوژیک خاک، با استفاده از میزان تعیین‌شده که با محاسبۀ زمان تمرکز زیرحوضه‏ها تعیین شد، رواناب اوج برای همۀ زیرحوضه‏ها محاسبه شد. در ادامه، با استفاده از تابع عضویت خطی در مدل منطق فازی، یکپارچه‌سازی دو لایۀ رواناب اوج‏ تهیه شده و لایۀ ارتفاع، بین صفر و یک فازی‏سازی شدند و سپس با اعمال همپوشانی ضربی وزن‏های مشخص براساس شاخص مخاطرۀ سیل (FHI)، به هریک از این دو لایه و سپس جمع نتایج آنها، نقشۀ توزیع مخاطرۀ سیل تهیه شد. با کلاس‏بندی نقشۀ مخاطرۀ تهیه‌شده در پنج کلاس شامل بسیار کم‏خطر، کم‌خطر، متوسط، پرخطر و بسیار پرخطر با نتایج به‌دست‌آمده از سیستم اطلاعات جغرافیایی مشارکتی یا PGIS و ورود این اطلاعات به ماتریس درهم‌ریختگی میزان دقت نقشه‏های تهیه‌شده 83/87 درصد تعیین شد.

 حوضۀ آبخیز مرند مخاطرۀ سیل منطق فازی PGIS Sentinel 2A [1]. Chang LF, Lin CH, Su MD. Application of geographic weighted regression to establish flood-damage functions reflecting spatial variation. Water Sa. 2008 Feb;34(2):209-16. [2]. Ahmadi Ilekhchi, A, Haj Abasi, M, Jalalian, A. The Effect of Rural Areas and Land Use Change on Runoff Production, Journal of Agricultural Science and Natural Resource. 2002; 6; 25-36(Persian). [3]. Malekian, A, Oftadegan khozani, A, Ashourzad, Gh. Flood Hazard Zoning in Watershed Scale using Fuzzy Logic (Case study: Akhtar Abad Watershed). Journal of Natural Geography Research. 2012; 4:44; 131-152 (Persian). [4]. Beroshke, A, Sokouti, R, Montaseri, M, Ghahremani, A, Investigating the phenomenon of flood and its zoning using satellite imagery. Seventh International River Engineering Workshop. University of Shahid Chamran. 2006, pp 8(Persian). [5]. Nyarko BK. Application of a rational model in GIS for flood risk assessment in Accra, Ghana. Journal of Spatial Hydrology. 2002 Jun 7;2(1). [6]. Moel HD, Alphen JV, Aerts JC. Flood maps in Europe-methods, availability and use. [7]. Ghanavati, E, Flood risk zoning in Karaj using fuzzy logic. Geography and environmental hazards. 2013; 8; 113-131(Persian). [8]. Nazmfar, H, Beheshti Javid, A, Fathi, M H, Potential flooding and flood risk zonation using fuzzy logic model (Case study: ghuri chay river catchment). Second International Conference on Environmental Hazards, 7th and 8th of November, Kharazmi Faculty of Tehran, 2013: pp 9(Persian). [9]. Dastourani, M, Hayatzadeh, M, Fathzadeh, A, Hakimzadeh, M A. Investigating the Efficiency of Empirical Relationships in Estimating Flood peak in desert areas of Central Iran. Geography and Development Magazine. 2014; 36; 145-160 [10].            Ghanavati, A, Babaei Aghdam, F, Hemmati, T, Rahimi, M. Flood Potential Zoning Using Fuzzy Logic Model in GIS Environment (Case Study of Khayavchi Meshkinshshahr River Basin), Hydrogeomorphology Journal. 2015; 3; 121-135(Persian). [11].            Beheshti Javid, A, Amani, S, Shahi Boyaghchi, M. Assessing the flood potential of the Karnawah River using the fuzzy logic model, the first international congress on land, space and clean energy. 2015: pp7 (Persian). [12].            Sadeghi Goghari, M, Eskandari Damaneh, H, AZareh, A, Flood risk zoning using fuzzy logic. Case study, Isfahan, 7th International Conference on Integrated Management of Crisis, Tehran, Permanent Secretariat of the International Conference on Integrated Management of the Crisis. 2015: pp 10(Persian). [13].            Bhatt GD, Sinha K, Deka PK, Kumar A. Flood hazard and risk assessment in Chamoli District, Uttarakhand using satellite remote sensing and GIS techniques. International Journal of Innovative Research in Science, Engineering and Technology. 2014 Aug;3(8):9. [14].            Asumadu-Sarkodie S, Owusu PA, Jayaweera MP. Flood risk management in Ghana: A case study in Accra. Advances in Applied Science Research. 2015 May 4;6(4):196-201. [15].            Asare-Kyei D, Forkuor G, Venus V. Modeling flood hazard zones at the sub-district level with the rational model integrated with GIS and remote sensing approaches. Water. 2015 Jul 6;7(7):3531-64. [16].            Franci F, Bitelli G, Mandanici E, Hadjimitsis D, Agapiou A. Satellite remote sensing and GIS-based multi-criteria analysis for flood hazard mapping. Natural Hazards. 2016 Oct 1;83(1):31-51. [17].            El Morjani ZE. Methodology document for the WHO e-atlas of disaster risk. Exposure to natural hazards Version. 2011;2. [18].            Bibak, Gh H, Investigating the characteristics of rainfall in Marand city, Geographic Space Magazine. 2008; 8:21; 67-839(Persian). [19].            Almaspour, F, Hafezi Zadeh, S, GIS zoning vulnerability zoning using GIS, remote sensing and multi-criteria evaluation method, a case study of Marand city, the 2nd National Conference on Crisis Management, the role of new technologies in reducing the vulnerability of accidental accidents. 2012: pp 8 (Persian). [20].            Chen M, Su W, Li L, Zhang C, Yue A, Li H. Comparison of pixel-based and object-oriented knowledge-based classification methods using SPOT5 imagery. WSEAS Transactions on Information Science and Applications. 2009 Mar 1;3(6):477-89. [21].            Feizizadeh, B, Jafari, F, Nazmfar, H. Application of Remote Sensing Data in Detection of Land Use Change, Fine Arts Magazine. 2008; 34; pp 20 (Persian). [22].            Mahdavi, M, Applied Hydrology, Vol. 2, Tehran University Press. 2013 (Persian). [23].            Modeling the spatial distribution of lightning and thunder storms using satellite images in the northwest of the country. Master thesis, Department of Natural Geography, Tabriz University. 2007(Persian). [24].            Valizadeh Kamran, Kh, Nasiri Ghaleh Bin, S, Investigation of Thunderstorm Rainfall in the Highlands of the Northwest of Iran, First National Conference on Geography, Urban Development and Sustainable Development, Tehran, Koomesh Environmental Society, Aviation University. 2013 (Persian). [25].            Alizadeh, A, Principle of Applied Hydrology. Ferdowsi University of Mashhad Press, Iran, 2015, 650 (Persian). [26].            Investigating the effect of topographic factor on the spatial distribution of precipitation using interpolation methods in Tehran, 1st International Congress of Land, Clean Space and Energy, Ardebil, Mohaghegh Ardebil University. 2015(Persian). [27].            Viessman, W.J., Lewis, G.L. Introduction to Hydrology. New York: Harper Collins College Publishers; 1996. [28].            County K. Knox County Tennessee Stormwater Management Manual. Knox County, Knoxville, TN. 2008. Available online: http://www.knoxcounty.org/stormwater/pdfs/vol2/3-1-3%20Rational%20Method.pdf (accessed on 15 July 2014) [29].            Momeni M. New Operational Research Topics. 2nd ed. Tehran: University of Tehran Faculty of Management; 2008(Persian) [30].            Malczewski J. GIS and multicriteria decision analysis. John Wiley & Sons; 1999 Apr 5. [31].            Malczewski J. On the use of weighted linear combination method in GIS: common and best practice approaches. Transactions in GIS. 2000 Jan 1;4(1):5-22._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.249562.800 اکوهیدرولوژی تعیین نقش جنگل‏‌های بلوط در حفاظت از کیفیت آب بر پایۀ تابع تولید خدمات در حوضۀ زوجی تنگ‌شول فارس تعیین نقش جنگل‏‌های بلوط در حفاظت از کیفیت آب بر پایۀ تابع تولید خدمات در حوضۀ زوجی تنگ‌شول فارس روستا طوبی دانشجوی دکتری اقتصاد و مدیریت جنگل، گروه جنگل‌داری و اقتصاد جنگل، دانشکدۀ منابع طبیعی دانشگاه تهران، کرج نظری سامانی علی اکبر دانشیار گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی دانشگاه تهران، کرج حشمت‌الواعظین سید مهدی دانشیار گروه جنگل‌داری و اقتصاد جنگل، دانشکدۀ منابع طبیعی دانشگاه تهران، کرج زیبایی منصور استاد بخش اقتصاد کشاورزی، دانشکدۀ کشاورزی دانشگاه شیراز، شیراز عطارد پدرام دانشیار گروه جنگل‌داری و اقتصاد جنگل، دانشکدۀ منابع طبیعی دانشگاه تهران، کرج بردبار سید کاظم استادیار پژوهشی مرکز تحقیقات و آموزش کشاورزی فارس، سازمان تحقیقات آموزش و ترویج کشاورزی ایران 23 09 2018 5 3 843 853 22 12 2017 12 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67553.html

آب‏‌های سطحی از مهم‌ترین منابع تأمین آب‏‌های آشامیدنی هستند که تحت تنش‏‌های محیطی و انسانی قرار دارند. تحقیقات زیادی اثر مثبت پوشش جنگلی را بر کیفیت آب نشان داده‌‌اند، ولی نبود اطلاعات کمی و اقتصادی در زمینۀ تأثیر جنگل بر کیفیت آب، موجب شده است تا این مسئله فقط به طور کیفی بیان شود. اطلاعات کمی و به‌ویژه تأثیر آن بر هزینۀ پالایش آب در ایران بسیار کم است و یا موجود نیست. به این منظور، در پژوهش حاضر زیرحوضه‏‌های جنگلی با درصدهای تاج‏ پوشش مختلف در حوضۀ تنگ‌شول کامفیروز فارس انتخاب و شاخص کیفیت (WQI) آب با استفاده از متغیرهای فیزیکی‌ـ شیمیایی رواناب‏‌های حاصل از بارندگی تعیین شد. همچنین، برای نخستین‌بار تابع تولید خدمت کیفیت آب در جنگل با درنظرگرفتن سایر ویژگی‏‌های جنگل به‏ طور کمی برآورد شد. نتایج نشان داد شاخص کیفیت آب در درصدهای تاج پوشش بیشتر از طبقۀ 20ـ 30، در مقیاس کیفی خوب قرار دارند، همچنین با افزایش هر یک درصد تاج‏ پوشش جنگلی، شاخص کیفیت به میزان 8/0 درصد بهبود می‌‌یابد و افزایش هر یک درصد مساحت زیرحوضۀ جنگلی، سبب کاهش 14/0درصدی کیفیت آب‏‌ می‏‌شود. سازند آغاجاری نیز نسبت به آسماری اثر منفی و خاک شنی لومی نسبت به خاک لومی و رسی اثر مثبتی بر کیفیت آب در منطقه دارند. یافته‌های پژوهش افزایش تاج‏ پوشش جنگلی برای حفاظت از کیفیت آب تا 30 درصد، هزینه‏‌های تصفیه را به کمترین حد می‌رساند و آب‏‌های تأمین‌‌شده از این جنگل‏‌ها‏‌ می‏‌تواند مستقیم به مصرف شرب انسانی برسد.

 پارامترهای فیزیکی‌ـ شیمیایی جنگل‏‌های بلوط درصد تاج پوشش شاخص کیفیت آب [1]. MEA (Millennium Ecosystem Assessment (Program)). Ecosystems and Human Well-Being: Synthesis; Washington. Island. DC, USA, 2005. [2]. Melissa M K, Damian C A, Francisco J E. The Value of Forest Conservation for Water Quality Protection, Forests 2014; 5:862-884. [3]. Hong B, Limburg K E, Erickson J D, Gowdy J M, Nowosielski A A, Polimeni J M, & Stainbrook K M. Connecting the ecological-economic dots in human-dominated watersheds: Models to link socio-economic activities on the landscape to stream ecosystem health. Landscape and Urban Planning. 2009; 91(2): 78-87. [4]. Dudley N, Stolton S. Running Pure: The importance of forest protected areas to drinking water Arguments for Protection: World Bank/WWF Alliance for Forest Conservation and Sustainable Use 2003. [5]. Daisy N, Laura N, Carlos O. Forest and water: The Value of native temperature forest in supplying water for human consumption, Ecological Economics. 2006; 58: 606-612. [6]. Warziniack T, Sham CH, Morgan R, Feferholtz Y. Effect of forest cover on water treatment costs. American Water Works Association. Rocky Mountain Research Station. 2016. [7]. Fiquepron J, Garcia S, Stanger A. Land use impact on water quality: Valuing forest services in terms of the water supply sector. Journal of Environmental Management. 2013;126:113-121. [8]. Etehadi Abari M. The effect of forest cover induced by harvesting scenarios on runoff quantity, quality and sediment yield in Kheirud Forest. A thesis submitted to the graduate studies office in partial fulfilment of the requirement for the doctor philosophy in forest engineering. University of Tehran.2017. [Persian]. [9]. Abildtrup J, Garcia S, Stanger A. The effect of forest land use on the cost of drinking water supply A spatial econometric analysis. Paper prepared for presentation at the EAAE 2011 Congress Change and Uncertainty Challenges for Agriculture, Food and Natural Resources. ETH Zurich, Switzerland 2011. [10]. Freeman D, Madsen R, Har K. Statistical analysis of drinking water treatment plant costs, course water quality, and land cover characteristics. 2008; Trust for Public Land [11]. Ernst C, Gullick R, Nixon, K. Protecting the source e conserving forests to protect water. American Water Works Association 2004; 30 (5): 3-7. [12]. Brogna D, Michez A, Jacobs S, Dufrêne M, Vincke C, Dendonker N. Linking Forest Cover to Water Quality: A Multivariate Analysis of Large Monitoring Datasets. Water. 2017; 9:176-193. [13]. 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 [14]. 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. [15]. Beckman B, Bodis D, Lahermo P, Rapant S, Tarvainen T. Application of groundwater contamination index in Finland and Slovakia. Environ Geol 1998; 36: 55-64. Doi: 1007. S002540050320. [16]. Brown RM, McClelland N I, Deininger R A, Tozer R G. A water quality index: do we dare? Water Seage Works. 1970; 117: 339-343. [17]. Canter L W. “Environmental Impact Assessment,” 2nd Edition, McGraw-Hill Inc. New York, USA, 1996. [18]. Abdul Hameed M. Alobaidy J, Bahram K. Maulood, Abass J. Evaluating Raw and Treated Water Quality of Tigris River within Baghdad by Index Analysis. J. Water Resource and Protection, 2010; 2: 629-635. [19]. Sener S, Sener E, Davras A. Evaluation of water quality using water quality index (WQI) method and GIS in Aksu River (SW-Turkey). Science of The Total Environment. 2017; 584-585: 131-144 [20]. Wu Z, Wang X, Chen Y, Cai Y, Deng J. Assessing river water quality using water quality index in Lake Taihu Basin, China. Science of The Total Environment. 2017; 612(1): 914-922. [21]. Yousefi H, Zahedi S, Niksokhan MH, Modifying the analysis made by water quality index using multi-criteria decision making methods. Journal of African Earth Sciences. 2017; 138(1): 309-318. [22]. Cosultant engineers of soil and water researchers. Revision of studies and analysis of statistics and information in the paired catchments in Tang-e Shool. [2015]. [Persian]. [23]. Sheikhi Almanabad Z, Asadzadeh F, Pirkharati H. Application of the DWQI Index for Comprehensive Quality Assessment in Ardebil water table.Ecohydrology. 2017; 4(2): 421-436. [Persian]. [24]. 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. [25]. Institute of Standards and Industrial Research of Iran. Drinking water - Physical and chemical specifications.ISIRI, 1053. 2008; 5th Revision [Persian]. [26]. Yogendra K, Pouttaiah E T. Determination of water quality Index and Suitability of an Urban Waterbody in Shimoga Town. Karantaka. The 12th Word Lake Conference, 2008; 342-346. [27]. Chatterji C, Raziuddin M. Determination of water quality index (WQI) of a degraded river in Asanol Industrial area, Raniging, Burdwan, West Bengal. Nature, Environmental and pollution Technology. 2002; 1(2):181-189. [28]. Kohi Kamali M, Rajabi MA. Determining the Effect of Urban Green Space on Residential Utility Value. Journal of GIS, RS application in programming. 2010; 1(1): 23-31. [29]. Mahdavi, M. editor. Applied Hydrology, 2125. 7th Edition. Tehran. University of Tehran. 2011. p.427- 302. [Persian]. [30]. Noori Z. Malekian A. The Effective Factors on Water Quality of Seimareh and Kashkan Rivers in Ilam and LorestanProvinces. Natural Environment. Iranian Natural Resources Journal. 2015: 69(2): 549-564. [Persian]. [31]. Zhenyao Sh. Lei Ch. Qian L. Ruimin L. Qian H. Impact of spatial rainfall variability on hydrology and nonpoint source pollution modeling. Journal of Hydrology. 2012: 427-437, 205-215. [32]. Ahmed L M. Helal A A. Naema A EL. Gamal R. Nahel O. Shaker N O. Helal A A. Influence of some organic ligands on the adsorption of lead by agricultural soil. Arabian Journal of Chemistry 2015. Articlr in Press. [33]. Allen M F. Swenson 1 W. 1 Querejeta J I.. Egerton-Warburton L M. Treseder KK. ECOLOGY OF MYCORRHIZAE: A Conceptual Framework for Complex Interactions Among Plants and Fung. Annu. Rev. Phytopathol. 2003. 41:271–303 ._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.249854.804 مدیریت منابع آب در اکوسیستم های طبیعی مروری بر روش‏های حذف فلزات سنگین از محیط‏های آبی مروری بر روش‏های حذف فلزات سنگین از محیط‏های آبی فاتحی محمدحسین دانشجوی دکتری دانشکدۀ مهندسی شیمی و نفت دانشگاه صنعتی شریف شایگان جلال استاد دانشکدۀ مهندسی شیمی و نفت دانشگاه صنعتی شریف ذبیحی محمد استادیار دانشکدۀ مهندسی شیمی دانشگاه صنعتی سهند تبریز 23 09 2018 5 3 855 874 22 08 2017 10 03 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67554.html

‌مقالۀ حاضر به طور خلاصه به تعریف فلزات سنگین از جنبه‏های مختلف، منابع تولید و آثار منفی آنها بر سلامتی انسان، استانداردها و قوانین تنظیمی مراجع مختلف برای رعایت حدود مجاز و در نهایت نیز به بررسی روش‏های تصفیه، جداسازی و حذف این عناصر پرداخته است. در خصوص روش‏های جداسازی، محدودۀ وسیعی از فرایندها و معایب و مزایای هریک از انواع قدیمی تا فناوری‏های نوین، بررسی شده که شامل رسوب‏دهی شیمیایی، انعقاد لخته‏سازی، شناورسازی، تبادل یونی، تصفیۀ الکتروشیمیایی، فیلتراسیون غشایی و جذب سطحی می‌شوند. در این میان، به جذب سطحی به عنوان یک رویکرد ساده ولی کارآمد، به‌طور ویژه پرداخته شده است و انواع جاذب‏ها شامل کربن فعال، نانولوله‏های کربنی، گرافن اکساید، جاذب‏های زیستی مطالعه ‌شده‌‏اند. امروزه، مواد نانو با توجه به ویژگی‏های منحصربه‌فردی همچون مساحت سطح زیاد، سایت‏های فعال فراوان و ظرفیت جذب بسیارخوب، کاربردهای چشم‏گیری در تصفیۀ محیط‏های آب و فاضلاب از خود نشان داده‏اند. در این میان، نانوذرات مغناطیسی اکسیدهای آهن به عنوان جاذب‏های مقرون‏به‌صرفه، با راندمان بالا و دوستدار محیط‏ زیست بررسی شده‏اند.

 جذب سطحی روش‏های حذف فلزات سنگین محیط‏های آبی نانوذرات مغناطیسی [1].  IUPAC Technical Report, “Heavy Metals”— A Meaningless Term? Pure and Applied Chemistry. 2002; 74(5): 793–807. [2].  U.S. Environmental Protection Agency. EPA’s Terms of Environment, 2000. [3].  World Health Organization. Adverse Health effects of Heavy Metals in Children, 2011. [4].  Chowdhury S, Jafar Mazumder M.A, Al-Attas O, Husain T. Heavy metals in drinking water: Occurrences, implications, and future needs in developing countries. Science of the Total Environment. 2016; 569-570: 476-488. [5].  Bruins M.R, Kapil S, Oehme F.W. Microbial Resistance to Metals in the Environment. Ecotoxicology and Environmental Safety. 2000; 45: 198-207. [6].  Hussein H, Farag S, Kandil K, Moawad H. Tolerance and uptake of heavy metals by Pseudomonads. Process Biochemistry. 2005; 40: 955–961. [7].  Nies D.H. Microbial heavy-metal resistance. Applied Microbiology Biotechnology. 1999; 51: 730-750. [8].  Song J, Kong H, Jang J. Adsorption of heavy metal ions from aqueous solution by polyrhodanine-encapsulated magnetic nanoparticles. Journal of Colloid and Interface Science. 2011; 359: 505–511. [9].  Geiger A, Cooper J. Overview of Airborne Metals Regulations, Exposure Limits, Health Effects, and Contemporary Research. Cooper Environmental Services LLC. 2010. [10].            Li H, Xiao D, He H, Lin R, Zuo P. Adsorption behavior and adsorption mechanism of Cu(II) ions on amino-functionalized magnetic nanoparticles. Transactions of Nonferrous Metals Society of China. 2013; 23: 2657−2665. [11].            Mohan D, Pittman Jr C.U. Arsenic removal from water/wastewater using adsorbents - A critical review. Journal of Hazardous Materials. 2007; 142: 1–53. [12].            Mandal B.K, Suzuki K.T. Arsenic round the world: a review. Talanta. 2002; 58: 201–235. [13].            Huang J, Yuan F, Zeng G, Li X, Gu Y, Shi L, Liu W, Shi Y. Influence of pH on heavy metal speciation and removal from wastewater using micellar-enhanced ultrafiltration. Chemosphere. 2017; 173: 199-206. [14].            Badruddoza A.Z.M, Shawon Z.B.Z, Daniel T.W.J, Hidajat K, Shahab Uddin M. Fe3O4/cyclodextrin polymer nanocomposites for selective heavy metals removal from industrial wastewater. Carbohydrate Polymers. 2013; 91: 322–332. [15].            Xia Z, Baird L, Zimmerman N, Yeager M. Heavy metal ion removal by thiol functionalized aluminum oxidehydroxide nanowhiskers. Applied Surface Science. 2017; 416: 565–573. [16].            Whitacre D.M. Reviews of Environmental Contamination and Toxicology, Vol 224. Springer; 2013. [17].            Fowler B.A. Monitoring of human populations for early markers of cadmium toxicity: A review. Toxicology and Applied Pharmacology. 2009; 238: 294–300. [18].            Aoshima K. Itai-itai disease: Renal tubular osteomalacia induced by environmental exposure to cadmium—historical review and perspectives. Soil Science and Plant Nutrition. 2016; 62(4): 319-326. [19].            Costa M, Klein C.B. Toxicity and Carcinogenicity of Chromium Compounds in Humans. Critical Reviews in Toxicology. 2006; 36(2): 155-163. [20].            Patlolla A.K, Armstrong N, Tchounwou P.B. Cytogenetic evaluation of potassium dichromate toxicity in bone marrow cells of Sprague-Dawley rats. Metal Ions in Biology and Medicine. 2008; 10: 353–358. [21].            Luch A. Molecular, Clinical and Environmental Toxicology - Volume 3: Environmental Toxicology. Springer; 2012. [22].            Broadley M.R, White P.J, Hammond J.P, Zelko I, Lux A. Zinc in plants. New Phytologist. 2007; 173(4): 677-702. [23].            Santamaria A.B. Manganese exposure, essentiality & toxicity. Indian Journal of Medical Research. 2008; 128: 484-500. [24].            Cempel M, Nikel G. Nickel: A Review of Its Sources and Environmental Toxicology. Polish Journal of Environmental Studies. 2006; 15(3): 375-382. [25].            Denkhaus E, Salnikow K. Nickel essentiality, toxicity, and carcinogenicity. Critical Reviews in Oncology/Hematology. 2002; 42: 35–56. [26].            Selinus O. Essentials of Medical Geology. Springer; 2013. [27].            Sun H.J, Rathinasabapathi B, Wu B, Luo J, Pu L.P, Ma L.Q. Arsenic and selenium toxicity and their interactive effects in humans. Environment International. 2014; 69: 148–158. [28].            Tchounwou P.B, Ayensu W.k, Ninashvilli N, Sutton D. Environmental exposures to mercury and its toxicopathologic implications for public health. Environmental Toxicology. 2003; 18:149–175. [29].            Rooney J.P.K. The role of thiols, dithiols, nutritional factors and interacting ligands in the toxicology of mercury. Toxicology. 2007; 234: 145–156. [30].            Dopp E, Hartmann L.M, Florea A.M, Rettenmier A.W, Hirner A.V. Environmental distribution, analysis, and toxicity of organometal (loid) compounds. Critical Reviews in Toxicology. 2004; 34: 301–333. [31].            Brewer G.J. Risks of Copper and Iron Toxicity during Aging in Humans. Chemical Research in Toxicology. 2010; 23: 319-326. [32].            Gaetke L.M, Chow C.K. Copper toxicity, oxidative stress, and antioxidant nutrients. Toxicology. 2003; 189: 147-163. [33].            Genderen E.J.V, Ryan A.C, Tomasso J.R, Klaine S.J. Evaluation of acute copper toxicity to larval fathead minnows (PIMEPHALES PROMELAS) in soft surface waters. Environmental Toxicology and Chemistry. 2005; 24: 408-414. [34].            Agency for Toxic Substances and Disease Registry. Toxicological Profile for Cobalt. U.S. Department of Health and Human Services, Atlanta. 2004. [35].            Simonsen L.O, Harbak H, Bennekou P. Cobalt metabolism and toxicology - A brief update. Science of the Total Environment. 2012; 432: 210–215. [36].            US Environmental Protection Agency (EPA), ed. US EPA, Washington DC, vol. EPA832-F-00-018; 2000. [37].            Duruibe J.O, Ogwuegbu M.O.C, Egwurugwu J.N. Heavy metal pollution and human biotoxic effects. International Journal of Physical Sciences. 2007; 2(5): 112-118. [38].            Food and Agriculture Organization of the United Nations. Water Quality for Agriculture, Irrigation and Drainage Paper No. 29, Rev. 1., Rome; 1985. [39].            Hasanzadeh R, Moghadam P.N, Bahri-Laleh N, Sillanpaa M. Effective removal of toxic metal ions from aqueous solutions: 2-Bifunctional magnetic nanocomposite base on novel reactive PGMA-MAn copolymer@Fe3O4 nanoparticles. Journal of Colloid and Interface Science. 2017; 490: 727–746. [40].            Valls M, de Lorenzo V, Gonzalez-Duarte R, Atrian S. Engineering outer-membrane proteins in Pseudomonas putida for enhanced heavy-metal bioadsorption. Journal of Inorganic Biochemistry. 2000; 79: 219–223. [41].            Fan H.L, Zhou S.F, Jiao W.Z, Qi G.S, Liu Y.Z. Removal of heavy metal ions by magnetic chitosan nanoparticles prepared continuously via high-gravity reactive precipitation method. Carbohydrate Polymers. 2017; 174: 1192–1200. [42].            Benefield L.D, Morgan J.M. Chemical precipitation, in: R.D. Letterman (Ed.). Water Quality and Treatment. NY: McGraw-Hill Inc; 1999. [43].            Wang L.K, Vaccari D.A, Li Y, Shammas N.K. Chemical precipitation, in: L.K. Wang, Y.T. Hung, N.K. Shammas (Eds.), Physicochemical Treatment Processes, vol. 3. NJ: Humana Press; 2004. [44].            Juttner K, Galla U, Schmieder H. Electrochemical approaches to environmental problems in the process industry. Electrochimica Acta. 2000; 45: 2575–2594. [45].            Yang X.J, Fane A.G, MacNaughton S. Removal and recovery of heavy metals from wastewaters by supported liquid membranes. Water Science and Technology. 2001; 43(2): 341–348. [46].            Azimi A, Azari A, Rezakazemi M, Ansarpour M. Removal of Heavy Metals from Industrial Wastewaters: A Review. ChemBioEng Reviews. 2017; 4(1): 1–24. [47].            Shammas N.K. Coagulation and flocculation, in: L.K. Wang, Y.T. Hung, N.K. Shammas (Eds.), Physicochemical Treatment Processes, vol. 3. NJ: Humana Press; 2004. [48].            Semerjian L, Ayoub G.M. High-pH-magnesium coagulation–flocculation in wastewater treatment. Advances in Environmental Research. 2003; 7: 389–403. [49].            Licsk´o I. Realistic coagulation mechanisms in the use of aluminium and iron(III) salts. Water Science and Technology. 1997; 36(4): 103–110. [50].            Charerntanyarak L. Heavy metals removal by chemical coagulation and precipitation. Water Science and Technology. 1999; 39(10/11): 135–138. [51].            Ayoub G.M, Semerjian L, Acra A, El Fadel M, Koopman B. Heavy metal removal by coagulation with seawater liquid bittern. Journal of Environmental Engineering. 2001; 127(3): 196–202. [52].            Wang L.K, Fahey E.M, Wu Z.C. Dissolved air flotation, in: L.K. Wang, Y.T. Hung, N.K. Shammas (Eds.), Physicochemical Treatment Processes, vol. 3. NJ: Humana Press; 2004. [53].            Zabel T. Flotation in water treatment, in: K.J. Ives (Ed.), The Scientific Basis of Flotation. The Hague: Martinus Nijhoff Publishers; 1984. [54].            Jokela P, Keskitalo P. Plywood mill water system closure by dissolved air flotation treatment. Water Science and Technology. 1999; 40(11/12): 33–42. [55].            Matis K.A, Zouboulis A.I, Gallios G.P, Erwe T, Bl¨ocher C. Application of flotation for the separation of metal-loaded zeolite. Chemosphere. 2004; 55: 65–72. [56].            Taseidifar M, Makavipour F, Pashley R.M, Mokhlesur Rahman A.F.M. Removal of heavy metal ions from water using ion flotation. Environmental Technology & Innovation. 2017; 8: 182–190. [57].            Dabrowski A, Hubicki Z, Podkoscielny P, Robens E. Selective removal of the heavy metal ions from waters and industrial wastewaters by ion-exchange method. Chemosphere. 2004; 56: 91–106. [58].            Alyüz B, Veli S. Kinetics and equilibrium studies for the removal of nickel and zinc from aqueous solutions by ion exchange resins. Journal of Hazardous Materials. 2009; 167: 482-488. [59].            Rengaraj S, Kyeong-Ho Y, Seung-Hyeon M. Removal of chromium from water and wastewater by ion exchange resins. Journal of Hazardous Materials. 2001; B87: 273–287. [60].            Ahmed S, Chughtai S, Keane M.A. The removal of cadmium and lead from aqueous solution by ion exchange with Na–Y zeolite. Separation and Purification Technology. 1998; 13: 57–64. [61].            Tran T.K, Chiu K.F, Lin C.Y, Leu H.J. Electrochemical treatment of wastewater: Selectivity of the heavy metals removal process. International Journal of Hydrogen Energy. 2017; 42(45): 27741-27748. [62].            Wang L.K, Hung Y.T, Shammas N.K. Advanced physicochemical treatment technologies, In: Handbook of Environmental Engineering, vol. 5. NJ: Humana; 2007. [63].            Chen G. Electrochemical technologies in wastewater treatment. Separation and Purification Technology. 2004; 38: 11-41. [64].            Heidmann I, Calmano W. Removal of Zn(II), Cu(II), Ni(II), Ag(I) and Cr(VI) present in aqueous solutions by aluminium electrocoagulation. Journal of Hazardous Materials. 2008; 152: 934–941. [65].            Gherasim C.V, Krivcik J, Mikulasek P. Investigation of batch electrodialysis process for removal of lead ions from aqueous solutions. Chemical Engineering Journal. 2014; 256: 324–334. [66].            Lu H, Wang Y, Wang J. Recovery of Ni2+ and pure water from electroplating rinse wastewater by an integrated two-stage electrodeionization process. Journal of Cleaner Production. 2015; 92: 257-266. [67].            Saffaj N, Loukili H, Younssi S.A, Albizane A, Bouhria M, Persin M, Larbot A. Filtration of solution containing heavy metals and dyes by means of ultrafiltration membranes deposited on support made of Moroccan clay. Desalination. 2004; 168: 301–306. [68].            Landaburu-Aguirre J, García V, Pongrácz E, Keiski R.L. The removal of zinc from synthetic wastewaters by micellar-enhanced ultrafiltration: statistical design of experiments. Desalination. 2009; 240: 262-269. [69].            Huang J.H, Zeng G.M, Zhou C.F, Li X, Shi L.J, He S.B. Adsorption of surfactant micelles and Cd2+/Zn2+ in micellar-enhanced ultrafiltration. Journal of Hazardous Materials. 2010; 183: 287-293. [70].            Barakat M.A, Schmidt E. Polymer-enhanced ultrafiltration process for heavy metals removal from industrial wastewater. Desalination. 2010; 256: 90-93. [71].            Shahalam A.M, Al-Harthyb A, Al-Zawhryb A. Feed water pretreatment in RO systems: unit processes in the Middle East. Desalination. 2002; 150: 235-245. [72].            Ujang Z, Anderson G.K. Application of low-pressure reverse osmosis membrane for Zn2+ and Cu2+ removal from wastewater. Water Science Technology. 1996; 34(9): 247–253. [73].            Potts D.E, Ahlert R.C, Wang S.S. A critical review of fouling of reverse osmosis membranes. Desalination. 1981; 36: 235–264. [74].            Ning R.Y. Arsenic removal by reverse osmosis. Desalination. 2002; 143: 237–241. [75].            Slater C.S, Ahlert R.C, Uchrin C.G. Applications of reverse osmosis to complex industrial wastewater treatment. Desalination. 1983; 48: 171–187. [76].            Alvarez-Vazquez H, Jefferson B, Judd S.J. Membrane bioreactors vs. conventional biological treatment of landfill leachate: a brief review. Journal of Chemical Technology and Biotechnology. 2004; 79: 1043–1049. [77].            Al-Rashdi B, Somerfield C, Hilal N. Heavy Metals Removal Using Adsorption and Nanofiltration Techniques. Separation & Purification Reviews. 2011; 40(3): 209-259. [78].            Kotrappanavar N.S, Hussain A.A, Abashar M.E.E, Al-Mutaz I.S, Aminabhavi T.M, Nadagouda M.N. Prediction of physical properties of nanofiltration membranes for neutral and charged solutes. Desalination. 2011; 280: 174–182. [79].            Al-Rashdi B.A.M, Johnson D.J, Hilal N. Removal of heavy metal ions by nanofiltration. Desalination. 2013; 315: 2–17. [80].            Madaeni S.S, Mansourpanah Y. COD removal from concentrated wastewater using membranes. Filtration & Separation. 2003; 40: 40–46. [81].            Ojedokun A.T, Bello O.S. Sequestering heavy metals from wastewater using cow dung. Water Resources and Industry. 2016; 13: 7–13. [82].            Demirbas A. Heavy metal adsorption onto agro-based waste materials: a review. Journal of Hazardous Materials. 2008; 157: 220–229. [83].            Ahmadpour A, Zabihi M, Tahmasbi M, Rohani Bastami T. Effect of adsorbents and chemical treatments on the removal of strontium from aqueous solutions. Journal of Hazardous Materials. 2010; 182: 552-556. [84].            Ahmadpour A, Rohani Bastami T, Tahmasbi M, Zabihi M. Rapid removal of heavy metals ions from aqueous solutions by low cost adsorbents. International Journal of Global Environmental Issues. 2012; 12: 318-331. [85].            Vunain E, Mishra A.K, Mamba B.B. Dendrimers, mesoporous silicas and chitosan-based nanosorbents for the removal of heavy-metal ions: a review. International Journal of Biological Macromolecules. 2016; 86: 570–586. [86].            Markovic S, Stankovic A, Lopicic Z, Lazarevic S, Stojanovic M, Uskokovic D. Application of raw peach shell particles for removal of methylene blue. Journal of Environmental Chemical Engineering. 2015; 3: 716-724. [87].            Mezohegyi G, van der Zee F.P, Font J, Fortuny A, Fabregat A. Towards advanced aqueous dye removal processes: a short review on the versatile role of activated carbon. Journal of Environmental Management. 2012; 102: 148–164. [88].            Zabihi M, Ahmadpour A, Asl A.H. Removal of mercury from water by carbonaceous sorbents derived from walnut shell. Journal of Hazardous Materials. 2009; 167: 230–236. [89].            Zabihi M, Asl A.H, Ahmadpour A. Studies on adsorption of mercury from aqueous solution on activated carbons prepared from walnut shell. Journal of Hazardous Materials. 2010; 174: 251–256. [90].            Tounsadi H, Khalidi A, Machrouhi A, Farnane M, Elmoubarki R, Elhalil A, Sadiq M, Barka N. Highly efficient activated carbon from Glebionis coronaria L. biomass: optimization of preparation conditions and heavy metals removal using experimental design approach. Journal of Environmental Chemical Engineering. 2016; 4: 4549–4564. [91].            Zhang L, Zeng Y, Cheng Z. Removal of heavy metal ions using chitosan and modified chitosan: A review. Journal of Molecular Liquids. 2016; 214: 175-191. [92].            Fu F, Wang Q. Removal of heavy metal ions from wastewaters: a review. Journal of Environmental Management. 2011; 92: 407–418. [93].            Ihsanullah, Al-Khaldi F.A, Abu-Sharkh B, Abulkibash A.M, Qureshi M.I, Laoui T, Atieh M.A. Effect of acid modification on adsorption of hexavalent chromium (Cr(VI)) from aqueous solution by activated carbon and carbon nanotubes. Desalination and Water Treatment. 2015; 57: 7232–7244. [94].            Sun W.L, Xia J, Shan Y.C. Comparison kinetics studies of Cu(II) adsorption by multi-walled carbon nanotubes in homo and heterogeneous systems: Effect of nano-SiO2. Chemical Engineering Journal. 2014; 250: 119–127. [95].            Peng W, Li H, Liu Y, Song S. A review on heavy metal ions adsorption from water by graphene oxide and its composites. Journal of Molecular Liquids. 2017; 230: 496–504. [96].            Babel S, Kurniawan T.A. Low-cost adsorbents for heavy metals uptake from contaminated water: a review. Journal of Hazardous Materials. 2013; B97: 219–243. [97].            Volesky B. Detoxification of metal-bearing effluents: biosorption for the next century. Hydrometallurgy. 2001; 59: 203–216. [98].            Chojnacka K. Biosorption and bioaccumulation—the prospects for practical applications. Environment International. 2010; 36: 299–307. [99].            Wang J, Chen C. Biosorbents for heavy metals removal and their future. Biotechnology Advances. 2009; 27: 195–226. [100].        Vijayaraghavan K, Yun Y.S. Bacterial biosorbents and biosorption. Biotechnology Advances. 2008; 26: 266–291. [101].         Cabuk A, Iulhan S, Filik C, Caliskan F. Pb2+ biosorption by pretreated fungal biomass. Turkish Journal of Biology. 2005; 29: 23–28. [102].         Gerbino E, Carasi P, Araujo-Andrade C, Elizabeth Tymczyszyn E, Gomez-Zavaglia A. Role of S-layer proteins in the biosorption capacity of lead by Lactobacillus kefir. World Journal of Microbiology and Biotechnology. 2015; 31: 583–592. [103].         Srinath T, Verma T, Ramteke P.W, Garg S.K. Chromium (VI) biosorption and bioaccumulation by chromate resistant bacteria. Chemosphere. 2002; 48: 427–435. [104].         Ahluwalia S.S, Goyal D. Microbial and plant derived biomass for removal of heavy metals from wastewater. Bioresource Technology. 2007; 98: 2243–2257. [105].         Yilmazer P, Saracoglu N. Bioaccumulation and biosorption of copper (II) and chromium (III) from aqueous solutions by Pichia stiptis yeast. Journal of Chemical Technology and Biotechnology. 2009; 84: 604–610. [106].         Kocberber N, Donmez G. Chromium (VI) bioaccumulation capacities of adapted mixed cultures isolated from industrial saline wastewaters. Bioresource Technology. 2007; 98: 2178–2183. [107].         Malik A. Metal bioremediation through growing cells. Environment International. 2004; 30: 261– 278. [108].         Dhankhar R, Hooda A. Fungal biosorption—an alternative to meet the challenges of heavy metal pollution in aqueous solutions. Environmental Technology. 2011; 32: 467–491. [109].         Attia T.M.S, Hu X.L, Yin D.Q. Synthesised magnetic nanoparticles coated zeolite (MNCZ) for the removal of arsenic (As) from aqueous solution. Journal of Experimental Nanoscience. 2014; 9: 551-560. [110].         Chan H.B.S, Ellis B.L. Carbon-encapsulated radioactive 99mTc nanoparticles. Advanced Materials. 2004; 16: 144–9. [111].         Dias A.M.G.C, Hussain A, Marcos A.S, Roque A.C.A. A biotechnological perspective on the application of iron oxide magnetic colloids modified with polysaccharides. Biotechnology Advances. 2011; 29: 142–155. [112].         Fatehi M.H, Shayegan J, Zabihi M, Goodarznia I. Functionalized magnetic nanoparticles supported on activated carbon for adsorption of Pb (II) and Cr(VI) ions from saline solutions. Journal of Environmental Chemical Engineering. 2017; 5: 1754-1762. [113].         Fan F.L, Qin Z, Bai J, Rong W.D, Fan F.Y, Tian W, Wu X.L, Wang Y, Zhao L. Rapid removal of uranium from aqueous solutions using magnetic Fe3O4–SiO2 composite particles. Journal of Environmental Radioactivity. 2012; 106: 40–46. [114].         Morcos T.N, Shafik S.S, Ghoniemy H.F. Self-diffusion of cesium ions in hydrous manganese dioxide from mixed solvent solutions. Solid State Ionics. 2003; 167: 431–436. [115].         Lin C.L, Lee C.F, Chiu W.Y. Preparation and properties of poly (acrylic acid) oligomer stabilized super paramagnetic ferro fluid. Journal of Colloid and Interface Science. 2005; 291: 411–420. [116].         Feng Y, Gong J.L, Zeng G.M, Niu Q.Y, Zhang H.Y, Niu C.G, et al. Adsorption of Cd (II) and Zn (II) from aqueous solutions using magnetic hydroxyapatite nanoparticles as adsorbents. Chemical Engineering Journal. 2010; 162(2): 487–494. [117].         Sung Y.K, Ahn B.W, Kang T.J. Magnetic nano fibers with core (Fe3O4 nanoparticle suspension)/sheath (poly ethylene terephthalate) structure fabricated by coaxial electro spinning. Journal of Magnetism and Magnetic Materials. 2012; 324: 916–922. [118].         Jeong U, Teng X, Wang Y, Yang H, Xia Y. Superparamagnetic colloids: controlled synthesis and niche applications. Advanced Materials. 2007; 19: 33–60. [119].         Girginova P.I, Daniel-da-Silva A.L, Lopes C.B, Figueira P, Otero M, Amara V.S, et al. Silica coated magnetite particles for magnetic removal of Hg2+ from water. Journal of Colloid and Interface Science. 2010; 345(2): 234–40. [120].         Mahmoudi M, Sant S, Wang B, Laurent S, Sen T. Superparamagnetic iron oxide nanoparticles (SPIONs): development, surface modification and applications in chemotherapy. Advanced Drug Delivery Reviews. 2011; 63: 24–46. [121].         Laurent S, Forge D, Port M, Roch A, Robic C, Vander Elst L, et al. Magnetic iron oxide nanoparticles: synthesis, stabilization, vectorization, physicochemical characterizations, and biological applications. Chemical Reviews. 2008; 108(6): 2064–2110. [122].         Teja A.S, Koh P.Y. Synthesis, properties, and applications of magnetic iron oxide nanoparticles. Progress in Crystal Growth and Characterization of Materials. 2009; 55(1–2): 22–45. [123].         Hu H, Wang Z, Pan L. Synthesis of monodisperse Fe3O4–silica core–shell microspheres and their application for removal of heavy metal ions from water. Journal of Alloys and Compounds. 2010; 492(1–2): 656–661._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.249987.805 اکوهیدرولوژی مروری بر اصول زیست‌پالایی نیترات از آب با روش نیترات‌زدایی فاز جامد مروری بر اصول زیست‌پالایی نیترات از آب با روش نیترات‌زدایی فاز جامد ضرابی مهدی استادیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران کریمی دونا بهاره دانشجوی کارشناسی ارشد زیست‌فناوری صنعت و محیط زیست، دانشکدۀ علوم و فنون نوین، دانشگاه تهران حاتمیان زارمی اشرف السادات استادیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران 23 09 2018 5 3 875 889 22 12 2017 02 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67555.html

از سال‏ها پیش آلودگی نیترات در آب و خاک از نگرانی‏های اساسی در مسائل زیست‌محیطی دنیا بوده است. ترکیبات حاوی نیتروژن رهاشده در محیط زیست می‏تواند سبب بروز مشکلات جدی مانند یوتریفیکاسیون رودخانه‏ها و موجب بیماری خطرناکی به نام متهموگلوبینمیا و سایر اختلالات در سلامتی انسان شود. یکی از اهداف مهم تصفیۀ فاضلاب، حذف نیتروژن است که از طریق فرایندهای فیزیکی، شیمیایی و بیولوژیکی انجام می‏شود که روش‏های بیولوژیکی حذف نیتروژن مؤثرتر و اقتصادی‏تر‌ند. دنیتریفیکاسیون از فرایندهای اصلی حذف نیترات در آب‏هاست که فرایندی بدون نیاز به اکسیژن محسوب می‏شود و در آن باکتری‏ها از نیترات به عنوان گیرنده برای به‏دست‌آوردن انرژی به منظور رشد استفاده می‏کنند. دنیتریفیکاسیون فاز جامد یک فناوری نوظهور است که در سال‏های اخیر مورد توجه قرار گرفته است که در آن از پلیمرهای زیست‌تخریب‌پذیر به عنوان منبع کربنی و حامل بیوفیلم برای میکروارگانیسم‏های نیترات‌زدا استفاده می‏شود. این روش راهکاری امیدوارکننده و ارزان برای حذف نیترات از آب و فاضلاب است و در آینده می‏توان توجه بیشتری معطوف به حذف هم‌زمان نیترات و سایر آلاینده‏ها از آب‏ به وسیلۀ دنیتریفیکاسیون فاز جامد شده و از این طریق سلامت محیط و انسان تضمین شود.

 آلودگی نیترات تصفیۀ فاضلاب دنیتریفیکاسیون فاز جامد میکروارگانیسم‏های نیترات‏زدا [1]. Choi J, Maruthamuthu. S, Lee H, Hyun Ha T, Bae J. Nitrate removal by electro-bioremediation technology in Korean soil. Journal of Hazardous Materials. 2009;168: 1208–1216 [2]. Bahadoran Z, Mirmiran P, Ghasemi A, Kabir A, Azizi F, Hadaegh F. Is dietary nitrate/nitrite exposure a risk factor for development of thyroid abnormality? A systematic review and meta-analysis. Nitric Oxide. 2015; 47: 65–76 [3]. Moorman, T.B, Parkin, T.B, Kaspar, T.C, Jaynes, D.B. Denitrification activity, wood loss, and N2O emissions over 9 years from a wood chip bioreactor. Ecol. Eng. 2010; 36: 1567–1574 [4]. Elgood, Z, Robertson, W.D, Schiff, S.L, Elgood, R. Nitrate removal and greenhouse gas production in a stream-bed denitrifying bioreactor. Ecol. Eng. 2010; 36: 1575–1580 [5]. Wang J, Hou W, Qian Y. Immobilization of microbial cells using polyvinyl alcohol (PVA)—polyacrylamide gels. Biotechnol Tech.1995; 9: 203–208 [6]. Manohar S, Karegoudar TB. Degradation of naphthalene by cells of Pseudomonas sp. strain NGK 1 immobilized in alginate, agar and polyacrylamide. Appl Microbiol Biotechnol.1998:49:785– 792 [7]. Son HJ, Kim HG, Kim KK. Increased production of bacterial cellulose by Acetobacter sp. V6 in synthetic media under shaking culture conditions. Bioresour Technol. 2003; 86:215–219. [8]. Ba¨ckdahl H, Helenius G, Bodin A, Nannmark U. Mechanical properties of bacterial cellulose and interactions with smooth muscle cells. Biomaterials. 2006; 27:2141–2149 [9]. Svensson A, Nicklasson E, Harrah T, Panilaitis B, Kaplan DL. Bacterial cellulose as a potential scaffold for tissue engineering of cartilage. Biomaterials. 2005; 26:419–431 [10].            Wang J.L, Yang N. Partial nitrification under limited dissolved oxygen conditions. Process Biochem. 2004;39 (10): 1223–1229. [11].            Chen, Z.Q, Wen, Q.X, Wang, J.L, Li, F. Simultaneous removal of carbon and nitrogen from municipal-type synthetic wastewater using net-like rotating biological contactor (NRBC). Process Biochem.2006; 41 (12): 2468–2472. [12].            Liu Q.J, Hu X, Wang J.L. Performance characteristics of nitrogen removal in SBR by aerobic granules. Chin. J. Chem. Eng. 2005;13 (5): 669–672. [13].            Aslan S, Turkman A. Biological denitrification of drinking water using various natural organic solid substrates. Water Sci. Technol.2003;48 (11−12): 489–495. [14].            Wang J.L, Kang J. The characteristics of anaerobic ammonium oxidation (ANAMMOX) by granular sludge from an EGSB reactor. Process Biochem.2005;40 (5): 1973–1978. [15].            Karanasios K.A, Vasiliadou, I.A, Pavlou S, Vayenas D.V, 2010. Hydrogenotrophic denitrification of potable water: a review. J. Hazard Mat. 2008;180 (1–3): 20–37. [16].            Van Rijn J, Tal Y, Schreier H.J. Denitrification in recirculating systems: theory and applications. Aquac. Eng.2006; 34 (3):364–376. [17].            Ovez B, Mergaert J, Saglam M. Biological denitrification in drinking water treatment using the seaweed Gracilaria verrucosa as carbon source and biofilm carrier. Water Environ. Res.2006;78 (4): 430–434. [18].            Schipper L.A, Robertson W.D, Gold A.J, Jaynes D.B, Cameron S.C. Denitrifying bioreactors-an approach for reducing nitrate loads to receiving waters. Ecol. Eng.2010; 36 (11): 1532–1543 [19].            Bill K.A, Bott C.B, Murthy S.N. Evaluation of alternative electron donors for denitrifying moving bed biofilm reactors (MBBRs). Water Sci. Technol.2009; 60 (10): 2647–2657. [20].            Modin O, Fukushi K, Yamamoto K. Denitrification with methane as external carbon source. Water Res. 2007;41 (12): 2726–2738. [21].            Fan Z.X, Hu J, Wang J.L. Biological nitrate removal using wheat straw and PLA as substrate. Environ. Technol. 2012;33: 2369–2374. [22].            Wang J, Chu L. Biological nitrate removal from water and wastewater by solid-phase denitrification process. Biotechnology Advances.2016. [23].            Chu L.B, Wang J.L. Denitrification of groundwater using PHBV blends in packed bed reactors and the microbial diversity. Chemosphere.2016;155 (3): 463–470. [24].            Boley A, Muller W.R. Denitrification with polycaprolactone as solid substrate in a laboratory-scale recirculated aquaculture system. Water Sci. Technol.2005;52 (10−11): 495–502. [25].            Hiraishi A, Khan S.T. Application of polyhydroxyalkanoates for denitrification in water and wastewater treatment. Appl. Microb. Biotechnol. 2003;61 (2): 103–109. [26].            Yadegari F, Abdollahzadeh sharghi E, Adl M. Biological denitrification of drinking water in an anoxic-oxic membrane bioreactorr by suspended activated sludge. fourth national chemistry, petrochemicstry and nano conference, Iran, Tehran, Petrograd Industrial and Mineral Research Center- petrogas.2016 [Persian]. [27].            Tangsir1 S, Naseri A.A, Moazed H, Hashemi Garmdareh S.E, Broumand Nasab S- Evaluate the Performance of Sugarcane Bagasse as a Carbonic Source Required in the Design of Denitrification Substrates. Irrigation Sciences and Engineering. 2017; 40(2)39-57 [Persian]. [28].            Godini H, Rezayi A, Biranvand F, Jahanbani F. Removal of nitrate from water by using a Consortium of denitrifiers stabilized on active carbon in a floating bed reactor, 2012. Lorestan [Persian]. [29].            Vagheei R, Ganjidoust H, Azimi A. A, Ayati B.Treatment of Nitrate-contaminated Drinking Water Using Autotrophic Denitrification in a Hydrogenised Biofilter, 2009[Persian]. [30].            Mir bagheri S.A, Amir soleymani A, Bazaz zadeh R. Treatment of nitrate-contaminated ground water by denitrification using heterotrophic and autotrophic bacteria (Case Study for Groundwater Refinery of Tehran). Second International Symposium on Environmental Engineering, Tehran, Industrial University of Khajeh Nasir.2009 [Persian]. [31].            Lijuan Feng a, Kun Chen a, Doudou Han a, Jing Zhao a, Yi Lua, Guangfeng Yang a, Jun Mua, Xiangjiong Zhao. Comparison of nitrogen removal and microbial properties in solid-phase denitrification systems for water purification with various pretreated lignocellulosic carriers. Bioresource Technology 224 (2017) 236 245 [32].            Shen, Z.Q, Wang J.L. Biological denitrification using cross-linked starch/PCL blends as solid carbon source and biofilm carrier. Bioresour. Technolo.2011; 102 (19): 8835–8838. [33].            Khan SH, Horiba Y, Takahashi N, Hirashi A. Activity of community composition of denitrifying bacteria in Poly (3- hydroxybutyrate-co-3-hydroxyvalerate)- using Solid phase denitrification processe. Microbs environ.2007; 22 (1): 20-31. [34].            Gibert O, Pomierny S, Rowe I, Kalin R.M. Selection of organic substrates as potential reactive materials for use in a denitrification permeable reactive barrier (PRB). Bioresour. Technol. 2008;99 (16): 7587–7596. [35].            Healy M.G, Ibrahim T.G, Lanigan G.J, Serrenho A.J, Fenton O. Nitrate removal rate, efficiency and pollution swapping potential of different organic carbon media in laboratory denitrification bioreactors. Ecol. Eng. 2012; 40: 198–209. [36].            Volokita M, Belkin S, Abeliovich A, Soares M.I.M. Biological denitrification of drinking water using newspaper. Water Res.1996; 30 (4): 965–971. [37].            Aslan S, Turkman A. Simultaneous biological removal of endosulfan (alpha plus beta) and nitrates from drinking waters using wheat straw as substrate. Environ. Int.2004; 30 (4): 449–455. [38].            Xu Z.X, Shao L, Yin H.L, Chu H.Q, Yao Y.J. Biological denitrification using corncobs as a carbon source and biofilm carrier. Water Environ. Res.2009; 81 (3): 242–247. [39].            Robertson W.D. Nitrate removal rates inwoodchipmedia of varying age. Ecol. Eng.2010; 36 (11): 1581–1587. [40].            Cameron S.G, Schipper L.A. Hydraulic properties, hydraulic efficiency and nitrate removal of organic carbon media for use in denitrification beds. Ecol. Eng. 2012;41: 1–7. [41].            Walters E, Hille A, He M, Ochmann C, Horn H. Simultaneous nitrification denitrification in a biofilm airlift suspension (BAS) reactor with biodegradable carriermaterial. Water Res.2009; 43 (18): 4461–4468. [42].            Zhao X, Meng X.L, Wang J.L. Biological denitrification of drinking water using biodegradable polymer. Int. J. Environ. Pollut.2009; 38 (3): 328–338. [43].            Zhou H.H, Zhao X, Wang J.L. Nitrate removal fromgroundwater using biodegradable polymers as carbon source and biofilm support. Int. J. Environ. Pollut.2009; 38 (3): 339–348. [44].            Shen Z.Q, Wang J.L. Biological denitrification using cross-linked starch/PCL blends as solid carbon source and biofilm carrier. Bioresour. Technolo.2011;102 (19): 8835–8838. [45].            Takahashi M, Yamada T, Tanno M, Tsuji H, Hiraishi A. Nitrate removal efficiency and bacterial community dynamics in denitrification processes using poly (L-lactic acid) as the solid substrate. Microb. Environ. 2011; 26 (3):212–219. [46].            Wu W.Z, Yang L.H, Wang J.L. Denitrification using PBS as carbon source and biofilm support in a packed-bed bioreactor. Environ. Sci. Pollut. Res. 2013; 20 (1):333–339. [47].            Warneke S, Schipper L.A, Matiasek M.G, Scow K.M, Cameron S, Bruesewitz D.A, McDonald I.R. Nitrate removal, communities of denitrifiers and adverse effects in different carbon substrates for use in denitrification beds. Water Res. 2011;45:5463–5475. [48].            Gutierrez-Wing M.T, Malone R.F, Rusch K.A. Evaluation of polyhydroxybutyrate as a carbon source for recirculating aquaculture water denitrification. Aquac. Eng.2012; 51:36–43. [49].            Tokiwa Y, Calabia B, Ugwu C, Aiba S. Biodegradability of plastics. Int. J. Mol. Sci.2009;10 (9): 3722 [50].            Chen, Q.H., Li, X.F., Lin, J.H. Preparation and properties of biodegradable bamboo powder/polycaprolactone composites. J. Forest. Res. 2009; 20 (3): 271–274. [51].            Zhang J, Feng C, Hong S, Hao H, Yang Y.Behavior of solid carbon sources for biological denitrification in groundwater remediation. Water Sci. Technol.2012. [52].            Schipper L.A, Robertson W.D, Gold A.J, Jaynes D.B, Cameron, S.C. Denitrifying bioreactors-an approach for reducing nitrate loads to receiving waters. Ecol. Eng. 2010; 36 (11): 1532–1543. [53].            Muller W.R, Heinemann S, Wurmthaler R.T. Aspects of PHA (poly- B-hydroxy-butyric- acid) as an h-donator for denitrification in water treatment processes. Water Supply.1992;10: 79–90. [54].            Zhang Q, Ji F, Xu X. Effects of physicochemical properties of poly-ε-caprolactone on nitrate removal efficiency during solid-phase denitrification. Chem. Eng. J.2016; 283: 604–613. [55].            Canziani R, Vismara R, Basilico D, Zinni L. Nitrogen removal in fixed-bed submerged biofilters without backwashing. Water Sci. Technol.1999;40 (4–5): 145–152. [56].            Wang X.M, Wang J.L.Nitrate removal from groundwater using solid-phase denitrification process without inoculating with external microorganisms. Int. J. Environ. Sci. Technol. 2013;10:955–960. [57].            Lin Y.F, Jing S.R, Lee D.Y, Chang Y.F, Shih K.C. Nitrate removal from groundwater using constructed wetlands under various hydraulic loading rates. Bioresource Technology, 2008;99: 7504-7513. [58].            Ghane E, Fausey N.R, Brown L.C. Modeling nitrate removal in a denitrification bed. Water Research, 2015; 71: 294-305. [59].            Ines M, Soares M, Abeliovich A. Wheat straw as substrate for water denitrification. Water Res.1998; 32 (12): 3790–3794. [60].            Boley A, Muller W.R, Haider G. Biodegradable polymers as solid substrate and biofilm carrier for denitrification in recirculated aquaculture systems. Aquac. Eng. 2000;22 (1–2): 75–85. [61].            Zhu S.M, Deng Y.L, Ruan Y.J, Guo X.S, Shi M.M, Shen J.Z. Biological denitrification using poly (butylene succinate) as carbon source and biofilm carrier for recirculating aquaculture system effluent treatment. Bioresour. Technol. 2015;192: 603–610. [62].            Li P, Zuo J, Wang Y, Zhao J, Tang L, Li Z. Tertiary nitrogen removal for municipal wastewater using a solid-phase denitrifying biofilter with polycaprolactone as the carbon source and filtration medium. Water Res. 2016; 93: 74–83. [63].            Chu L.B, Wang J.L. Denitrification performance and biofilm characteristics using biodegradable polymers PCL as carriers and carbon source. Chemosphere. 2013; 91 (9):1310–1316. [64].            Blaszczyk M. Effect of various sources of organic carbon and high nitrite and nitrate concentrations on the selection of denitrifying bacteria. II. Continuous cultures in packed bed reactors. Acta Microb. Pol. 1982; 32 (1): 65–71. [65].            HondaY, Osawa Z. Microbial denitrification of wastewater using biodegradable polycaprolactone. Polym. Degrad. Stab.2002; 76 (2): 321–327. [66].            Lee N.M, Welander T. The effect of different carbon sources on respiratory denitrification in biological wastewater treatment. J. Ferment. Bioeng.1996; 82 (3):277–285. [67].            Neef A, Zaglauer A, Meier H, Amann R, Lemmer H, Schleifer K.H. Population analysis in a denitrifying sand filter: conventional and in situ identification of Paracoccus spp. in methanol-fed biofilms. Appl. Environ. Microbiol.1996; 62 (12): 4329–4339. [68].            Shen Z.Q, Zhou, Y.X, Wang J.L. Comparison of denitrification performance and microbial diversity using starch/polylactic acid blends and ethanol as electron donor for nitrate removal. Bioresour. Technol.2013;131; 33–39. [69].            Wu W.Z, Yang L.H, Wang J.L. Denitrification performance and microbial diversity in a packed-bed bioreactor using PCL as carbon source and biofilm carrier. Appl. Microb. Biotechnol.2013; 97 (6), 2725–2733. [70].            Cang Y, Roberts DJ, Clifford DA. Development of cultures capable of reducing perchlorate and nitrate in high salt solutions. Water Res. 2004; 38:3322- 3330. [71].            Aslan U, Turkman A. Combined biological removal of nitrate and pesticides using wheat straw as substrate. Process Biochem. 2005;40: 935-943. [72].            Zhu S, Zheng M, Li C, Gui M, Chen Q, J Ni.Special role of corn flour as an ideal carbon source for aerobic denitrification with minimized nitrous oxide emission. Bioresource Technology, 2015;186: 44-51._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.250098.807 مدیریت منابع آب در اکوسیستم های طبیعی تدوین مدل بهینه ‏سازی فازی برای بهره برداری تلفیقی از آب سطحی و آب زیرزمینی (مطالعۀ موردی: دشت آستانه-کوچصفهان) قوردویی میلان سامی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران روزبهانی عباس استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران بنی حبیب محمد ابراهیم دانشیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران جوادی سامان استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران 23 09 2018 5 3 891 905 21 12 2017 05 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67557.html

در تحقیق حاضر، مدل بهینه‏سازی تماماً فازی با درنظرگرفتن عدم قطعیت‏ها برای برداشت تلفیقی آب سطحی و زیرزمینی برای تأمین نیاز کشاورزی ارائه شده است. تراز آب زیرزمینی دشت آستانه-کوچصفهان با نرم‌افزار GMS شبیه‏سازی و نتایج آن به‌صورت روابط رگرسیونی افت – برداشت به‌عنوان قید مدل بهینه‏سازی استفاده شد. در ادامه، مدل بهینه‏سازی فازی به دو روش کومار و جایالاکیشمی ابتدا به حالت صریح تبدیل شده و با نرم‏افزار GAMS اجرا شد. نتایج بیشترین افت را در هر دو روش 25/1 متر در ماه فروردین برای ناحیۀ راست کانال سنگر و برای ناحیۀ چپ آن 25/1 متر در ماه مرداد نشان داد. بیشترین کمبود در روش کومار، در ناحیۀ چپ سنگر مربوط به سال 1381 بود که 82/59 درصد از نیازها تأمین شد، در حالی که در ناحیۀ راست 76/56 درصد از نیازها در سال 1393 تأمین شد. در روش جایالاکیشمی در بدترین شرایط، بیشترین کمبود در سال 1377 و 1393 بود که 5/66 و 96/60 درصد از نیازها به‌ترتیب برای ناحیۀ چپ و راست سنگر تأمین شد و نیز در روش کومار، در شرایط بیشترین کمبود مجموع چپ و راست سنگر در سال 1377، تأمین نیازها معادل حدود 9/65 درصد بود. در حالی که، در روش جایالاکیشمی این مقدار 5/66 درصد در سال 1377 بوده و در وضع موجود این درصد تأمین در بدترین شرایط 54 درصد است. مدل بهینه‏سازی فازی ارائه‌شده با درنظرگرفتن عدم قطعیت‏ها نسبت به مدل‏های کلاسیک برتری دارد و می‏تواند برای مدیریت تلفیقی تأمین آب کشاورزی به کار رود.

 روش جایالاکیشمی روش کومار‌ سفیدرود شبیه‏سازی آب زیرزمینی MODFLOW [1]. Todd KD, Mays LW. Groundwater hydrology. John Wiley & Sons, Inc, NJ. 2005. [2]. Buras N. Conjunctive operation of dams and aquifers. Journal of the Hydraulics Division. 1963; 89(6):111-31. [3]. Abadi A, Kholghi A, Bozorg Hadad O, Mohammadi K. Providing operational rules for real-time management of surface water and underground water resources. MSc Thesis.2010. University of Tehran, Pardis-Karaj. [Persian] [4]. Bazargan-Lari, MR, Kerachian R, Mansoori A. A Conflict-Resolution Model for the Conjunctive Use of Surface and Groundwater Resources that Considers Water-Quality Issues: A Case Study. Environmental management. 2009; 43(3):470-82. [5]. Karamouz M, Tabari. MMR, Kerachian R. Application of genetic algorithms and artificial neural networks in conjunctive use of surface and groundwater resources. Water International. 2007; 32(1):163–176. [6]. Mohammad Rezapour Tabari M, Ebadi T, Maknon R. Development of a Smart Model for Groundwater Level Prediction Based on Aquifer Dynamic Conditions. Water and Wastewater Journal. 2010; Volume: 21(4): 70-80. [Persian] [7]. Azari, A, Radmanesh F. Simulation-Multi-Purpose Optimization for Integrated Water Resources Management in Surface Water and Underground Water Interactions Using Genetic Algorithm (Case Study: Dasht Daz), MSc Thesis.2013; Shahid Chamran University of Ahvaz. [Persian] [8]. Safavi H.R, Alijanian M.A. Optimal Crop Planning and Conjunctive Use of Surface Water and Groundwater Resources Using Fuzzy Dynamic Programming. Journal of irrigation and drainage engineering © ASCE. 2011; 383-397. [9]. Safavi HR, Chakraei I, Kabiri-Samani A, Golmohammadi MH. Optimal reservoir operation based on conjunctive use of surface water and groundwater using neuro-fuzzy systems. Water resources management. 2013; 27(12):4259-75. [10]. Safavi HR, Enteshari S. Conjunctive use of surface and ground water resources using the ant system optimization. Agricultural Water Management. 2016; 173:23-34. [11]. Tabari MMR. Conjunctive Use Management under Uncertainty Conditions in Aquifer Parameters. Water Resources Management. 2015; 29(8):2967-86. [12]. Chang L-C, Chu H-J, Chen Y-W. A fuzzy inference system for the conjunctive use of surface and subsurface water. Advances in Fuzzy Systems. 2013; 2013:2. [13]. Rezaei F, Safavi HR, Mirchi A, Madani K. F-MOPSO: an alternative multi-objective PSO algorithm for conjunctive water use management. Journal of Hydro-environment Research. 2017; 14:1-18. [14]. Safavi H, Rezaei F. Conjunctive use of surface and ground water using fuzzy neural network and genetic algorithm. Iranian Journal of Science and Technology Transactions of Civil Engineering. 2015; 39(C2):365. [15]. Rezaei F, Safavi HR, Zekri M. A hybrid fuzzy-based multi-objective PSO algorithm for conjunctive water use and optimal multi-crop pattern planning. Water Resources Management. 2017; 31(4):1139-55. [16]. Langeroudi M.R, Kerachian R. .Developing Operating Rules for Conjunctive Use of Surface and Groundwater Considering the Water Quality Issues. KSCE Journal of Civil Engineering. 2014; 18(2):454-461. [17]. Chen, Y. W., Chang, L. C., Huang, C. W. and Chu, H. J. Applying genetic algorithm and neural network to the conjunctive use of surface and subsurface water. Water resources management.2013; 27: 4731-4757. [18]. Sahoo, B., Lohani, A. K. and Sahu, R. K. Fuzzy multiobjective and linear programming based management models for optimal land-water-crop system planning. Water resources management. 2006;20: 931-948. [19]. Li, M., Fu, Q., Singh, V. P., Ma, M. and Liu, X. An intuitionistic fuzzy multi-objective non-linear programming model for sustainable irrigation water allocation under the combination of dry and wet conditions. Journalof Hydrology. 2017; [20]. Asaadi Mehrabani, M. Banihabib, M. Roozbahany A. Fuzzy Linear Programming Model for the Optimization of Cropping Pattern in Zarrinehroud Basin. Iran Water Resources Research. 2018; 14(1), 13-24. [Persian] [21]. Continuation of the study of the plains with a quantitative and qualitative quantitative and qualitative study network of Astaneh-Kochi Esfahan 1389-1390, [Persian] [22]. Pandam Consulting Engineers. Improvement of irrigation and drainage network in Gilan aquifer. 1383; Volume Four. [Persian] [23]. Harbaugh AW, Banta ER, Hill MC, McDonald MG. MODFLOW-2000, the U.S. Geological Survey modular groundwater model.2000; Report No. 00–92, U.S. Geological Survey, Denver. [24]. Klir GJ, Yuan B. Fuzzy sets, fuzzy logic, and fuzzy systems: selected papers by Lotfi A. Zadeh: World Scientific Publishing Co., Inc.; 1996. [25]. Zadeh, L.A. Fuzzy sets. J. of Information and Control, 1965; 8(3), 338-353. [26]. Kumar A, Kaur J, Singh P. Fuzzy optimal solution of fully fuzzy linear programming problems with inequality constraints. 2010. [27]. Kumar A, Kaur J, Singh P. A new method for solving fully fuzzy linear programming problems. Applied Mathematical Modelling. 2011; 35(2):817-23. [28]. Jayalakshmi M, Pandian P. A new method for finding an optimal fuzzy solution for fully fuzzy linear programming problems. International Journal of Engineering Research and Applications. 2012; 2(4):247-54._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.252171.827 منابع آبهای سطحی مدل‏ سازی جریان در یک قوس از رودخانۀ طبیعی بر اساس مدل‏ های مختلف آشفتگی (مطالعۀ موردی: رودخانۀ دوآب صمصامی) مدل‏ سازی جریان در یک قوس از رودخانۀ طبیعی بر اساس مدل‏ های مختلف آشفتگی (مطالعۀ موردی: رودخانۀ دوآب صمصامی) هنربخش افشین دانشیار گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه شهرکرد‌ کریمیان کاکلکی روح الله دانشجوی دکتری تخصصی علوم و مهندسی آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه شهرکرد‌ شمس قهفرخی غلامرضا استادیار گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه شهرکرد‌ داوودیان دهکردی علیرضا استاد گروه پترولوژی، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه شهرکرد‌ پژوهش مهدی استادیار گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه شهرکرد‌ 23 09 2018 5 3 907 916 20 01 2018 24 04 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67558.html

مدل‏سازی جریان در رودخانه‏ها با توجه به مسیر پیچان‏رودی آنها بسیار پیچیده بوده و اغلب مستلزم استفاده از یک مدل عددی قوی برای پیش‏بینی آثار آشفتگی است. همچنین، انتخاب نوع مدل آشفتگی می‌تواند در شبیه‏سازی و بررسی خصوصیات جریان مؤثر ‏باشد. انواع مختلفی از مدل‏های آشفتگی در مدل عددی SSIIM قابل استفاده است که در تحقیق حاضر با هدف بررسی کارایی مدل‏های آشفتگی، از سه نوع مختلف مدل آشفتگی k-Ԑ یعنی نوع استاندارد، بر اساس سرعت آب و RNG به منظور شبیه‏سازی خصوصیات جریان در نقاط مختلف از مقطع عرضی 45 درجه از یک قوس تند واقع در رودخانۀ دوآب صمصامی از سرشاخه‏های کارون بزرگ استفاده شد. با مقایسۀ مقادیر اندازه‌گیری‌شدۀ مؤلفه‏های سرعت، نتایج به‌دست‌آمده از مدل‌ها مشخص شد. مدل k-Ԑ استاندارد در تعیین مؤلفۀ قائم سرعت و نوع مدل k-Ԑ بر اساس سرعت آب برای مؤلفۀ طولی سرعت دقت بیشتری دارد که در مجموع قابلیت کلیۀ مدل‏های آشفتگی یادشده مناسب ارزیابی می‌شود. همچنین، درنظرگرفتن دقیق ناهمواری‏های بستر و زبری کنارۀ‏ کانال رودخانه در مدل عددی می‌تواند بر افزایش صحت نتایج مدل تأثیر بسزایی داشته باشد.

 مدل k-Ԑ مدل عددی SSIIM مؤلفۀ طولی سرعت مؤلفۀ قائم سرعت RNG [1]. Yousefi, H, Golshan,M , Pirnia, A. Evaluation of HEC-HMS Hydrological Model in estimating Flood Hydrograph of Dry and Humid regions. Journal of Ecohydrology, 2018; 5(1): 319 – 330. .)Persian(. [2]. Yousefi, H, Ehara,S ,Noorollahi, Y. Modifying the analysis made by water quality index using multi-criteria decision making methods. Journal of African Earth sciences, 2018; 138, 309 – 318. [3]. Yousefi, H, Tavakkoli-Moghaddam, R, Oliaei, MTB, Mohammadi, M. Solving a bi-objective vehicle routing problem under uncertainty by a revised multichoice goal programming approach. International Journal of Industrial Engineering Computations, 2017; 8(3):283-302 [4]. Xiufang Z. Pingyi W. and Y. Chengyu. Experimental study on flow turbulence distribution around a spur dike with different structure. Journal of Procedia Engineering,2015; 28: 772-775. [5]. Hao, Z. Hajime, N. kenji, K. and B. Yasyuki. Experiment and simulation of turbulent flow in local scour around a spur dyke. Journal of Sediment Research, 2014; 24: 33-45. [6]. Lai, Y. G. and Greimann, B.P. Predicting contraction scour with two-dimensional depth averaged model. Journal of Hydraulic Research, 2010; 48(3): 383-387. [7]. Khosravi, G. The numerical simulation of flow and sediment transport with model CCHE2D (Case Study: meander downstream Minab). Master's thesis, University of Hormozgan, Bandarabbas, Iran. 2012. (Persian). [8]. Fathi, M., A. Honarbakhsh, M. Rostami and D. Davoodian Dehkordi. simulating the flow pattern with a two-dimensional numerical model in a range of natural meanders, Case Study: Khoshkerood Farsan River, Chaharmahal and Bakhtiari, Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Sciences. 2012; 62(1): 95-108. (Persian). [9]. Andersson. B, Andersson.R, Hakansson. L, Mortensen. M, Sudiyo. R and vanWachem. B. Computational fluid dynamics for engineers. Cambridge University Press, 2012. [10].            Rodi, W. and Leschziner M. A. Calculation of Strongly Curved Open Channel Flow. Journal of the Hydraulic Division,1978; 105(HY10) : 1297-1333. [11].            Shettar, A.S., and Murthy, K.K.A numerical study of division of flow in open channels, Journal of Hydraulic Research, Delft, The Netherlands,1996; 34)5( :651-675. [12].            Han, S.S. Characteristics of flow around 90 open channel bends. PhD. Thesis. Dept. of Building,Civil and Environmental Engineering, Concordia University, Montreal, Quebec.2010. [13].            Van Balen, W., Uijttewaal, W.S.J., and Blanckaert, K. Large eddy simulation of a mildly curved open channel flow", J. Fluid Mech.2009; 630(1): 413-442. [14].            SafarzadehGandshamin, A., and Salehi Neishabouri, A. A. Numerical study of turbulent flow pattern and qualitative study of sediment transport and erosion in lateral drainage from the river. Journal of Modarres Technical and Engineering,2007; 25(1) : 1-18.( Persian). [15].            Omid Beygi, M. A. Laboratory study and numerical simulation of three dimensional flow pattern in lateral drainage of the river in the presence of submerged panels. Msc Thesis. Dept. of Agriculture, Tarbiat Modarres University.2010.( Persian). [16].            Mozaffari, J., Samadi, A., Mohseni Movahhed, S. A., Davoud-Maghami, D. Comparison of RSM and LES Turbulence Models on Sharp Bend. Journal of Ferdowsi Civil Engineering, 2015; 27(1): 77-86. (Persian). [17].            Zhang, M. L., and Shen, Y. M. Three-dimensional simulation of meandering river based on 3-D RNG k-ɛ turbulence model. Journal of Hydrodynamics,2008; 20(4) : 448-455. [18].            Yu, L. R. Flow and transport simulation of Madeira River using three depth-averaged two-equation turbulence closure models. Water Science and Engineering, 2012. 5(1): 11-25 [19].            Wu, W. CCHE2D Sediment Transport Model (Version 2.1). Tech Report No. NCCHETR- 2001-3, NCCHE, University of Mississippi, 2009. USA, P: 12. [20].            Cea, L., Pena, L., J. Puertas, J., M. E. Vazquez-Cendon, M. E., and Pena, E. Application of several depth-averaged turbulence models to simulate flow in vertical slot fishways. Journal of Hydraulic Engineering, 2007;133(2):160–172. [21].            Launder, B. E., and Spalding, D. B. The numerical computation of turbulent flows. Computer Methods in Applied Mechanics and Engineering, 1974; 3(2): 269-289._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.252177.828 منابع آبهای زیر زمینی مکانیسم آلوده‌شدن آبخوان دشت کاشان با تأکید بر آلودگی نیترات و نیتریت مکانیسم آلوده‌شدن آبخوان دشت کاشان با تأکید بر آلودگی نیترات و نیتریت میرزاوند محمد دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکدۀ منابع طبیعی و علوم زمین دانشگاه کاشان قاسمیه هدی دانشیار دانشکدۀ منابع طبیعی و علوم زمین دانشگاه کاشان ساداتی نژاد سید جواد دانشیار دانشکدۀ علوم و فنون نوین دانشگاه تهران باقری رحیم استادیار دانشکدۀ علوم زمین دانشگاه صنعتی شاهرود کلارک ایان داگلاس استاد، دانشکدۀ علوم محیطی و زمین، دانشگاه اتاوا، اتاوا، کانادا 23 09 2018 5 3 917 929 19 02 2018 24 04 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67560.html

در تحقیق حاضر، آلودگی آبخوان دشت کاشان از نظر نیترات و نیتریت و مکانیسم آن بررسی شد. به این منظور، 42 نمونه آب از آبخوان تهیه و آنالیز شد. نتایج پژوهش نشان داد کلراید و سولفات، آنیون‏های غالب و سدیم و کلسیم، کاتیون‏های غالب‌اند. نتایج بررسی حد مجاز متغیرهای TDS، pH، Na+، K+، Cl-، SO42-، NO3-، NO2-، Ca2+ و Mg2+، نشان داد به‏ترتیب 61/97، 47/40، 100، 0، 61/97، 23/95، 09/38، 24/95، 34/83 و 23/95 درصد از منابع آب منطقه براساس استانداردهای WHO و ISIRI، وضعیت غیرمجاز دارند. همچنین، نیترات با Na+، K+، Ca2+، Mg2+، Cl-، HCO3-، SO42-، NO2-، TDS و EC به‏ترتیب همبستگی 68/0، 50/0، 63/0، 52/0، 64/0، 34/0-، 32/0، 64/0، 64/0 و 65/0 دارد. سایر نتایج نشان داد نیترات، ‌دامنۀ تغییرات 86/1 تا 1034 و میانگین 76/118 میلی‏گرم بر لیتر دارد. همچنین، 49/40، 42/21 و 09/38 درصد از نمونه‏ها از نظر نیترات به‏ترتیب، کمی‏آلوده، آلوده و بسیار آلوده‌اند. به‏منظور بررسی دقیق‏تر آلودگی آبخوان طبق توصیۀ WHO، نتایج ترکیبی نیترات و نیتریت نشان داد 23/95 درصد از نمونه‏ها، غلظت بیش از حد مجاز دارند. بنابراین، فقط بخش‏های جزئی از آبخوان در جنوب، جنوب غرب و غرب، وضعیت قابل قبولی دارند.

 آبخوان کاشان شور شدن مکانیسم آلودگی نیترات نیتریت ]1]. Singh ET, Gupta A, Singh NR. Groundwater quality in Imphal West district, Manipur, India, with multivariate statistical analysis of data. Environmental Science and Pollution Research International. 2013; 20:2421-30. ]2]. Karami GH, Jafari H, Ghanaatian H. Contamination of groundwater resources in the agricultural land of Magan plain, Semnan province. Journal of Advanced Applied Geology. 2016; 21:45-55 [Persian]. [3]. Pawar N., Sheikh I. Nitrate pollution of ground waters from shallow basaltic aquifers, Deccan Trap Hydrologic Province, India. Environmental Geology. 1995;25(3):197–204. [4]. Gordon B, Callan P, Vickers C. WHO guidelines for drinking-water quality. World Health Organization (WHO). 4th ed. Geneva. Switzerland. 2008;38(3): 564 p. [5]. ISIRI. Drinking water physical and chemical specification. Institute of Standard and Industrial Research of Iran, Tehran. 1053. 5th revision. 2013;26p [Persian]. [6]. Amarlooei A, Nazeri M, Sayeh miri K, Nourmoradi H, Sayehmiri K, Khodarahmi F. Investigation on the concentration of nitrate and nitrite in Ilam ground waters. Scientific Journal of Ilam University of Medical Sciences (sjimu). 2014;22(4):34-41 [Persian]. [7]. Khodai K, Mohammadzadeh H, Nasseri H, Shahsavari AH. Evaluating of nitrate contamination in Dezful-Andimeshk plain and identifying of nitrate sources using 15N and 18O Isotopes. Iranian Journal of Geology. 2012; 22(6):93-111 [Persian]. ]8]. Majumdar D, Gupta N. Nitrate pollution of ground water and associated human health disorders. Indian Journal of Environmental Health. 2000;42(1):28–39. [9]. Jafari Malekabadi A, Afyuni M, Mousavi S.F, Khosravi A. Nitrate concentration In groundwater In Isfahan province. Journal of Water and Soil Science (JWSS). 2004;8(3):69-82 [Persian]. ]10]. Khosravi Dehkordi A, Afyuni M, Mousavi S.F. Investigation of nitrate concentration changes of groundwater in Zayandehroud margin in Isfahan province. Journal of Environmetal Studies. 2006;32(39):33-40 [Persian]. [11]. Selek Z, Yetis A. Assessment of nitrate contamination in a transnational groundwater basin: a case study in the Ceylanpinar Plain, Turkey. Environ Earth Science. 2017;76:698: 1-11. [12]. Mirzavand M, Ghazavi R, Sadatinejad S., Ghasemieh H, Vali A. Investigation of Kashan aquifer situation using electric resistance method with Shelomberje arrangement. Desert Ecosystem Engineering Journal. 2014;3(4):43-56 [Persian]. [13]. Mirzavand M, Ghazavi R. A stochastic modelling technique for groundwater level forecasting in an arid environment using time series methods. Water Resources Management. 2015;29(4):1315–1328. ]14]. Clark ID. Groundwater geochemistry and isotopes. Taylor & Francis Group; 2015. 471 p. ]15]. http://www.aqion.de/site/92. [16]. Amiri V, Nakhaei M, Lak R, Kholghi M. Assessment of seasonal groundwater quality and potential saltwater intrusion: a study case in Urmia coastal aquifer (NW Iran) using the groundwater quality index (GQI) and hydrochemical facies evolution diagram (HFE-D). Stoch Environ Res Risk Assess. 2016;30(5):1473–1484. ]17]. Mehdinia SM, Nikravesh SH. Determining contamination of drinking water distribution network in Damghan city. Journal of Water & Wastewater. 2002;43:60-1 [Persian]. [18]. Menció A, Mas-pla J, Otero N, Regàs O, Boy-roura M, Puig R, et al. Nitrate pollution of groundwater ; all right … , but nothing else ? Science of Total Environment. 2015; 539:241-251. ]19]. Xing L, Guo H, Zhan Y. Groundwater hydrochemical characteristics and processes along flow paths in the North China plain. Journal of Assian Earth Science. 2013;70-71:250-64._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.252799.832 اکوهیدرولوژی بهبود برآورد هیدروگراف سیلاب با استفاده از مدل شمارۀ منحنی اصلاح‏شده (رابطۀ غیرخطی Ia-S) بهبود برآورد هیدروگراف سیلاب با استفاده از مدل شمارۀ منحنی اصلاح‏شده (رابطۀ غیرخطی Ia-S) دایی ساناز کارشناس ارشد مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان سالاری جزی میثم استادیار، گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان قربانی خلیل دانشیار، گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان مفتاح هلقی مهدی دانشیار، گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان 23 09 2018 5 3 931 939 23 10 2017 13 03 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67659.html

مدل شمارۀ منحنی (SCS-CN) در حالت متداول بر اساس رابطۀ خطی بین جذب اولیه (Ia) و بیشترین پتانسیل نگهداشت (S) حوضۀ آبریز است، ولی این مدل برای درنظرگرفتن رابطۀ غیرخطی Ia-S اصلاح ‌شده است. هدف از مطالعۀ حاضر مقایسۀ مدل‌های متداول شمارۀ منحنی و شمارۀ منحنی اصلاح‌شده (رابطۀ غیرخطی Ia-S) در برآورد هیدروگراف سیلاب در پنج حوضۀ آبریز گالیکش، نوده، تمر، وطنا و کچیک (کاربرد ۳۷ رویداد بارش-رواناب در محاسبات و انتخاب ۱۴ رویداد برای مقایسۀ نتایج در مرحلۀ صحت‌سنجی) است. برای مقایسۀ نتایج از معیارهای ریشۀ میانگین مربعات خطا (RMSE)، نش-ساتکلیف (NSE) و خطای برآورد دبی اوج (PEP) استفاده شده است. بررسی معیارهای RMSE و NSE و PEP نشان می‌دهد کاربرد مدل شمارۀ منحنی اصلاح‌شده (رابطۀ غیرخطی Ia-S) در همۀ رویدادهای مرحلۀ صحت‌سنجی موجب بهبود برآورد هیدروگراف و دبی اوج سیلاب نسبت به کاربرد مدل متداول شمارۀ منحنی (SCS-CN) شده است. بنابراین، نتایج نشان می‌دهد در حوضه‌های آبریز مطالعه‌شده مدل شمارۀ منحنی اصلاح‌شده (رابطۀ غیرخطی Ia-S) موجب بهبود درخور توجه کارایی مدل متداول شمارۀ منحنی (SCS-CN) شده است.

 سیلاب شمارۀ منحنی اصلاح‌شده (رابطۀ غیرخطی Ia-S) شمارۀ منحنی (SCS-CN)‌ هیدروگراف [1].King K W and Balogh, J. C. Curve numbers for golf course watersheds. Transactions of the ASABE. 2008; 51(3):987-996. [2].Tramblay Y, Bouvier C, Martin C, Didon-Lescot J. F, Todorovik D, Domergue J. M. Assessment of initial soil moisture conditions for event-based rainfall–runoff modelling. Journal of Hydrology. 2010;387(3):176-187. [3].Chung W. H, Wang I. T, Wang R. Y. Theory-based SCS-CN method and its applications. Journal of Hydrologic Engineering. 2010; 15(12):1045-1058. [4].Ponce V. M, Hawkins R. H. Runoff curve number: Has it reached maturity. Journal of hydrologic engineering. 1996; 1(1):11-19. [5].Soulis K. X, Valiantzas J. D. SCS-CN parameter determination using rainfall-runoff data in heterogeneous watersheds-the two-CN system approach. Hydrology and Earth System Sciences. 2012; 16(3): 1001-1015.‏ [6].Romero P, Castro G, Gomez J. A, Fereres E. Curve number values for olive orchards under different soil management. Soil Science Society of America Journal. 2007; 71(6):1758-1769. [7].Hawkins R. H. Asymptotic determination of runoff curve numbers from data. Journal of Irrigation and Drainage Engineering. 1993; 119(2):334-345. [8].Ebrahimian M, Nuruddin A.A, MohdSoom M.A.B, Sood, A.M. Application of NRCS-curve number method for runoff estimation in a mountainous watershed. Caspian J. Environ. Sci. 2012; 10: 103-114. [9].Cazier D.J, Hawkins R.H.Regional application of the curve number method. Water today and tomorrow. Proc. ASCE Irrigation and Drainage Division Special Conf., ASCE. New York. 1984; 710. [10].Woodward D.E, Hawkins R.H, Hjelmfelt J.R, Jr A.T, Mullem J.A, Quan, Q.D. Runoff curve number method: Examination of the initial abstraction ratio. Proc. world water Environ. Res. Congress.2003; 1-10. [11].Shi Z.H, Chen L.D, Fang N.F, Qin, D.F, Cai C.F. Research on SCSCN initial abstraction ratio using rainfall runoff event analysis in the three Gorges Area, China. Catina. 2009;77(1): 1-7. [12].Singh M. Simulating rainfall changes effects on runoff and soil erosion in submontane Punjab. M.Sc. Thesis. Punjab Agricultural University. Ludhiana. 2014. [13].Bales J, Betson R. P. The curve number as a hydrologic index. Rainfall Runoff Relationship. 1981; 371-386. [14].Hauser V. L, Jones O. R. Runoff curve numbers for the Southern High Plains. Transactions of the ASAE. 1991; 34(1):142-148. [15].Gao Y, Zhu, B, Miao C. Y. Application of SCS model to estimate the volume of rainfall runoff in sloping field of purple soil. Chinese Agricultural Science Bulletin. 2006; 22(11): 396-400. [16].Mishra S K, and Singh V. P. Another look at SCS-CN method. Journal of Hydrologic Engineering. 1999; 4(3): 257-264. [17].Mishra S K, Jain M K, Singh V P. Evaluation of the SCS-CN-based model incorporating antecedent moisture. Water resources management. 2004; 18(6): 567-589. [18].Mishra S. K, Sahu R K, Eldho T I, Jain M K. An improved Ia- S relation incorporating antecedent moisture in SCS-CN methodology. Water Resources Management. 2006; 20(5): 643-660. [19].Jiao P Xu D, Wang S, Yu Y, Han S. Improved SCS-CN method based on storage and depletion of antecedent daily precipitation. Water ResourManag. 2015; 29:4753–4765. [20].Sahu R. K, Mishra S. K, Eldho T. I. An improved AMC‐coupled runoff curve number model. Hydrological processes. 2010;24(20): 2834-2839. [21].Karn A L, Lal M, Mishra S K, Chaube U C , Pandey A. Evaluation of SCS-CN Inspired models and their comparison. Journal of Indian Water Resources Society. 2016; 36(3): 19-27. [22].Mishra S. K, Singh V. P. Soil conservation service curve number (SCS-CN) methodology. 42th ed. Springer Science and Business Media.. 2013. [23].Mishra S.K, Singh V.P. SCS-CN-based hydrologic simulation pack-age. In: Singh V.P,Frevert D.K, editors. Mathematical Models in SmallWatershed Hydrology and Applications. Water Resour. Publ, P.O. Box2841, Littleton, Colorado 80161. 2002.  pp. 391-464. [24].Mishra S.K, Singh V.P, Sansalone J.J, Aravamuthan V. A modifiedSCS-CN method: characterization and testing. J. Water Resour. Manage. 2003;17: 37-68. [25].Nash J. E, Sutcliffe J. V. River flow forecasting through conceptual models.part I- A discussion of principles. Journal of Hydrology. 1970; 10(3): 282-290. [26].Adib A, Salarijazi M, Vaghefi M, Shooshtari M. M, Akhondali A. M. Comparison between GcIUH-Clark, GIUH-Nash, Clark-IUH, and Nash-IUH models. Turkish Journal of Engineering and Environmental Sciences. 2010; 34(2): 91-104. [27].Adib A, Salarijazi M, Najafpour K. Evaluation of synthetic outlet runoff assessment models. Journal of Applied Sciences and Environmental Management. 2010; 14(3): 13-18. [28].Adib A, Salarijazi M, Shooshtari M M, Akhondali A M. Comparison between characteristics of geomorphoclimatic instantaneous unit hydrograph be produced by GcIUH based Clark Model and Clark IUH model. Journal of Marine Science and Technology. 2011; 19(2): 201-209. [29].Eidipour A, Akhondali A. M, Zarei H, Salarijazi M. Flood hydrograph estimation using GIUH model in ungauged karst basins (Case study: Abolabbas basin). TUEXENIA. 2016;36(3): 26-33._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.253183.834 مدیریت منابع آب در اکوسیستم های طبیعی به‌کارگیری مدل PHABSIM در تبیین رژیم اکولوژیکی رودخانه به‌منظور برآورد جریان زیست ‏محیطی و مقایسه با روش‏های هیدرولوژیکی (مطالعۀ موردی: رودخانۀ قره‏سو) به‌کارگیری مدل PHABSIM در تبیین رژیم اکولوژیکی رودخانه به‌منظور برآورد جریان زیست ‏محیطی و مقایسه با روش‏های هیدرولوژیکی نادری محمدحسن دانش‌آموختۀ کارشناسی ارشد مهندسی منابع آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان‌ ذاکری نیا مهدی دانشیار گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان‌ سالاری جزی میثم استادیار گروه مهندسی آب، دانشکدۀ مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان‌ 23 09 2018 5 3 941 955 21 11 2017 24 04 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67660.html

اختصاص آب به محیط‌زیست که با عنوان حق‌آبه زیست‌محیطی مطرح می‌شود، برای حفظ اکوسیستم رودخانه و پایین‌دست آن بسیار حیاتی و مهم می‌باشد. عدم تخصیص مناسب جریان زیست‌محیطی، موجب اختلال در فعالیت‌های حیاتی موجودات آب‌زی، کاهش ارتباطات بین اکوسیستم‌ها و دسترسی به مناطق مناسب جهت تخم‌ریزی و مهاجرت آبزیان گردیده است. در مطالعه حاضر روش‌های هیدرولوژیکی تنانت، تسمن و آرکانزاس به منظور برآورد حداقل جریان زیست‌محیطی و مدل شبیه‌سازی زیستگاه PHABSIM جهت تأمین حداقل شرایط زیستگاه برای گونه شاخص  سیاه ماهی C.capoeta gracilis در رودخانه قره سو  منتهی به خلیج گرگان، مورد محاسبه و ارزیابی قرار گرفتند. آمار مورد نیاز برای محاسبات هیدرولوژیکی نیز از ایستگاه هیدرومتری سیاه‌آب در طول دوره آماری 44 ساله ( 1394-1350)  استفاده شد.  اندازه گیری و ثبت متغیرهای محیطی، داده‌های مربوط به مقاطع عرضی رودخانه شامل فاصله هر مقطع از مقطع پایین‌دست در اواخر خرداد ماه 1396، در4 ناحیه اصلی و مقاطع کنترل در هر ناحیه از پایین‌دست (مصب رودخانه) به سمت بالادست و در طول رودخانه قره‌سو انجام شد. بر اساس ارزیابی اکولوژیکی، روش تنانت نیاز آب زیست‌محیطی رودخانه قره‌سو را 30 درصد متوسط دبی سالانه برای فصول بهار و تابستان و 10 درصد متوسط دبی سالانه برای فصول پاییز و زمستان به ترتیب مقادیر 57/0 و 19/0 متر مکعب بر ثانیه و روش‌های تسمن 44 درصد، آرکانزاس 64 درصد و تکنیک شبیه‌سازی زیستگاه 85 درصد میانگین جریان سالانه در رودخانه قره‌سو، به ترتیب مقادیر 856/0، 22/1 و 63/1 متر مکعب بر ثانیه، جریان زیست‌محیطی را برآورد می‌نمایند. با بررسی الزامات برآورد جریان زیست‌محیطی در رودخانه مطالعه شده، با توجه به شرایط دینامیک اکولوژیکی و زیستگاهی رودخانه، مدل شبیه‌سازی زیستگاه بسیار کاراتر از روش‌های هیدرولوژیکی ظاهر شده و پاسخ آن‌ها به مسئله تخصیص رژیم اکولوژیکی جریان می‌تواند منطقی و حافظ بقای محیط اکولوژیکی باشد.

 جریان زیست‏محیطی رودخانۀ قره‏سو روش‏های هیدرولوژیکی شبیه‏سازی زیستگاه مطلوبیت زیستگاه [1]. Yan Y, Yang Z, Liu Q, Sun T. Assessing effects of dam operation on flow regimes in the lower Yellow River. Procedia Environmental Sciences. 2010; 2:507-16. [2]. Lotfi, A. Guideline on rapid assessment of environmental features of rivers. Environment Protection Department of Iran Publication. 2012.[Persian] [3]. Tabatabai MM, Nadushan RM, Hashemi S. Impact of hydrogeomorphic processes on ecological functions of brown trout habits. International Journal of Environmental Science and Technology. 2017;14(8):1757-70. [4]. Arias M. I. E. Evaluating streamflow to characterize ecological functions of physical habitat in rivers. University of California, Davis; 2007. [5]. Waddle T. PHABSIM for Windows user's manual and exercises. 2012. [6]. Maddock I, Harby A, Kemp P, Wood PJ. Ecohydraulics: an integrated approach. John Wiley & Sons; 2013. [7]. Blanckaert K, Garcia XF, Steiger J, Uijttewaal W. Ecohydraulics: linkages between hydraulics, morphodynamics and ecological processes in rivers. Ecohydrology. 2013; 6(4):507-510. [8]. Poff NL, Richter BD, Arthington AH, Bunn SE, Naiman RJ, Kendy E, et al. The ecological limits of hydrologic alteration (ELOHA): a new framework for developing regional environmental flow standards. Freshwater Biology. 2010; 55(1):147-70. [9]. Tharme RE. A global perspective on environmental flow assessment: emerging trends in the development and application of environmental flow methodologies for rivers. River research and applications. 2003;19(56):397-441. [10]. Shokoohi A, Hong Y. Using hydrologic and hydraulically derived geometric parameters of perennial rivers to determine minimum water requirements of ecological habitats (case study: Mazandaran Sea Basin—Iran). Hydrological Processes. 2011; 25(22):3490-3498. [11]. Bahukandi KD, Ahuja NJ. Building block methodology assisted knowledge-based system for environmental-flow assessment of Suswa River of Dehradun Dist., India: A reminiscent framework, International Research Journal of Environment Sciences.2013; 2(12):74-80. [12]. Acreman M, Arthington A. H, Colloff M. J, Couch C., Crossman N. D, Dyer F, et al. Environmental flows for natural, hybrid, and novel riverine ecosystems in a changing world. Frontiers in Ecology and the Environment.2014; 12(8), 466-473. [13]. Nia ES, Asadollahfardi G, Heidarzadeh N. Study of the environmental flow of rivers, a case study, Kashkan River, Iran. Journal of Water Supply: Research and Technology-Aqua. 2016; 65(2):181-94. [14]. Booker DJ, Dunbar MJ. Application of physical habitat simulation (PHABSIM) modelling to modified urban river channels. River Research and Applications. 2004; 20(2):167-83. [15]. Islam Md.S. Nature and limitations of environmental flow methodologies and its global trends. Journal of Civil Engineering. 2010; 38(2): 141-152. [16]. Jowett IG, Hayes JW, Duncan MJ. A guide to instream habitat survey methods and analysis. Wellington: NIWA; 2008. [17]. Oberdorff T, Pont D, Hugueny B, Porcher JP. Development and validation of a fish‐based index for the assessment of ‘river health’in France. Freshwater Biology. 2002; 47(9):1720-34. [18]. Sedighkia M, Ayyoubzadeh S.A, Hajiesmaeli M. Investigation of Requirements for Estimation of the Environmental Flow in Rivers by Hydroacoustic Methods (Case Study: Delichay River located in Tehran Province). Journal of Ecohydrology. 2015; 2(3):289-300. [19]. Sedighkia M, Ayyoubzadeh SA, Hajiesmaeli M. Modification of Tennant and Wetted Perimeter Methods in Simindasht Basin, Tehran Province. Civil Engineering Infrastructures Journal. 2017; 50(2):221-31. [20]. Yi Y, Cheng X, Yang Z, Wieprecht S, Zhang S, Wu Y. Evaluating the ecological influence of hydraulic projects: A review of aquatic habitat suitability models. Renewable and Sustainable Energy Reviews. 2017; 68:748-62. [21]. Nikghalb S, Shokoohi A, Singh VP, Yu R. Ecological regime versus minimum environmental flow: comparison of results for a river in a semi Mediterranean region. Water resources management. 2016; 30(13):4969-84. [22]. Hashemi S, Majdzadeh M, Mosavi R. Range of biological currents of red tuna based on morphological and habitat parameters in the lar river basins. Journal of Natural Environment, Natural Resources of Iran. 2017; 69(3):865-880. [Persian] [23]. Zhang Q, Xiao M, Liu CL, Singh VP. Reservoir-induced hydrological alterations and environmental flow variation in the East River, the Pearl River basin, China. Stochastic environmental research and risk assessment. 2014;28(8):2119-31. [24]. Sedighkia M, Abdoli A, Ayyoubzadeh S.A, Ahmadi A.A, Gholizadeh M. Development of the native method of environmental flow in the rivers of the southern basin of Kaspian-Lar National Park. Journal of Ecology.2018; 43(3):543-560. [Persian] [25]. Shokoohi AL, Amini MA. Introducing a new method to determine rivers’ ecological water requirement in comparison with hydrological and hydraulic methods. International Journal of Environmental Science and Technology. 2014; 11(3):747-56. [26]. Tennant DL. Instream flow regimens for fish, wildlife, recreation and related environmental resources. Fisheries. 1976;1(4):6-10. [27]. Abdi R, Yasi M. Evaluation of environmental flow requirements using eco-hydrologic–hydraulic methods in perennial rivers. Water Science and Technology. 2015;72(3):354-63. [28]. Tessmann SA. Environmental Assessment. Technical Appendix E. Environmental use sector reconnaissance elements of the western Dakotas region of South Dakota study. Brookings, SD: South Dakota State University, Water Resources Research Institute. 1980. [29]. Filipek SP, Keith WE, Giese J. Status of the Instream Flow Issue in Arkansas, 1987. Journal of the Arkansas Academy of Science. 1987;41(1):43-8. [30]. Davis MM. Instream flow guidelines and protection of Georgia’s aquatic habitats. Georgia Institute of Technology; 2005. [31]. Ahmadi-nadushan B, ST-Hilaire A, Berube M, Robichaud E, Thiemonge N, Bobee B. A review of statistical methods for the evaluation of aquatic habitat suitability for instream flow assessment. River Research and Applications.2006; 22:503-523. [32]. Zamani M, Eagdari S, Zarei N. Study of the C.capoeta gracilis Habitat Suitability Index in the Kordan River. Fisheries Journal, Iranian Journal of Natural Resources.2015; 68(3):409-419. [Persian] [33]. Tabatabaei N, Hashemzadeh I, Eagdari S, Zamani M. Determinative factors in habitat preference of Paracobitis iranica (Nalbant & Bianco 1998) in Kordan River, Namak lake watershed. Journal of Aquatic Ecology. 2014; 3(4):1-9. [Persian] [34]. Gan K, McMahon T. Variability of results from the use of PHABSIM in estimating habitat area. River Research and Applications. 1990;5(3):233-9. [35]. Vosoghi G, Mostajir B. Freshwater fish. Tehran University Press.2015. [Persian] [36]. Asadi H, Sattari M, Eagdari S. Investigation of the determinants of selectivity and preferential habitat Capoeta capoeta gracilis (Keyserling 1891) in the Siahrood River. Iranian Journal of Fisheries Science. 2014; 23(3):1-9. [Persian] [37]. Abdoli A. Iranian interior water fish. Museum of Nature and Wildlife of Iran. 1999. [Persian] [38]. Thompson M. Minimum flow recommendations for the Wellington region.2015. [39]. Keenan L, Thompson M and Mzila D. Freshwater allocation and availability in the Wellington region: state and trends. Wellington: NIWA;2012. [40]. Hay J. Instream flow assessment for the lower Ruamahanga River. Prep. Gt. Wellingt. Reg. Counc. Cawthron Rep. 2008;1403. [41]. Amini M, Shookohi A. Analytical solution Determination of the fracture point of the wetted environment graph - Discharge in a hydraulic method Determining the minimum environmental flow. Journal of Hydraulic.2014; 9(1):27-43. [Persian] [42]. Zarakani M, Shookohi A, Pising V. Introducing a comprehensive ecological diet in the absence of data to determine the true environmental status of rivers. Iranian Water Resources Research Journal. 2017; 13(2):140-153. [Persian] [43]. Karimi SS, Yasi M, Eslamian S. Use of hydrological methods for assessment of environmental flow in a river reach. International Journal of Environmental Science and Technology. 2012; 9(3):549-58._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.254290.847 تغییرات اقلیم بررسی کارایی مدل ریزمقیاس‌نمایی آماری (SDSM) در شبیه‌سازی و پیش‌بینی پارامترهای اقلیمی (مطالعۀ موردی: ایستگاه سینوپتیک کرج) بررسی کارایی مدل ریزمقیاس‌نمایی آماری (SDSM) در شبیه‌سازی و پیش‌بینی پارامترهای اقلیمی (مطالعۀ موردی: ایستگاه سینوپتیک یوسفی حسین دانشیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران امینی لیلی دانشجوی کارشناسی ارشد اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران قاسمی لیلا دانشجوی کارشناسی ارشد اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران امرایی نسیبه دانشجوی کارشناسی ارشد اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران 23 09 2018 5 3 957 968 05 01 2018 24 04 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67661.html

افزایش جمعیت جهان، استفادۀ بیش ‏از ‏حد از سوخت‏های فسیلی، تغییر کاربری اراضی، گسترش روزافزون فعالیت‏های صنعتی برای تأمین رفاه و نیازهای جمعیت کرۀ زمین، موجب شده است تا پس از انقلاب صنعتی به‏تدریج تغییرات مشهودی در اقلیم کرۀ زمین به‏وجود آید که بارزترین آن افزایش متوسط دمای‏ کرۀ زمین و تبعات آن است. برای بررسی سیستم‏های اقلیمی در مقیاس‏های جهانی از مدل‏هایی با عنوان GCM استفاده می‏شود؛ این مدل‏ها، رفتار فیزیکی سیستم زمین، جوّ و اقیانوس را به شکل ریاضی شبیه‏سازی می‏کنند. در پژوهش حاضر برای ریزمقیاس‌نمایی و بررسی تغییرات اقلیم در منطقۀ کرج، از مدل SDSM استفاده شد. نتایج معیارهای آماری ارزیابی کارایی مدل رگرسیون خطی چندمتغیره نشان داد توانایی این مدل در شبیه‏سازی بارندگی و دما ایستگاه کرج نسبتاً قابل ‏قبول و با داده‏های مشاهداتی مطابقت دارد. نتایج شبیه‏سازی‏، به‏طور متوسط در سناریوی A2، در دوره‏های اول (1999ـ 2020)، دوم (2021ـ 2050) و سوم (2051ـ 2080) دربارۀ بارندگی به‌ترتیب حدود 1/0، 1/0 و 2/0 میلی‏متر نسبت به دورۀ پایه کاهش و در مورد دما به‌ترتیب حدود 1/0، 4/0 و 2/0 سانتی‏گراد نسبت به دورۀ پایه افزایش را نشان می‏دهد. تحت سناریوی B2 در دوره‏های زمانی یادشده دربارۀ بارندگی به‌ترتیب حدود صفر، 1/0 و 2/0 میلی‏متر کاهش و در مورد دما به‌ترتیب حدود 2/0، 1/0 و 1/0 سانتی‏گراد نسبت به دورۀ پایه افزایش را نشان می‏دهد. تغییرات در میزان بارندگی، سبب ایجاد تغییرات مهمی در کیفیت و کمیت منابع آب خواهد شد که نیاز به برنامه‏ریزی برای بهره‏برداری بهتر از منابع آب را نشان می‌دهد.

 تغییر اقلیم ریزمقیاس‌نمایی سناریوهای اقلیمی شبیه‏سازی مدل SDSM [1]. Azizabadi farahan M, Bakhtiari B, Ghaderi K, Rezapour M. Assessment the Effect of Climate Change on Severity- Duration-Frequency Curves Of Drought in Ghareh Sou Basin Using Detailed Functions, Journal of Iranian soil and soil research. 2017; 47(4): 743-754. [Persian] [2]. Rezaei M, Nehtani M, Abkar A, Rezaei M, Mirkazehi Rigi M. Erformance evaluation of statistical downscaling model (Sdsm) in the prediction of temperature parameters in the dry climate and Hyper (Case Study: Kerman and Bam). Journal of Watershed Management. 2014;5:10. [Persian] [3]. Shiaae beighi A, Abbaspour M, Soltanieh M, Hosseinzadeh F, Abedi Z. Assessment of climate change and its impact on the performance and fuel consumption of Iran's thermal power plants in the next decade. Journal of Science and technology of the environment. 2014;16(2). [Persian] [4]. Yaaghubi, M. Masahbovani, A. Compare and evaluate different sources of uncertainty in studying the effects of climate change on runoff of semi-arid basins (Case Study: Heart River Basin large-Yazd), Iranian Water Resources Research. 2015;11(3):113-130. [Persian] [5]. Tirgarfakheri, F. Arezumandi, L. Applications of downscaling in GCMS to create a map of rainfall in the southern coast of the Caspian, Third International Symposium on Environmental and Water Resources Engineering. 2015;1-10. [Persian] [6]. Taei Samiromi S, Moradi H, Khodagholi M. Simulation and forecasting of climatic variables by multiple linear model Sdsm and General Circulation Models (Case Study: Watershed Bar Nishapur). Journal of humans and the environment. 2014;28:1393. [Persian] [7]. Sayari N, Alizadeh A, Bannayan Awal M, Farid Hossaini A, Hesami Kermani M.R. Comparison of two GCM models (HadCM3 and CGCM2) for the prediction of climate parameters and crop water use under climate change (Case Study: Kashafrood Basin). Journal of Water and Soil. 2011; 25(4): 912-925. [Persian] [8]. Tavakol-Davani,H. Nasserib ,a M. Zahraie, B. Improved statistical downscaling of daily precipitation using SDSM platform and data-mining methods. International Journal of Climatology,1-18. [Persian] [9]. SadatAshofteh P ,MasahBoani A. Effect of Climate Change on Maximum Discharge: Case Study, Aydoghmoos Basin, East Azarbaijan, Journal of Agricultural Sciences and Technology. 2010. 14; 25-39. [Persian] [10]. Arun Mondal n, Deepak K, Sananda K. Change in rainfall erosivity in the past and future due to climate change in the central part of India, International SoilandWaterConservationResearch4,pp. 2016;186–194. [11]. Zhang Y, You Q, Chen Ch, Ge J. Impacts of climate change on streamflows under RCP scenarios: A case study in Xin River Basin, China. Atmospheric Research. 2016; 178–179 [12]. Garnaud C, Sushama L. Biosphere-climate interactions in a changing climate over North America. Journal of Geophysical Research: Atmospheres. 2014;1091-1108. [13]. Wetterhall F, Bardossy A, Chen D, Halldin S, Xu C-Y. Daily precipitation-downscaling techniques in three Chinese regions. WATER RESOURCES RESEARCH. 2006; (42)11423,1-13. [14]. Wilby, R.L. Dawson, C.W. Barrow,E.M. sdsm -a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software. 2002;17,147-159. [15]. Dibike, Y.b. and P. Coulibaly. Hydrologic impact of climate change in the Saguenay watershed: comparison of downscaling methods and hydrologic models. Journal of Hydrology. 2005;307: 145-163. [16]. Zia Hashmi,M.shamseldin,A. Comparison of SDSM and LARS-WG for simulation and downscaling of extreme precipitation events in a watershed. Stoch Environ Res Risk Assess. 2011;25,475-484. [17].Tavasoli A. Intra-Storm runoff coefficient simulation using the components of rainfall in the watershed bar Nishapur, Journal of Watershed Management Sciences and Engineering. 2010;10(4): 21-33. [Persian] [18]. Moriasi D N, Arnold JG, Van Liew M. W, Bingner R. L, Harmel, R. D, and Veith, T. L. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE. 2007; 50(3), 900-855. [19]. Taei Samiromi S, Moradi H, Khodagholi M. Selection of general circulation model and appropriate scenario for studying the effects of climate change in watershed Bar Neishabour. The 2nd National Conference on Climate Change and its Impact on Agriculture and the Environment, Orumiyeh, Collections of articles. 2013; 28-32. [Persian] _||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.254655.852 منابع آبهای زیر زمینی مدل ریاضی اثر پایین‌آمدن سطح آب رودخانه بر جریان غیر دائمی آب زیرزمینی در آبخوان نشتی به روش تفکیک متغیرها مدل ریاضی اثر پایین‌آمدن سطح آب رودخانه بر جریان غیر دائمی آب زیرزمینی در آبخوان نشتی به روش تفکیک متغیرها سعیدپناه ایرج استادیار گروه عمران دانشکدۀ مهندسی، دانشگاه زنجان محمدزاده روفچائی سمیه دانشجوی کارشناسی ارشد مهندسی عمران، دانشگاه زنجان 23 09 2018 5 3 969 976 20 01 2018 20 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67662.html

به‌منظور مدل‌سازی جریان آب زیرزمینی می‏توان از روش‏های عددی و تحلیلی بهره‌‏مند شد. در پژوهش حاضر با به‌کارگیری مدل ریاضی و استفاده از روش تفکیک متغیرها آثار پارامترهای مختلف بر آبخوان نشتی بررسی شده است. این آبخوان در مجاورت رودخانه واقع و دچار افت سطح جریان در مرز می‏شود. مقایسۀ تغییرات هد هیدرولیکی نشان می‌دهد با گذشت زمان، تغییرات سطح آب در آبخوان کمتر می‌شود و آبخوان خود را با شرایط جدید وفق می‏دهد. با افزایش ضریب هدایت هیدرولیکی، سطح جریان در آبخوان کاهش می‌یابد و کاهش هدایت هیدرولیکی، تأثیر بیشتری نسبت به افزایش آن بر آبخوان می‏گذارد. همچنین، با افزایش تغذیۀ سطحی، هد هیدرولیکی سطح جریان افزایش می‏یابد و با گذشت زمان این تغییرات مشهود‏تر است. تغییرات دبی خروجی بیشتر از تغییرات دبی ورودی است و بعد از گذشت حدود 60 روز آبخوان حالت ثباتی به خود می‏گیرد که این دو مقدار ورودی و خروجی تثبیت می‏شود. علاوه بر این‏ها، نتایج مدل‌سازی روابط ارائه‌شده در تحقیق حاضر با نتایج مدل نرم‌‏افزار مادفلو مقایسه شده است. این مقایسه نشان داد حل تحلیلی ارائه‌شده در پژوهش حاضر بسیار کارآمد است.

 آبخوان نشتی اندرکنش آب سطحی- آبخوان‌ پایین‌آمدن سطح آب تفکیک متغیرها [1]. Winter, T. C. Relation of streams, lakes, and wetlands to groundwater flow systems. Hydrogeology Journal. 1999; 7:28–45 [2]. Yang, Y.S., Wang, L. A review of modeling tools for implantation of the EU water framework directive in handling diffuse water pollution. Water Resources Management. 2010; 24:1819–1843 [3]. Courbis, A. L., Vayassade, B., Martin, C., Didon-Lescot, J.F. Modelling and simulation of a catchment in order to evaluate water resources. Global NEST Journal. 2008; 10(3): 301-309. [4]. Ma, S., Kassinos, S.C., Kassinos, D.F., Akylas, E. Modeling the impact of water withdrawal schemes on the transport of pesticides in the Kouris Dam (Cyprus). Global NEST Journal. 2008; 10(3): 350-358. [5]. Boufadel, M. C., Peridier, V. Exact analytical expressions for the piezometric profile and water exchange between stream and groundwater during and after a uniform rise of the stream level. Water resources research. 2002; 38(7): 1-6. [6]. Hussein, M., Schwartz, F.W. Modeling of flow and contaminant transport in coupled stream–aquifer systems. Journal of Contaminant Hydrology. 2003; 65: 41–64. [7]. Singh, S.K. Aquifer response to sinusoidal or arbitrary stage of semipervious stream. Journal of Hydraulic Engineering. 2004; 130(11): 1108-1118. [8]. Kim, K.Y., Kim, T., Kim, Y., Woo, N.C. A semi-analytical solution for groundwater responses to stream-stage variations and tidal fluctuations in a coastal aquifer. Hydrological Process. 2007; 21(5): 665–674. [9]. Bansal, R. K., Das, S. K. Analytical solution for transient hydraulic head, flow rate and volumetric exchange in an aquifer under recharge condition. Journal of Hydrology and Hydromechanics. 2009; 57(2): 113-120. [10]. Guo, H. P., Jiao, J.J., Li, H. L. Groundwater response to tidal fluctuation in a two-zone aquifer. Journal of Hydrology. 2010; 381:364–371. [11]. Telogloua L.S, Bansal, R k. Transient solution for stream–unconfined aquifer interaction due to time varying stream head and in the presence of leakage. Journal of Hydrology. 2012; 428: 68–79. [12]. Kashaigili, J. J., Mashauri D. A., Abdo, G. Groundwater management by using mathematical modeling: case of the Makutupora groundwater basin in dodoma Tanzania. Botswana Journal of Technology. 2003; 12(1):19–24. [13]. Palma, H. C., Bentley, L. R. A regional-scale groundwater flowmodel for the Leon–Chinandega aquifer, Nicaragua. Hydrogeology Journal. 2007; 15:1457–72. [14]. Budge, T.J., Sharp, Jr. JM. Modeling the usefulness of spatial correlation analysis on karst systems. Ground Water. 2009; 47(3):427–37. [15]. Xu, X., Huang, G., Zhan, H., Qu, Z., Huang, Q. Integration of SWAP and MODFLOW-2000 for modeling groundwater dynamics in shallow water table areas. Journal of Hydrology. 2012; 412:170–181. [16]. Saeedpanah I, GolmohamadiAzar R, New Analytical Solutions for Unsteady Flow in a Leaky Aquifer between Two Parallel Streams. Water Resources Management. 2017; 31(7): 2315–2332. [17]. Srivastava, Kirti;Serrano, Sergio E.; Workman, S. R. Stochastic modeling of transient stream aquifer interaction with the nonlinear Boussinesq equation. Journal of Hydrology. 2005;  328: 538-547._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.256186.866 تغییرات اقلیم پیش‏بینی وضعیت خشکسالی طی دورۀ 2018-2037 تحت رویکرد تغییر اقلیم (مطالعۀ موردی: ایستگاه‌های ایلام و دهلران) پیش‏بینی وضعیت خشکسالی طی دورۀ 2018-2037 تحت رویکرد تغییر اقلیم (مطالعۀ موردی: ایستگاه‌های ایلام و دهلران) نوروزی اقبال دانشجوی کارشناسی ارشد مهندسی اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران رستمی نورالدین استادیار، دانشکدۀ کشاورزی، دانشگاه ایلام جهانگیر محمدحسین استادیار، دانشکدۀ علوم و فنون نوین، دانشگاه تهران 23 09 2018 5 3 977 991 19 02 2018 24 06 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67663.html

خشکسالی به‏عنوان دوره‏ای مشخص می‏شود که در آن بارندگی نسبت به شرایط نرمال منطقه، کاهش یافته است. برای ارزیابی خشکسالی شاخص‏هایی وجود دارد. پدیدۀ خشکسالی تحت تأثیر تغییر اقلیم می‏تواند تغییرات غیرقابل پیش‏بینی داشته باشد. در ‌تحقیق حاضر ابتدا با استفاده از داده‏های بارندگی ماهانه، خشکسالی دورة پایه 1998ـ 2017 در سری‏های زمانی 3، 6، 12 و 24 ماهه در ایستگاه‏های هواشناسی ایلام و دهلران واقع در استان ایلام ارزیابی شد. سپس، با استفاده از داده‏های روزانۀ بارش، دمای کمینه، دمای بیشینه و تابش با استفادۀ مدل ریزمقیاس LARS-WG 5.5 و تحت مدل گردش عمومی Hadcm3 و سناریوهای اقلیمی A2 و B1، مقادیر بارش ماهانۀ دورة آتی (2018-2037) ‌بررسی شد. سپس، با استفاده از مقادیر بارش ماهانه، شاخص خشکسالی SPI برای دورة آینده و در سری‏های زمانی 3، 6، 12 و 24 ‌ارزیابی شد. نتایج ارزیابی خشکسالی در دورة پایه در ایستگاه ایلام نشان داد ‌دورۀ 2008-2014 نسبتاً مرطوب بوده است. همچنین، در ایستگاه دهلران در اوایل دوره، ترسالی را نشان داده است. درضمن، مدل LARS-WG در پیش‏بینی بارش در منطقۀ مطالعه‌شده عملکرد خوبی را نشان داد. ارزیابی خشکسالی در دورة آینده بر اساس سناریوهای A2 و B1 نشان داد در ایستگاه ایلام بین سال‏های 2025 تا 2035 دورة تقریباً خشکی و نیز، در ایستگاه دهلران از سال 2019 تا 2021 دورۀ کامل خشکی خواهد بود. همچنین، نتایج نشان می‌دهد با افزایش دورة آماری، تداوم دوره‏های خشکسالی و ترسالی بیشتر و شدت آنها کمتر خواهد بود.

 تغییر اقلیم شاخص SPI مدل LARS-WG مدل Hadcm3 [1]. Van Pelt SC, Swart RJ. Climate change risk management in transnational river basin: The Rhine. Water Resource Management, 2011; 25(1): 3837-3861. [2]. IPCC (Intergovernmental Panel on Climate Change). Summary for policy makers. In: IPCC. Climate change: The physical Science basic, Contribution of working group first to the Fourth assessment report of the intergovernmental panel on climate change, Cambridge university press, 2007: 450p. [3]. Quevauviller P. Adapting to climate change: reducing water-related risks in Europe – EU policy and research considerations. Environmental Science and Policy, 2011; 14(7): 722-729.  [4]. Parvaneh B, Dargahian F, Shiravand H. Prediction of Drought in Lorestan province during 2011-2030 by downscaling 4 GCM models. Quarterly Geographical Journal of Territory, 2015; 12 (45):1-13. [Persian]. [5]. Golmohammadi M, Massah Bavani A. The Perusal of Climate Change Impact on Drought Intensity and Duration, Journal of Water and Soil, 2011; 25(2): 315-326. [Persian]. [6]. Kiem AS, Austin EK. Drought and the future of rural communities: Opportunities and challenges for climate change adaptation in regional Victoria, Australia. Global Environmental Change, 2013; 23:1307-1316. [7]. Philip GO, Babatunde JA, Gunner L. Impacts of climate change on hydro-meteorological drought over the Volta Basin, West Africa. Global and Planetary Change, 2017; 155; 121-132. [8]. Vidal JP, Wade S. A multimodel assessment of future climatological droughts in the United Kingdom. International Journal of Climatology, 2009; 29(14): 2056-2071. [9]. Babaeian E, Nagafineik Z, Zabolabasi F, Habibie M, Adab H, Malbisei S. Climate Change Assessment over Iran During 2010-2039 by Using Statistical Downscaling of ECHO- G Model, 2010; 7(16): 135-152. [Persian]. [10]. Abdul Hosseini M, Eslamian S, Musavi SF. Analysis of variation of drought socio-economic characteristics and the effect of climate change, First National Conference on Meteorology and Water Management, Tehran, University of Technology, Department of Irrigation Engineering. 2010: 1-10. [Persian]. [11]. Dastorani MT, Massah Bavani A, Poormohammadi S, Rahimian MH. Assessment of potential climate change impacts on drought indicators (case study: Yazd Station, Central Iran), Journal of Desert, 2011; 16(2):159-167. [Persian]. [12]. Abbasi F, Asmari M. Forecasting and Assessment of Climate Change over Iran During Future Decades by Using MAGICC-SCENGEN Model, Journal of Water and Soil, 2011; 25(1): 70-83. [Persian]. [13]. Vrochidou AE, Tsanis IK, Grillakis MG, Koutroulis AG. The impact of climate change on hydro meteorological droughts at a basin scale. Journal of Hydrology, 2013; 476(8): 290-301. [14]. Salehpour jam A, Mohseni Saravi M, Bazrafshan J, Khalighi S. Investigation of Climate Change Effect on Drought Characteristics in the Future Period using the HadCM3 model (Case Study: Northwest of Iran), Journal of Range and Watershed Management, 2015; 67(4): 537-548. [Persian]. [15]. Nikbakht Shahbazi A. Standard Precipitation Index (SPI) analysis in Karoon 3 Watershed under climate change, Journal of Science Water Engineering, 2013; 3(8): 83-98. [Persian]. [16]. Hoseinizade A, Seyed Kaboli H, Zarei H, Akhond Ali AM. The Intensity and Return Period of Drought under Future Climate Change Scenarios in Dezful Iran, Journal of Irrigation Science Engineering, 2016; 39(1): 33-43. [Persian]. [17]. Sajjad Khan M, Coulibaly P, Dibike Y. Uncertainty analysis of statistical downscaling methods. Journal of Hydrology, 2006; 319(1-4): 357-382. [18]. McKee TB, Doesken NJ, Kleist J. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, 1996; 17(22):179-183. [19]. Thom HCS. A note on the gamma distribution, Weather Review, 1958; 86(4):117-122. [20]. Abramowitz, M., Stegun, I.A. Handbook of Mathematical Functions. Dover Publications, 1965; New York. [21]. Edwards DC, McKee TB. Characteristics of 20th century drought in the United States at multiple time scales. Colorado State University, Climatology Report Number 97–2, Fort Collins, Colorado, 1997. [22]. Pirnia A, Golshan M, Bigonah S, Solaimani Karim. Investigating the drought characteristics of Tamar basin (upstream of Golestan Dam) using SPI and SPEI indices under current and future climate conditions, Journal of Ecohydrology, 2018; 5(1); 215-228. [Persian]. [23]. Bazrafshan O, Mohseni Saravi M, Malekian A, Moeini A. A study on drought characteristics of Golestan Province using Standardized Precipitation Index (SPI). Iranian Journal of Range and Desert Reseach, 2011; 18 (3):395-407. [Persian]._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.257381.875 منابع آبهای زیر زمینی مقایسه و پهنه بندی کیفیت منابع آب زیرزمینی دشت بجنورد طی دوره‏ های خشکسالی و ترسالی با استفاده از شاخص ‏های SPI، RAI و PN مقایسه و پهنه بندی کیفیت منابع آب زیرزمینی دشت بجنورد طی دوره‏ های خشکسالی و ترسالی با استفاده از شاخص ‏های SPI، یوسفی حسین دانشیار، دانشکدۀ علوم و فنون نوین، دانشگاه تهران کاشکی عبدالرضا استادیار، دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری کرمی مختار استادیار، دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری حسین زاده احمد دانشجوی دکترای اقلیم‏شناسی شهری، دانشکدۀ جغرافیا و علوم محیطی، دانشگاه حکیم سبزواری ریحانی الیاس دانشجوی کارشناسی ارشد اکوهیدرولوژی، دانشکدۀ علوم و فنون نوین، دانشگاه تهران 23 09 2018 5 3 993 1005 01 01 2018 25 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67664.html

یکی از پیامدهای مهم تغییر اقلیم، افزایش شدت خشکسالی است. خشکسالی یک پدیدۀ طبیعی تکرارشونده است که با کمبود منابع آب در دسترس در یک محدودۀ جغرافیایی بزرگ و در یک دورۀ زمانی مشخص، ارتباط دارد. در سال‏های اخیر، افزایش فراوانی وقوع پدیده‏های حدی اقلیمی مانند سیل و خشکسالی، همراه با شواهد گرمایش جهانی سبب افزایش توجه به موضوع‌های اقلیمی شده است. در تحقیق حاضر ابتدا با احصای آمارهای اقلیمی دو ایستگاه بجنورد و اسدلی وضعیت خشکسالی دشت بجنورد با توجه به شاخص‏های خشکسالی SPI، RAI و PN ‌بررسی شده است. سپس، با استفاده از نمودارهای پایپر و ویلکاکس کیفیت منابع آب زیرزمینی طی دوره‏های خشکسالی و ترسالی مقایسه شده است. نتایج بررسی نشان می‌دهد دشت بجنورد طی سال‏های اخیر در وضعیت خشکسالی قرار داشته است. همچنین، نتایج نشان می‏دهد کیفیت منابع آب در دورۀ ترسالی بیشتر آب‏های ترکیبی و شیرین بوده، اما در دورۀ خشکسالی رخسارۀ آب بیشتر از نوع ترکیبی و شورمزه بوده است. ‌در ضمن، نتایج نشان می‏دهد در دورۀ خشکسالی بیش از 50 درصد چاه‏های نمونه در وضعیت بسیار شور و نامناسب برای کشاورزی قرار داشته‌اند.

 آب‏های زیرزمینی پهنه ‏بندی خشکسالی دشت بجنورد [1]. Kelanki M and Karandish F. Forecasting the long-term effects of climate change on climatic components in the region wet, journal of Water and Irrigation Engineering,2015,20(5),131-148.[Persian] [2].  Navare A. An Analysis on International Society Practice toward the Climate Change. Environmental research.2015; 5 (9), 47-58.[Persian] [3].  Jamali Z, Khoorani A. Impacts of climate change on extreme precipitation events in arid (Bandar Abbas) and semi-arid (Shahrekord) stations in Iran. Natural Environment Change. 2015 Jul 1; 1(1):85-94. [Persian] [4].  farajzadeh m and ahmadian g. Temporal and Spatial Analysis of Drought with use of SPI Index in Iran. Journals management system.2014; 3(4), 1-16. [Persian] [5].  HOSEINIZADE A, SEYED KH, ZAREI H, AKHON AA. The Intensity and Return Period of Drought under Future Climate Change Scenarios in Dezful, Iran. Journal of irrigation science and engineering.2016; 39(1), 33-43.[Persian] [6].  ASADZADEH F, KAKI M, SHAKIBA S, RAEI B. Impact of drought on grounwater quality and groundwater level in QORVEH-CHARDOLI plain. Iran-water resources research.2016; 12(3), 153-165.[Persian] [7].  Jahangir M, Norozi e. Numerical comparison of RAI and PNPI meteorological indices to assess and quantify the drought situation in Khuzestan province. Journal of echohydrology, 2017; 4(3), 923-930.[Persian] [8].  Naserzade M, Ahmadi E. Evaluation of the performance of meteorological drought indicators in drought evaluation and zoning in Qazvin province.Researches in Geographical Sciences; 2013, 12(27): 141-162.[Persian] [9]. Borna R ,Azimi F ,Saeidi dehaki N. Comparison of SIAP, PN, RAI indicators In the study of drought in Khuzestan province With emphasis on Abadan and Dezful stations, Natural History Quarter,2010;3(9),77-88.[Persian] [10].             ANSARI H, DAVARI K, Sanaeinezhad SH. Drought monitoring with new precipitation and evapotranspiration index based on Fuzzy Logic. Journal of Water and Soil,2010;24(1),38-52. [11].            Bazrafshan O, MOHSENI SM, Malekian A, Moeini A. A study on drought characteristics of Golestan province using standardized precipitation index (SPI). Journal of rangeland and desert research, 2011; 18(3), 395-407. [12].            Yosefi H, Nohegar A, KHosravi Z, Farahani M. Management and zonation Drought using SPI and RDI indices (case study: Markazi province),Journal of echohydrology,2015;2(3):337-344. [Persian] [13].            Pramudya Y ,Onishi T. Assessment of the Standardized Precipitation Index (SPI) in Tegal City, Central Java, Indonesia, IOP Conf. Series, Earth and Environmental Science, 2018 Mar;129(1):12-19. [14].            Roshan M, Karimi V, Abjar J. Investigation of meteorological drought Indices in Mazandaran synoptic Stations,2011;2(5),15-25.[Persian] [15].            Moasedi A, Qabaei M. Modification of Standardized Precipitation Index (SPI) Based on Relevant Probability Distribution Function, Journal of Water and Soil, 2011; 25(5):1206-1216.[Persian] [16].            Khandouzi F ,Zangane A ,Zamani A ,Zhahamat Y. Survey of Hydro-geochemical Quality and Health of Groundwater in Ramian, Golestan Province, Iran, Journal of Health Research in Community,2015,1(3):41-52.[Persian] [17].            Mooney PH. Toward a class analysis of Midwestern agriculture. Rural Sociology. 1983 Dec 1; 48(4):563. [18].            Sikdar P, Sarkar S, Palchoudhury k, S. Geochemical evolution of groundwater in the Quaternary aquifer of Calcutta and Howrah, India, Journal of Asian Earth Sciences,2008;19(5),579-594. [19].            Nadiri A , Asghari A , Frank T-C, Fijani E. Hydrogeochemical analysis for Tasuj plain aquifer, Iran, Journal of Earth System Science,2013;122(4),1091-1105. [20].            Giglo B, Farid B, Najafi Nejad A, Moqani V, Qiasi A. Evaluation of water quality variation of Zarringol river, journal of Water and Soil Conservation Studies,2013;20(1),77-95.[Persian]_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.257411.874 مروری مروری بر اثر نانوسیالات در کاهش میزان هدررفت آب و بهبود مشخصه‌های حرارتی در برج‌های خنک‌کن مروری بر اثر نانوسیالات در کاهش میزان هدررفت آب و بهبود مشخصه‌های حرارتی در برج‌های خنک‌کن راضی آستارایی فاطمه استادیار دانشکدۀ علوم و فنون نوین دانشگاه تهران موسوی سید علی دانشجوی کارشناسی ارشد گروه مهندسی انرژی‌های نو و محیط‏ زیست، دانشکدۀ علوم و فنون نوین، دانشگاه تهران 23 09 2018 5 3 1007 1015 21 12 2017 24 06 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67720.html

در بیشتر کارخانه‏ها، برج‏های خنک‏کن جزء کاربردی‏ترین تجهیزاتی هستند که برای حذف حرارت اضافی در فرایند و پس‏دادن آن به محیط استفاده می‌شوند. مقالۀ حاضر یک مرور اجمالی بر روش‏های نوین در حوزۀ تأثیر انواع نانوسیالات بر بهبود خواص حرارتی و کاهش میزان هدررفت آب است. نانوسیالات می‏توانند خواص حرارتی همچون ظرفیت گرمایی ویژه و ضریب رسانش حرارتی را بهبود بخشند و سبب افزایش ویسکوزیته و چگالی در مقایسه با سیال پایه شوند. پراکنده‌شدن نانوذره سبب افزایش کشش سطحی نانوسیال شده و مقاومت در برابر تبخیرشدن آب افزایش می‌یابد. بنابراین، در مقالۀ حاضر تأثیر نانوسیالات روی‏اکساید/آب، گرافیت نانوپروس/آب، آلومینا/آب، تیتانیوم اکساید/آب و مس اکساید/آب را با غلظت‏های متفاوت بر بهبود عملکرد برج‏های خنک‏کن بررسی می‌شود. در تحقیقات مشاهده‏شده با استفاده از نانوسیالات مشخصه‏هایی از جمله میزان خنک‏کردن، مشخصۀ برج‏ خنک‏کن، ضریب انتقال حرارت حجمی و بازده بهبود می‏یابد. بهترین نمونۀ گزارش‌شده در مقالات انجام‌شده، استفاده از نانوسیال روی‏اکساید/آب با غلظت‏های 02/0 و 05/0 wt% ‌است که ویژگی مشخصۀ حرارتی را به‌ترتیب به میزان 5/21 و 5/22 درصد در مقایسه با آب خالص بهبود داده ‏بود. در ادامه، نتایج آنالیز حساسیت در تحقیقات صورت‌گرفته تحلیل و بررسی می‏شود.

 برج خنک‏کن عملکرد حرارتی نانوسیال هدررفت آب [1]. Askari S, Lotfi R, Seifkordi A, Rashidi AM, Koolivand H. A novel approach for energy and water conservation in wet cooling towers by using MWNTs and nanoporous graphene nanofluids. Energy conversion and management. 2016 Feb 1;109:10-8. [2]. Zhai Z, Fu S. Improving cooling efficiency of dry-cooling towers under cross-wind conditions by using wind-break methods. Applied Thermal Engineering. 2006 Jul 1;26(10):1008-17. [3]. Imani-Mofrad P, Saeed ZH, Shanbedi M. Experimental investigation of filled bed effect on the thermal performance of a wet cooling tower by using ZnO/water nanofluid. Energy Conversion and Management. 2016 Nov 1;127:199-207. [4]. Xie X, Zhang Y, He C, Xu T, Zhang B, Chen Q. Bench-Scale Experimental Study on the Heat Transfer Intensification of a Closed Wet Cooling Tower Using Aluminum Oxide Nanofluids. Industrial & Engineering Chemistry Research. 2017 May 12;56(20):6022-34. [5]. Goodarzi, M., Kiasat, M., Influence of nanoparticle immersed in water on Thermal performance of wet cooling tower. 1th tajhizatconf., Dec. 2013. Tehran, Iran. [Persian]. [6]. Babu JR, Kumar KK, Rao SS. State-of-art review on hybrid nanofluids. Renewable and Sustainable Energy Reviews. 2017 Sep 1;77:551-65. [7]. Esfe MH, Alirezaie A, Rejvani M. An applicable study on the thermal conductivity of SWCNT-MgO hybrid nanofluid and price-performance analysis for energy management. Applied Thermal Engineering. 2017 Jan 25;111:1202-10. [8]. Yarmand H, Gharehkhani S, Ahmadi G, Shirazi SF, Baradaran S, Montazer E, Zubir MN, Alehashem MS, Kazi SN, Dahari M. Graphene nanoplatelets–silver hybrid nanofluids for enhanced heat transfer. Energy conversion and management. 2015 Aug 1;100:419-28. [9]. Rao RV, Patel VK. Optimization of mechanical draft counter flow wet-cooling tower using artificial bee colony algorithm. Energy Conversion and Management. 2011 Jul 1;52(7):2611-22. [10]. Atarzadeh MA, Rasouli S, Mehmandoust B. Numerical Analysis the Equations of Heat and Mass Transfer in Cooling Towers. Department of Mechanical Engineering, Islamic Azad University, Khomeini Shahr Branch, Khomeini Shahr, Iran. 2015. [11]. Alavi SR, Rahmati M. Experimental investigation on thermal performance of natural draft wet cooling towers employing an innovative wind-creator setup. Energy conversion and management. 2016 Aug 15;122:504-14. [12]. Azad AV, Azad NV. Application of nanofluids for the optimal design of shell and tube heat exchangers using genetic algorithm. Case Studies in Thermal Engineering. 2016 Sep 1;8:198-206. [13]. Pak BC, Cho YI. Hydrodynamic and heat transfer study of dispersed fluids with submicron metallic oxide particles. Experimental Heat Transfer an International Journal. 1998 Apr 1;11(2):151-70. [14]. Lim S, Horiuchi H, Nikolov AD, Wasan D. Nanofluids alter the surface wettability of solids. Langmuir. 2015 May 21;31(21):5827-35. [15]. Bhuiyan MH, Saidur R, Amalina MA, Mostafizur RM, Islam AK. Effect of nanoparticles concentration and their sizes on surface tension of nanofluids. Procedia Engineering. 2015 Jan 1;105:431-7._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.241942.728 اکوهیدرولوژی بررسی تأثیر افت سطح آب زیرزمینی روی فرایند فرسایش خاک و تشکیل پدیدۀ گردوغبار بررسی تأثیر افت سطح آب زیرزمینی روی فرایند فرسایش خاک و تشکیل پدیدۀ گردوغبار عزیزیان غلامرضا استادیار، دانشکدۀ مهندسی شهید نیکبخت، گروه مهندسی عمران، دانشگاه سیستان و بلوچستان هاشمی منفرد سید آرمان دانشیار، دانشکدۀ مهندسی شهید نیکبخت، گروه مهندسی عمران، دانشگاه سیستان و بلوچستان جوان محصل امیرحسین فارغ‌التحصیل کارشناسی ارشد، دانشکدۀ مهندسی شهید نیکبخت، گروه مهندسی عمران، دانشگاه سیستان و بلوچستان دهقانی درمیان محسن دانشجوی دکتری، دانشکدۀ مهندسی شهید نیکبخت، گروه مهندسی عمران، دانشگاه سیستان و بلوچستان 23 09 2018 5 3 1017 1035 23 09 2017 15 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67721.html

‌حفر بی‏رویۀ چاه‏های عمیق، سبب افت سطح آب زیرزمینی و مسائل ناشی از آن شده است که مهم‏ترین آن نابودی پوشش گیاهی دشت‏ها است که آب مورد نیاز خود را از رطوبت موجود در زمین می‏گیرند. هدف از تحقیق حاضر، تجزیه و تحلیل کاهش رطوبت خاک سطحی و منبع تولید گردوغبار در حوضۀ هامون- هیرمند از استان سیستان و بلوچستان است. به منظور رسیدن به این اهداف، از نرم‏افزار WEAP برای شبیه‏سازی افت جریان زیرسطحی استفاده شده و سپس با اعمال سناریوهای مدیریتی منابع آب، مقدار افت جریان زیرسطحی تا سال 2031 شبیه‏سازی شد. با استفاده از روش تحلیل سلسله‌مراتبی بهترین گزینه از بین سناریوها انتخاب شد. منطقۀ مطالعه‌شده تحت این سناریو در پایان سال هدف، 29 سانتی‏متر افت جریان زیرسطحی دارد و مقدار کل نیاز تأمین‌نشده برای معیارهای مختلف همچون شرب، کشاورزی و زیست‌محیطی برابر 83/1804 میلیون مترمکعب است. سرعت باد در منطقۀ مطالعه‌شده بیش از سرعت آستانۀ حرکت ذرات است (بیش از 400 سانتی‌متر بر ثانیه)، بنابراین منطقه توان تولید گردوغبار دارد. برای تجزیه و تحلیل کاهش رطوبت خاک سطحی از مدل HYDRUS-1D در مقالۀ حاضر استفاده شده است و نتایج به‌دست‌آمده نشان از کاهش مقدار رطوبت خاک در هر سال دارد. درضمن، ارتباط بین افت جریان زیرسطحی و کاهش مقدار رطوبت خاک در تولید گردوغبار بررسی شد و این نتیجه به دست آمد که کاهش رطوبت خاک سطحی ارتباط نزدیکی با افت جریان زیرسطحی به اندازۀ حداکثر 83/93 سانتی‌متر و همچنین توان تولید گردوغبار متناسب با آن را دارد.

 افت سطح آب زیرزمینی حوضۀ هامون‌ـ ‏هیرمند رطوبت خاک گردوغبار [1]. Subramanya, K. Engineering Hydrology. 1nd ed. Mashhad: Hashemi, S, R; 2003. [Persian] [2]. Kardvani, P. The desert (salt) of central Iran and its neighboring areas. 1nd ed. Tehran: Tehran University Press; 2007.[Persian] [3]. Elmore, A. Kaste, J. Okin, G. Fantle, M. Groundwater influences on atmospheric dust generation in deserts. Journal of Arid Environments. 2008; 72(1): 1753– 1765.  [4]. Maki T, Hara K, Iwata A, Lee KC, Kawai K, Kai K, Kobayashi F, Pointing SB, Archer S, Hasegawa H, Iwasaka Y. Variations in airborne bacterial communities at high altitudes over the Noto Peninsula (Japan) in response to Asian dust events. Atmospheric Chemistry and Physics. 2017 Oct 9;17(19):11877-97.  [5]. Maki T, Kurosaki Y, Onishi K, Lee KC, Pointing SB, Jugder D, Yamanaka N, Hasegawa H, Shinoda M. Variations in the structure of airborne bacterial communities in Tsogt-Ovoo of Gobi desert area during dust events. Air Quality, Atmosphere & Health. 2017 Apr 1;10(3):249-60. [6]. Bi J, Huang J, Shi J, Hu Z, Zhou T, Zhang G, Huang Z, Wang X, Jin H. Measurement of scattering and absorption properties of dust aerosol in a Gobi farmland region of northwestern China–a potential anthropogenic influence. Atmospheric Chemistry and Physics. 2017 Jun 15;17(12):7775. [7]. Zangane, M. Meteorology of dust storms in Iran. Two Applied Meteorological Quarterly.2014; (1): 1-12. [Persian] [8]. Yasrebi, S. Unsaturated soil mechanics. 1nd ed. Tehran: Knowledge Shape; 2007. [Persian] [9]. Abbasi, H, R. Baranizade, M, R. Khaksarian, F. Gohardost, A. A simple method for determining the susceptibility of land to winding on the basis of field data of the sampling center of Sistan. Third National Conference on Wind Erosion and Dust Hurricanes.2013; (1):1-10. [Persian] [10]. Maher, B, A. Prospero, J, M. Mackie, D. Gaiero, D. Hesse, P, P. Balkanski, F. Global connections between aeolian dust, climate and ocean biogeochemistry at the present day and at the last glacial maximum. Earth-Science Reviews. 2010; (1): 61–97. [11]. Servati, M, R. Yosefiroshan, M, R. Issues related to the transfer of sand and fine particles (dust) (by wind in dry and low water areas. Geographical Information (Sepehr).2011; (21):16-35. [Persian] [12]. Kyaniselmy, E. Honarbakhsh, A. Abdolahy, KH. Sensitivity analysis of soil moisture model for continuous simulation in Beheshtabad Basin. Journal of Ecohydrology. 2017; (4): 1117-1127. [Persian] [13]. Pointing, S, B. Belnap, J. Disturbance to desert soil ecosystems contributes to dust-mediated impacts at regional scales, Biodivers Conserv. 2014; 1659–1667. [14]. Ragabpor, H. Mahmodabadi, M. Study of the severity of wind erosion in two soils with different particle size. International Conference on Plant, Water, Soil, and Soil Modeling.2013; ;(2):18-28. [Persian] [15]. Salehi, M, H. Sfandyarpor, A. Mohajer, R. Bagheri, M. Water and soil protection. 1nd ed. Tehran: Payam Noor university; 2013. [16]. Ghobadyan, R. Bahrami, Z. DabaghBaghry, S. Application of management scenario in prediction of groundwater fluctuations with MODFLOW conceptual and mathematical model (Case Study: Khazal Plain - Nahavand). Journal of Ecohydrology. 2016; (3): 303-319. [Persian] [17]. Mohammadi, A. Delbari, M. Chari, M, M. Comparison of SWAP and HYDRUS-1D models in simulating water movement and salt concentration in soil. National Conference on Irrigation and Reduction of Evaporation.2013 ;( 12):12-22. [Persian] [18]. Asar, A. Derakhshannegad, Z. Soltanimohammadi, A. Goshe, M. Soil moisture simulation with HYDRUS-1D model in wheat cultivation conditions. Journal of Irrigation Science and Engineering. 2014 ;( 37):81-92. [Persian] [19]. X. Guan, J. Huang1, Y. Zhang1, Y. Xie1 and J. Liu , The relationship between anthropogenic dust and population over global semi-arid regions. Atmos Chem. Phys., , 5159–5169, 2016. [20]. Song H, Wang K, Zhang Y, Hong C, Zhou S. Simulation and evaluation of dust emissions with WRF-Chem (v3. 7.1) and its relationship to the changing climate over East Asia from 1980 to 2015. Atmospheric Environment. 2017 Oct 1;167:511-22. [21]. H. Shen, J.Abuduwail, A. Samat. L. Ma, A review on the research of modern aeolian dust in Central Asia, Arab J Geosci (2016) 9: 625. [22]. Nakhaei S. Water resources allocation considering the effects of climate change in the catchment area (Case study: Sarbaz River). Master's Thesis in Civil Engineering. 2017 July. [Persian] [23]. Alizadeh A. Investigation of groundwater drawdown effect on salinity in close sub-basins with different qualities and surface/groundwater management to control this phenomena. Master's Thesis in Civil Engineering. 2015 Sep. [Persian] [24].Ajamzade, A. WEAP model application guide. 1nd ed. Tehran: Islamic Azad University; 2015. [Persian] [25]. Ramrodi, H, A. Ajdarimoghadam, M. Management of water resources of Pearsarab Uorki region of Sistan and Baluchestan province in case of increasing water requirements by assessing WEAP model. Research in Civil Engineering, Architecture, Urbanism and Sustainable Environment.2015; 1-13. [Persian] [26]. Shahidi, A. Ahmadi, M. Video tutorial model HYDRUS. 1nd ed. Tehran: Kalk Zarin; 2014. [Persian] [27]. Water Resources Development Report. 1nd ed. Tehran: Sistan and Baluchestan Regional Water Company; 2015. [Persian] [28]. Khosravi, M. Long-Term Spatial Analysis of Lake Hamoon. Iranian Water Resources Research Journal.2010 ;( 6):68-79. [Persian] [29]. Mirakzehi K, Pahlavan-Rad MR, Shahriari A, Bameri A. Digital soil mapping of deltaic soils: A case of study from Hirmand (Helmand) river delta. Geoderma. 2018 Mar 1;313:233-40. [30]. Ashrafi ZN, Ghasemian M, Shahrestani MI, Khodabandeh E, Sedaghat A. Evaluation of hydrogen production from harvesting wind energy at high altitudes in Iran by three extrapolating Weibull methods. International Journal of Hydrogen Energy. 2018 Jan 17. [31]. Kamali S, Mofidi A, Zarrin A, Nazaripour H. Sensitivity studies of the forth-generation regional climate model simulation of dust storms in the Sistan plain, Iran. Modeling Earth Systems and Environment. 2017 Jun 1;3(2):769-81. [32]. Ashrafi K, Motlagh MS, Neyestani SE. Dust storms modeling and their impacts on air quality and radiation budget over Iran using WRF-Chem. Air Quality, Atmosphere & Health. 2017 Nov 1;10(9):1059-76. [33]. Alizadeh-Choobari O, Zawar-Reza P, Sturman A. The “wind of 120 days” and dust storm activity over the Sistan Basin. Atmospheric research. 2014;143:328-41.  [34]. Zamani, Y. Managing the utilization of water resources, taking into account the need for stabilization of the microstates and evaluating different scenarios. Master's Thesis in Civil Engineering. 2015. [Persian] [35]. Report of first phase water supply studies in Sistan Plain (Sistan Subsoil Water Resources. Regional water company in Sistan and Baluchestan province.2013[Persian] [36]. Meteorological Organization of Sistan and Baluchestan Province, 1395. [Persian] [37]. Amiri, Sh. Mahdavimoghadam, M. Investigation of water resources management in the catchment area using WEAP model (Case study of Hamoon Hearmand Basin). National Conference on Water Crisis Advances in Iran and the Middle East.2014 ;( 2):1-9. [Persian] [38]. Chepil, W, S. Woodruff, N, P. The Phtsics of Wind Erosion and Its Control. 1nd ed. United States: Deportment of Agriculture; 2010. [39]. Operations Report and Soil Mechanics Studies of Sistan Regional Administrative Park Project.2014. [Persian]_||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.248647.797 مدیریت منابع آب در اکوسیستم های طبیعی مدیریت تقاضای مصرف آب با رویکرد اقتصادی در شمال استان سیستان و بلوچستان مدیریت تقاضای مصرف آب با رویکرد اقتصادی در شمال استان سیستان و بلوچستان شهرکی جواد دانشیار دانشکدۀ علوم زیست‌محیطی و کشاورزی پایدار، دانشگاه سیستان و بلوچستان رهنما علی دانشجوی دکتری اقتصاد کشاورزی، دانشکدۀ علوم زیست محیطی و کشاورزی پایدار، دانشگاه سیستان و بلوچستان خاکسار آستانه حمیده هیئت علمی گروه اقتصاد گردشگری جهاد دانشگاهی خراسان رضوی 23 09 2018 5 3 1037 1049 22 12 2017 31 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67722.html

در کشورهای کم‌آب مانند ایران، توجه به تمامی منابع آبی اهمیت زیادی دارد و این امر در قالب مدیریت یکپارچۀ منابع آبی قابل اجرا خواهد بود. مطالعۀ حاضر عوامل مؤثر بر تقاضای آب در مصارف کشاورزی و خانگی و میزان تقاضای آب و کشش‏های درآمدی و قیمتی در بخش خانگی در شمال استان سیستان و بلوچستان را بررسی کرده است. به این منظور، در بخش خانگی از تابع مطلوبیت استون‌ـ گری استفاده شده و در بخش کشاورزی با به‌کارگیری مدل لاجیت، عوامل کمی و کیفی مؤثر بر مدیریت بهینۀ منابع آب بررسی شده است. تخمین ضرایب تابع تقاضای خانگی برای آب آشامیدنی در شهرستان‌های زابل و زهک نشان داد اگر در هر ماه یک نفر به جمعیت شهر اضافه شود، به متوسط ماهانۀ مصرف سرانۀ خانگی آب 00079/0 مترمکعب افزوده می‏شود. همچنین، اگر به صورت ماهانه یک ریال به قیمت واقعی آب اضافه (کم) شود، متوسط ماهانۀ مصرف سرانۀ خانگی آب 54/2 مترمکعب کاهش (افزایش) می‏یابد و اگر در هر ماه یک درجۀ سانتی‌گراد متوسط کمترین دمای روزانه افزایش (کاهش) یابد، متوسط ماهانۀ مصرف سرانۀ خانگی آب 306/0 مترمکعب افزایش (کاهش) می‏یابد. همچنین، تقاضای سرانه در حالت کلی برابر 5/61 مترمکعب در سال و اضافۀ مصرف سرانه در این حالت 8/26 مترمکعب است. همچنین، کشش‏های قیمتی و درآمدی تقاضای خانگی آب در این حالت به‌ترتیب برابر با 282/0 و 373/0 هستند که نشان‏دهندۀ کم‌کشش بودن تقاضای آب نسبت به قیمت است. کشش درآمدی نیز کمتر از یک بوده و بیان‌کنندۀ ضروری‌بودن کالای آب است. نتایج تخمین مدل مصرف بهینۀ آب کشاورزی نیز نشان داد بیشترین تأثیر مربوط به متغیر سابقه و تجربۀ کاری است و سپس به‌ترتیب متغیرهای استفاده از کودها و سموم شیمیایی، نوع کانال‏های ارتباطی، روش آبیاری، آموزش و سطح تحصیلات بیشترین تأثیر را در استفادۀ بهینه از منابع آب کشاورزی دارند.

 تابع مطلوبیت استون- گری شمال سیستان و بلوچستان مدل لاجیت مدیریت تقاضای مصرف آب‌ [1]. Mousavi SN, Kavoosi Kalashami M. Evaluation of seasonal, ANN, and hybrid models in modeling urban water consumption: A case study of Rash city. Journal of Water and Wastewater. 2016; 27(4): 93-98. [Persian]. [2]. Shahbazi Alamouti A. Water crisis, national problem, requires national resolve. Consulting Engineer Quarterly. 2015; 69: 13-19. [Persian]. [3]. Ghafari A, Shirvan J. A review of Iran's water resources utilization status. 9th national conference for irrigation and drainage committee of Iran. 1994. [Persian]. [4]. Keshavarz A, Dehghani Sanij, H. Water productivity index and future strategy of the country. Quarterly Journal of Economic Strategy. 2012; 1(1): 199-233. [Persian]. [5]. Sabouhi M, Soltani Gh, Beauty M. Investigating the effect of changing price of irrigation water on private and social benefits using a positive mathematical programming. Journal of Agricultural Science and Technology. 2007; 21(1): 53-71. [6]. Mozaffari MM. Determination of the appropriate policy programming to conservation of water resources in Qazvin plain. Journal of Water and Soil Resources Conservation. 2015; 5(2): 29-46. [7]. Bakhshi A, Moghaddasi R, Daneshvar kakhki M. An application of positive mathematical programming model to analyze the effects of alternative policies to water pricing in mashhad. Journal of Agricultural Economics and Development. 2011; 25(3): 284-294. [Persian]. [8]. Hojipor M, Zakerinia M, Ziaei AN, Hesam M. Water demand management in agriculture and its impact on water resources of Bojnourd basin with WEAP and MODFLOW models. Journal of Water and Soil Conservation. 2015; 22(4): 85-102. [Persian]. [9]. Louckas DP, Beek E, Stedinger JR, Dijkman JPM, Villars MT. Water resources system planning and management an introduction to method, models and application. Published by United Nation Educational Scientific and Cultural Organization. 2005. [10]. Saeidinia M, Samadi Brujeni H, Arab D, Fattahi R. 2008. Investigate transferring water from the Karoon branches adjacent to the basin by using WEAP model (Case study: Behesht Abad Tunnel). Water Res. J. 2008; 3: 33-44. [11]. Bani Habib MA, Shabestari MA, Hosseinzadeh M. A hybrid model for strategic management of agricultural water demand in arid regions. Journal of Iranian Water Resources Research. 2016; 12(4): 60-69. [Persian]. [12]. LiuS, Gikas P, Papageorgioua L. An optimization-based approach for integrated water resources management. 20th European Symposium on Computer Aided Process Engineering. 2010. [13]. Shahateet MI. An econometric model for water sector in Jordan. Journal of Social Sciences. 2008; 4(4): 264-271. [14]. Bilali Moghadam b, Dararbi, M.H. Hamedan water demand forecast using artificial neural networks. Haft Hesar: Journal of Environmental Studies. 2016; 15(4): 71-81. [Persian]. [15]. Mousavi SN, Moahmmadi H, Boostani F. Estimation of water demand function for urban households: A case study in city of Marvedasht. Journal of Water and Wastewater. 2010; 21(2): 90-94. [Persian]. [16]. Alamarah AR. Using socio economic indicators for integrated water resources for integrated water resources management (demand management-case study). The 4th World Water Forum, 16-22 March. 2006. Mexico. [17]. Yuan Zhou Y, Tol R. Water use in China’s domestic, industrial and agricultural sectors: an empirical analysis. Working Papers, Research Unit Sustainability and Global Change, Hamburg University and Centre for Marine and Atmospheric Science. 2005. [18]. Chen Y, Zhang D, Sun Y, Liu X, Wang N, Savenije HG. Water demand management: A case study of the Heihe River Basin in China. Physics and Chemistry of the Earth, Parts A/B/C, Volume 30, Issues 6–7, Pages 408-419. 2005. [19]. Fathis F. Lawgali. Forecasting water demand for agricultural, industrial and domestic use in Libya. International Review of Business Research Papers. 2008; Vol.4 No: 231-248. [20]. Karimanzira D, Jacobi M. A feasible and adaptive water allocation model based on effective water demand. Fraunhofer Center for Applied Systems Technology (AST). 2008.  [21]. Shajari Sh, Barikani A, Amjadi A. Water demand management using water pricing policy in Jahrom's palm trees: Case study of Shahani Date. Journal of Agricultural Economics and Development. 2009; 17(65): 55-72. [Persian].  [22]. Sabouhi M, Nobakht M. Estimating the water demand function of Pardis city. Journal of Water and Wastewater. 2009; 20(2): 69-74. [Persian]. [23]. Khosh-Akhlagh R, Shahraki J. Estimating urban residential water demand for Zahedan. The Economic Research (Scientific Research Quarterly). 2009; 8(4): 129-145. [24]. Sistan and Baluchestan Regional water Authority. Reporting of statistics and basic information on water resources. 2017._||_
اکوهیدرولوژی دانشکده علوم و فنون نوین دانشگاه تهران اکوهیدرولوژی 2423-6098 دانشکده علوم و فنون نوین دانشگاه تهران 166 10.22059/ije.2018.252321.830 مدیریت منابع آب در اکوسیستم های طبیعی تعیین میزان تبخیر و تعرق پتانسیل واقعی و بهترین مدل برآورد نیاز آبی زعفران در تربت حیدریه تعیین میزان تبخیر و تعرق پتانسیل واقعی و بهترین مدل برآورد نیاز آبی زعفران در تربت حیدریه علی اکبری پروین کارشناسی ارشد مهندسی منابع آب، پژوهشگر پژوهشکدۀ زعفران دانشگاه تربت حیدریه سالاری امیر استادیار گروه تولیدات گیاهی، دانشکدۀ کشاورزی، پژوهشگر پژوهشکدۀ زعفران دانشگاه تربت حیدریه خاشعی سیوکی عباس دانشیار گروه مهندسی آب، دانشکدۀ کشاورزی دانشگاه بیرجند 23 09 2018 5 3 1051 1061 01 01 2018 15 05 2018 Copyright © 2018, دانشکده علوم و فنون نوین دانشگاه تهران. 2018 https://ije.ut.ac.ir/article_67723.html

‌گیاه نیمه‌گرمسیری زعفران، به دلیل نیاز آبی کم و درآمد زیاد، جایگاه ویژه‏ای در الگوی کشت مناطق خشک و نیمه‏خشکی همچون منطقۀ خراسان ‏رضوی دارد. در تحقیق حاضر، به تعیین میزان تبخیر و تعرق پتانسیل و واقعی و مناسب‏ترین مدل برآورد تبخیر و تعرق زعفران در منطقۀ تربت ‏حیدریه (قطب تولید زعفران جهان) پرداخته شد. به این منظور، روش‏های مختلف فائوپنمن‏مانتیث، بلانی‏کریدل، هارگریوزسامانی، تورنت‏وایت، جنسن‏هیز و تورک ارزیابی شدند. بررسی مقایسۀ نتایج به‌دست‌آمده از روش فائو با سایر روش‏ها با استفاده از آزمون کای‏اسکوئر انجام شد. نتایج مقایسۀ روش‏های مختلف با روش فائوپنمن‏مانتیث به‏عنوان روش استاندارد و مبنا نشان داد روش‏های بلانی‏‏کریدل، جنسن‏‏هیز و هارگریوزسامانی به‏ترتیب دقت بیشتری نسبت به سایر روش‏ها داشتند. مقدار نیاز آبی سالانۀ زعفران در اقلیم منطقۀ تربت ‏حیدریه با استفاده از روش استاندارد فائوپنمن‏مانتیث، 1731 مترمکعب در هکتار به‏دست آمد. از آنجا ‏که در معادلۀ‏ هارگریوزسامانی برای محاسبۀ تبخیر و تعرق فقط به دو عامل دما و تشعشع خورشیدی نیاز است و تعیین عوامل یادشده در بیشتر ایستگاه‏های هواشناسی امکان‏پذیر است، پیشنهاد می‌شود در برآوردهای تخمینی اولیه و سریع نیاز آبی گیاه زعفران از این روش استفاده شود.

 فائوپنمن‏مانتیث قطب تولید زعفران جهان نیاز آبی [1]. Ehsanzadoh P, Yadollahi A.A, Maibodi A.N.M. Productivity, growth and quality attributes of 10 Iranian saffron accessions under climatic conditions of Chahar–Mahal Bakhtrazi, Central Iran. In: Proceeding of the 1st International Symposium on Saffron. Albacete. Spain. 2004. p. 183-188.  [2]. Mollafilabi A. Experimental findings of production and echophysiological aspects of saffron (Crocus sativus L.). Acta Horticulturae (ISHS), 2004; 650: 195-200. [3]. Kafi M, Koocheki A, Rashed M.H, Nassiri M. (Eds.). Saffron (Crocus sativus) Production and Processing. Science Publishers, Enfield. (In Persian). 2006. [4]. Kafi M, Rashed Mohasel M.H, Koocheki A, Molafilabi A. Saffron Production and Processing. Ferdowsi University of Mashhad Publications, Mashhad, Iran. 2002. (In Persian). [5]. Rashed M.H, Kafi M, Koocheki A, Nassiri M. Saffron (Crocus sativus) Production and Processing. Science Publications, 2006; 87-96. (In Persian). [6]. Bari Abarghoei H, Ghalavand A, Mazaheri D, Noor Mohammadi G, Sanei M. Temperature effect on flowering and yield performance accessions on Iranian saffron. Pajouhesh Va Sazandgi, 2001; 4: 65-69. (In Persian with English Summary). [7]. Stegman E.C, Bauer A. Sugar beet response to water stress in sandy soils. Transaction of the American Society of Agriculture Engineering, 1977; 20: 469-472. [8]. Khashei Siuki A, Hashemi S.R, Ahmadee M. The effect of Pottasic Zeolite and irrigation scheduling on saffron yield. Reserch Project in University of Birjand. 2015. (In Parsian). [9]. Burman R, Pochop L.O. Evaporation, Evapotranspiration and Climate Data. Elsevier Science B.V. 1994. [10]. Allen R.G, Smith M, Pereira L.S, Raes D. An update for the calculation of reference evapotranspiration. ICID Bulletin, 1994; 43(2): 35-92. [11]. Allen R.G, Pereira L.S, Raes D, Smith M. Crop evapotranspiration guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper, 1998; NO. 56. Rome. Italy. [12]. Hargreaves G.H. Defining and using reference evapotranspiration. Irrigation and Drainage Engineering ASCE, 1994; 120(6): 1132-1139. [13]. Jensen ME, Burman R.D, Allen R.G. Evapotranspiration and Irrigation Water Requirements. ASCE Manuals and Reports on Engineering Practices, 1990; No. 70. American Society of Civil Engineers, NY. [14]. Shih S.F. Data requirement for evapotranspiration estimation. Irrigation and Drainage Engineering. ASCE, 1984; 110(3): 263-274. [15]. Amatya D.M, Skaggs R.W, Gregory J.D. Comparison of methods for estimating REF-ET. Irrigation and Drainage Engineering, 1995; 121(6): 427-435.  [16]. Saeed M. The estimation of evapotranspiration by some equations under hot and arid conditions. Transaction American Society of Agricultural and Biological Engineers, 1986; 29(2): 434-438.  [17]. Baiat Varkeshi M, Zare Abyaneh H, Ghasemi A. Provide the Best Empirical Evapotranspiration Relationship Compared With FAO-Penman-Monteith in the North West. 3rd Iran Water Resources Management Conference. Tabriz, Iran. 2008. (In Persian) [18]. Zandilak H. Select the Appropriate Method for Estimating Evapotranspiration in Yazd. 1st Regional Water Resources Development Conference. Abarkoh. 2011. (In Persian). [19]. Zare Abianeh H, Biat Varkeshi M, Sabzi Parvar AK, Maroofi S, Ghasemi A. Evaluation of estimating reference evapotranspiration methods in Iran. Journal of natural geographic researches. 2010; 74: 95-110. [Persian]. [20]. FallahGhalhari GA, Ahmadi H. The estimation of phenological thresholds of Saffron cultivation in Isfahan province based on the daily temperature statistics, Saffron Agronomy and Technology, 2015; 3 (1):65-49. [In Persian]. [21]. Fooladmand H. R, Sepaskhah A. R. Evaluation and calibration of three evapotranspiration equations in a Semi-Arid region. 2005. [22]. Nasaji Zavareh M, Sadeghifar R. Estimation of reference crop evapotranspiration using different methods (Case study: Karaj). 9th Conference on Irrigation and Evaporation Reduction. Kerman, Iran. 2007. (In Persian). [23]. Pakdin M, Shahnavaz Y, Roostaei S, Alipoor H. Study of potential and actual evapotranspiration in Faruj basin. The 1st National Conference on Solutions to Access Sustainable Development in Agriculture, Natural Resources and the Environment (sdconf). Tehran, Iran. 2012. (In Persian). [24]. Nazari R, Kaviani A. Evaluation of potential evapotranspiration methods and evaporation pan with lysimeter in semiarid climate (case study: Qazvin plain). Ecohydrology journal. 2016; 3(1): 19-30. [25]. Koochakzadeh M, Nikbakht G. Evaluating of reference evapotranspiration methods with FAO-56 in different climate in Iran. Journal of Agricultural science. 2003; 10(3): 43-57. [Persian] [26]. Ahmadee M, Khashei Siuki A, Sayyari, M.H. Comparison efficiency of different equations to estimate the water requirement in saffron (Crocus sativus L.) (Case study: Birjand plain, Iran). Journal of Agroecology, 2017; 8(4): 505-520. (In Persian with English Summary). [27]. Sepaskhah A.R, Kamgar-Haghighi A.A. Saffron irrigation regime. International Journal of Plant Production, 2009; 3(1): 1-16. [28]. Asghari Jafarabadi M, Mohammadi SM. Statistical Series: An Introduction to Inferential Statistics (Point Estimation, Confidence Interval anHypothesisTesting). Journal of Diabetes and Metabolic Disorders2013Under Press [In Persian]. [29]. Samadi H, Majdzadeh B. Comparison of reference evapotranspiration calculated by empirical formulas with lysimeters in Kerman. 8th Conference on Irrigation and Evaporation Reduction. Kerman, Iran. 2003. (In Persian). [30]. Alizadeh A, Mahdavi M, Iranloo M, Bazari M.E. Evapo-transpiration and crop coefficient of saffron (Crocus sativus). Geographical Research, 1999; 54 and 55: 29-42. (In Persian with English Summary). [31]. Mahdavi M. Plant coefficient and saffron evapotranspiration on standard condition. MSc thesis. Faculty of Agricultutre. Ferdowsi University of Mashhad, Iran. 1999. (In Parsian) [32]. Doorenbos J, Pruitt W.O. Guidelines for predicting crop water requirements. FAO irrigation and drainage paper, 1977; NO. 24. Rome. Italy. [33]. Salih A.M.A, Sendil U. Evapotranspiration under extremely arid climates. Irrigation and Drainage Engineering, ASCE, 1984; 110 (3): 289-303._||_