اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.287344.1194

پژوهشی

بررسی رخداد تغییر اقلیم و تأثیر آن بر طول دورۀ رشد گندم (مطالعۀ موردی: استان فارس)

رضائی چرمهینی

محمد

دانشجوی دکتری علوم و تکنولوژی بذر؛ دانشگاه تهران

یوسفی

حسین

دانشیار گروه انرژی ‏های نو و محیط زیست، دانشکدۀ علوم و فنون نوین، دانشگاه تهران

منصوری

زینب

کارشناسی ارشد علوم و تکنولوژی بذر دانشگاه تهران

حقیقی

پارسا

کارشناسی ارشد مهندسی طبیعت، دانشکدۀ علوم و فنون نوین، دانشگاه تهران

20 03 2020

7 1 1 15 11 08 2019 09 02 2020

2020

https://ije.ut.ac.ir/article_75816.html

هدف از پژوهش حاضر، پیش‏بینی تغییرات اقلیمی و بررسی اثر تغییر احتمالی اقلیم روی مقادیر درجه- روز رشد و تعداد روز کل رشد گندم در استان فارس است. به این منظور، با استفاده از داده‏های اقلیمی سه ایستگاه سینوپتیک شیراز، لار و آبادۀ استان فارس و داده‏های دو مدل HADGEM2-ES و EC-EART تحت سناریوهای RCP45 و RCP85 ریزمقیاس شده‏اند. به‏منظور ریزمقیاس‌نمایی، از مدل آماری LARS-WG استفاده ‏شده است. نتایج نشان داد مدل LARS-WG ‌دقت مناسب در ریزمقیاس‌نمایی پارامترهای اقلیمی بارش، دمای کمینه و بیشینۀ استان فارس را دارد. دمای کمینه و بیشینۀ هر سه ایستگاه شیراز، لار و آباده تحت دو سناریوی RCP45 و RCP85 روندی افزایشی داشته است. مقدار افزایش دمای کمینۀ دورۀ پایه (1980ـ 2015) استان فارس نسبت به دورۀ 2021ـ 2040 برای سناریوی RCP45 و RCP85 به‌ترتیب برابر با 43/1 و 65/1 درجۀ سانتی‏گراد است. مقدار افزایش دمای بیشینۀ دورۀ پایه نسبت به این دوره برای سناریوی RCP45 و RCP85 به‌ترتیب برابر با 51/1 و 66/1 درجۀ سانتی‏گراد است. مقدار تغییرات بارش دورۀ پایه نسبت به دورۀ یادشده برای سناریوی RCP45 و RCP85 به‌ترتیب برابر با 93/2 و 95/1 درصد افزایش را نشان می‏دهد. در ادامه، با استفاده از معادلۀ ADP مقدار شاخص تعداد-روز تحت دو آستانۀ دمایی 4 و 25 درجۀ سانتی‏گراد برای بازۀ زمانی پایه و آینده (2021-2040) محاسبه و نتایج نشان داد درجۀ روزهای دورۀ رشد گندم (GDD) و تعداد روز کل دورۀ رشد (DAP) نسبت به دورۀ پایه به‌ترتیب روندی افزایشی و کاهشی داشته است. تعداد روز کل دورۀ رشد ایستگاه شیراز مدل HadGEM2-ES تحت دو سناریوی RCP45 و RCP85 از 244 (دورۀ پایه) به 169 و 165 کاهش داشته و برای ایستگاه آباده از 277 به 220 و 217 و برای ایستگاه لار از 198 به 143 و 145 کاهش داشته است.

استان فارس تغییر اقلیم سناریوهای RCP ریزمقیاس‌نمایی GDD ADP‌

[1]. Aghashahi, M Ardestani, M Nik Nik, MH, Tahmasebi, B,"Introduction and Comparison of LARS-WG and SDSM Models for Micro-Scaling of Environmental Parameters in Climate Change Studies". 6th National Conference on Environmental Engineering, Tehran, University of Tehran, Faculty of Environment.2012. [Persian].

[2]. Asakereh, H. Akbarzadeh, Y, Simulation of Temperature and Precipitation Changes in Tabriz Synoptic Station during the Period (2010-2001) Using Statistical Exponential Microscopy (SDSM) and CanESM2 Model Output, Geography and Environmental Hazards, No,2017. 21. [Persian].

[3]. IPCC (INTERGOVERNMENTAL PANEL ON CLIMATE CHANGE). Climate change 2001: the scientific basis. Contribution of working group I to the third assessment report of the intergovernmental panel on climate change, 2001, 881.

[4]. XU, Chong-yu. From GCMs to river flow: a review of downscaling methods and hydrologic modelling approaches. Progress in physical Geography, 1999, 23.2: 229-249.

[5]. Change, C. Impacts, vulnerabilities and adaptation in developing countries. Climate Change Secretariat,2007, (UNFCCC).

[6]. Ullah, A. Bakht, J. Shafi, M. Shah, W. A., & Islam, Z. (2002). Effect of various irrigations levels on different chickpea varieties. Asian Journal of Plant Sciences, 1(4), 355-357.

[7]. MEZA, Francisco J.; SILVA, Daniel; VIGIL, Hernán. Climate change impacts on irrigated maize in Mediterranean climates: evaluation of double cropping as an emerging adaptation alternative. Agricultural systems, 2008, 98.1: 21-30.‏

[8]. ROUNSEVELL, M. D. A., et al. Future scenarios of European agricultural land use: II. Projecting changes in cropland and grassland. Agriculture, Ecosystems & Environment, 2005, 107.2-3: 117-135.‏

[9]. Kozaki, A. Nasiri Mahallati, M.Sc. The effect of climate change with increasing CO2 concentration on wheat yield in Iran and evaluation of adaptation strategies. Iranian Agricultural Research.2008: 139-153. [Persian].

[10]. MILLER, Perry; LANIER, Will; BRANDT, Stu. Using growing degree days to predict plant stages. Ag/Extension Communications Coordinator, Communications Services, Montana State University-Bozeman, Bozeman, MO, 2001, 1-2.

[11]. CESARACCIO, Carla, et al. An improved model for determining degree-day values from daily temperature data. International journal of biometeorology, 2001, 45.4: 161-169.

[12]. CHIOTTI, Quentin P.; JOHNSTON, Tom. Extending the boundaries of climate change research: a discussion on agriculture. Journal of Rural Studies, 1995, 11.3: 335-350.

[13]. Shreekant, G., Partha, S., & Saumya, V. Impact of Climate Change on Foodgrain Yields in India (No. 2015-9). Center for Economic Institutions, Institute of Economic Research, Hitotsubashi University. (2016).

[14]. SOLEYMANI NM, Parsinejad M, Araghinejad S, MASSAH BA. STUDY ON CLIMATE CHANGE EFFECT ON NET IRRIGATION REQUIREMENT AND YIELD FOR RAINFED WHEAT (CASE STUDY: BEHSHAHR).

[15]. Valizadeh J, Ziaei SM, Mazloumzadeh SM. Assessing climate change impacts on wheat production (a case study). Journal of the Saudi Society of Agricultural Sciences. 2014 Jun 1;13(2):107-15.. [Persian].

[16]. PARAJULI, P. B., et al. Assessing the impacts of climate change and tillage practices on stream flow, crop and sediment yields from the Mississippi River Basin. Agricultural Water Management, 2016, 168: 112-124.‏

[17]. FUNES, Inmaculada, et al. Future climate change impacts on apple flowering date in a Mediterranean subbasin. Agricultural Water Management, 2016, 164: 19-27.

[18]. GUO, Liang, et al. Responses of spring phenology in temperate zone trees to climate warming: a case study of apricot flowering in China. Agricultural and Forest Meteorology, 2015, 201: 1-7.‏

[19]. Hajjarpour, A. Soltani, A. Zinli, A. Seyyedi, F., (1). "Simulating the Impact of Climate Change on Chickpea Production in Kermanshah Rain and Water Conditions". Plant Production Research, 1392, (20). [Persian].

[20]. Mohammadi, Ayazdan panah, h. Mohammadi, F. "Investigation of Climate Change Occurrence and its Impact on Sowing Time and Growth Period of Durum Wheat (Case Study) Case Study of Sararood Station of Kermanshah", Natural Geography Research, 2014, 1: 1-3. [Persian].

[21]. Shahkoui, A. Clear, etc., "Time-varying day-time variations of soybean plant based on climate change in the coming decades case study of Gorgan city", Journal of Space Geography, Golestan University of Science and Technology,2013, 1: 1-3. [Persian].

[22]. Biname, 2011, Agricultural Statistics First Volume of Crops, 2008-2010, Office of Statistics and Information Technology, Ministry of Agriculture, First Edition.2011. [Persian].

[23]. WILBY, Robert L.; WIGLEY, T. M. L. Downscaling general circulation model output: a review of methods and limitations. Progress in physical geography, 1997, 21.4: 530-548.‏

[24]. Salahi, B, Fatemi Nia, F. S., & Hosseini, S. M. Assessment of future climate change in Isfahan province using BCM2 & HADCM3 models by lars-wg downscaling model. Arid Regions Geographic Studies,2015, 4(16).

[25]. Alavi D, M. Believe me, m. Falah Qhalheri, etc. "The Impact of Climate Change on Pomegranate Areas". Master's Degree in Natural Geography. Faculty of Geography and Environmental Sciences. Hakim Sabzevari University.2016. [Persian].

[26]. Rahimpour, P. Salahi, b. Behrouz, S. "The Impact of Climate Change on the Flowering Stage of Apple, Grape and Peach Trees in Meshginshahr Area." Master of Science in Natural Geography. Faculty of Literature and Social Sciences. University of Mohaghegh Ardabili.2017. [Persian].

[27]. Zolfaghari, H. Masoumpour Samakoush, vol. Chahwari, Sh.Estimation of degree-days growth in northwestern Iran based on climate change models. Journal of Applied Geosciences Research,2018. 18 (49): 240-221. [Persian].

[28]. Soleymani N, M., Parsinejad, M., Araghinejad, Sh., & Massah, B. A..Study on climate change effect on net irrigation requirement and yield for rainfed wheat (case study: behshahr) (2012).

_||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2019.282444.1125

پژوهشی

بررسی تأثیر تغییر اقلیم بر رواناب و بیلان آب حوضۀ آبریز سد لتیان با استفاده از مدلSWAT

جلالی

محمد نبی

دانش‌آموختۀ کارشناسی ارشد منابع آب، گروه علوم و مهندسی آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران‌

سرائی تبریزی

مهدی

استادیار گروه علوم و مهندسی آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران‌

بابازاده

حسین

دانشیار گروه علوم و مهندسی آب، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران‌

20 03 2020

7 1 17 28 04 06 2019 19 12 2019

2020

https://ije.ut.ac.ir/article_75817.html

تغییرات اقلیمی می‏تواند تهدید بزرگی برای تنوع زیستی و یکپارچگی اکوسیستم‏ها‏ باشد. از این‏رو، ﭘﯿﺶﺑﯿﻨﯽ رﻓﺘﺎر ﻫﯿﺪروﻟﻮژﯾﮑﯽ ﺣﻮضهﻫﺎی آبخیز برای حفاظت و بازسازی اکوسیستم‏ها ضروری است. حوضۀ آبخیز سد لتیان به‏عنوان یکی از حوضه‏های کوهستانی کشور با وسعت تقریبی 710 کیلومترمربع در شمال شرق تهران و در غرب شهرستان دماوند واقع شده است. در پژوهش حاضر، برای ارزیابی رواناب و بیلان آبی بر اثر تغییرات اقلیمی، از مدل هیدرولوژیکی نیمه‏توزیعی SWAT براساس داده‏های جمع‏آوری‌شده طی سال‏های 1988ـ 2014 استفاده شده است. با توجه به ‏دقت زیاد مدل‌های سری CMIP5، خروجی‏های این مدل‏ها تحت دو سناریوی RCP2.6 و RCP8.5 برای آیندۀ نزدیک با استفاده از مدل اقلیمی LARS-WG به مدل وارد شد. نتایج شبیه‏سازی اقلیمی برای دورۀ 2021-2050 میلادی نشان داد میانگین دما با در نظر گرفتن سناریوی خوش‏بینانۀ RCP2.6، به‏طور متوسط C°75/0 و در سناریوی بدبینانۀ RCP8.5،C° 45/1 افزایش خواهد یافت. همچنین، نتایج کاهش 2 درصدی بارش در سناریوی RCP8.5 و 5 درصدی بارش در سناریوی RCP2.6 را نشان داد. نتایج رواناب نیز بیانگر بیشترین تغییرات رواناب طی دورۀ آینده، در ماه می با 4/2 مترمکعب بر ثانیه کاهش و در ماه آوریل با 49/1 مترمکعب بر ثانیه افزایش در سناریوی خوش‏بینانه است. بیشترین کاهش رواناب نیز در سناریوی بدبینانۀ RCP8.5 در ماه‏های می و ژوئن پیش‏بینی شده که می‏تواند آثار بسیار بدی روی مقادیر آب ذخیره‌شده در مخزن سد تا شروع بارندگی‏های مجدد داشته باشد. میزان تبخیر و تعرق واقعی متوسط سالانه در سناریوی خوش‏بینانه با 3 میلی‏متر افزایش و در سناریوی بدبینانه با 8 میلی‏متر افزایش، تأثیر منفی روی منابع آب قابل‏ دسترس در حوضۀ آبریز خواهد گذاشت. نتایج تحقیق حاضر بر ضرورت اعمال سیاست‏های مناسب به‏منظور سازگاری تغییرات اقلیمی مبتنی بر اکوسیستم‏ها در مدیریت حوضۀ آبریز لتیان تأکید می‏کند.

بیلان آب سد لتیان LARS-WG RCP SUFI2

[1]. Thomas CD, Bodsworth EJ, Wilson RJ, Simmons AD, Davies ZG, Musche M, et al. Extinction risk from climate change. journal of Nature. 2004;427(8):145–148.

[2]. kelanki m, karandish f. Forecasting the long-term effects of climate change on climatic components in the region wet. journal of Water and Irrigation Engineering. 2015;20(5):131-148.]Persian[

[3]. IPCC. Summary for policymakers. In: Field CB, Barros VR, Dokken DJ, Mach KJ, astrandrea MD, Bilir TE, et al, editor. Climate Change Impacts, Adaptation, and Vulnerability, Part A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. 5th ed. United Kingdom and NewYork USA: Cambridge University Press, 2014.p.1-32.

[4]. Moriasi DN, Arnold JG, Van Liew MW, Bingner RL, Harmel RD, Veith TL. Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. journal of American Society of Agricultural and Biological Engineers. 2007;50(3):885–900.

[5]. Nasiri A, Koocheki M, Kamali A, Shahandeh H. Potential Impacts of Climate Change on Agroclimatic Indicators in Iran. journal of Arid Land Research and Management. 2006;33(8):626–632.

[6]. Abbott MB, Bathurst JC, Cunge JA, Connell PE, Rasmussen J. An introduction to the European Hydrological System-Systeme Hydrologique Europeen, “SHE”, 1: History and philosophy of a physically-based, distributed modelling system. Jounral of Hydrology. 1986;87(1-2):45–59.

[7]. Beven K, Lamb R, Quinn P, Romanowicz R, Freer J. TOPMODEL. In: Singh VP, editor. Computer models of watershed hydrology. 1th ed. Colorado Usa: Water resourse publications. 1995.p. 627–668.

[8]. Kite GW. The SLURP model. In: Singh VP, editor. Computer models of watershed hydrology. 1th ed. Colorado Usa: Water resourse publications. 1995.p. 521–562.

[9]. Arnold JG, Srinivasan R, Muttiah RS, Williams JR. Large area hydrologic modelling and assessmentpart model development. Jounral Water Resourse As. 1998;34(1):73–89.

[10]. Neitsch SL, Arnold JG, Kiniry JR, Williams JR. Soil and Water Assessment Tool Theoretical Documentation Version 2009. Texas Water Resources Institute. 2011; Report 406.

[11]. Narsimlu B, Gosain AK, Chahar BR. Assessment of future climate change impacts on water resources of upper sind river basin, India using SWAT model. Jounral of Water Resourse Management. 2013;27(10):3647–3662.

[12]. Ratna A, Ratna S, Shrestha A, Maharjan S. Climate change impact assessment on the hydrological regime of the Kaligandaki Basin. Nepal Science of the Total Environment. 2018;625 837–848.

[13]. MehriziSH, Khoorani A, Bazrafshan J, Bazrafshan O. Assessment of future runoff trends under multiple climate change scenarios in the Gamasiab river basin. journal of Ecohydrology. 2018;5(3):777-789. ]Persian[

[14]. Sayahi S, Shahbazi A, Khademi KH. Prediction of the effect of climate change on the monthly runoff of the basin Dez using IHACRES. Journal of Water Science Engineering. 2016;15(7): 7-18.

[15]. Abbaspour KC, Rouholahnejad E, Vaghefi S, Srinivasan R, Yang H, Kløve BA. continental-scale hydrology and water quality model for Europe calibration and uncertainty of a high-resolution largescale SWAT model. Jounral of Hydrology. 2015; 524:733–752.

[16]. Massah Bavani A, Morid S. Study effects of climare change on zayande rood discharge. Journal of Water and Soil Science. 2006; 4:17-27. ]Persian[

[17]. Abbaspour KC. SWAT-CUP: SWAT Calibration and Uncertainty Programs –A User Manual. Department of Systems Analysis. Integrated Assessment and Modelling. Swiss Federal Institute of Aquatic Science and Technology. 2015;100pp._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.288016.1201

پژوهشی

ارزیابی ریسک طرح‌های توسعۀ منابع آب با روش تحلیل درخت خطا (مطالعۀ موردی: ناحیۀ 4 مکران و بندرعباس)

عابدزاده

سعیده

دانشجوی کارشناسی ارشد منابع آب، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

روزبهانی

عباس

دانشیار، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

حیدری

علی

دکترای مدیریت منابع آب، شرکت توسعۀ منابع آب و نیروی ایران، تهران

20 03 2020

7 1 29 45 05 08 2019 17 02 2020

2020

https://ije.ut.ac.ir/article_75818.html

امروزه پراکنش نامناسب بارش وکاهش نزولات جوی، به علاوۀ افزایش جمعیت و به تبع آن، افزایش مصرف و تقاضای آب، جامعه را به استفاده از طرح‌های توسعۀ منابع آب سوق داده است. همچنین، یکی از اهداف بلندمدت راهبردی آب کشور، برقرار کردن تعادل بین میزان تقاضای آب و منابع آب موجود با توجه به شاخص‏های اجتماعی، اقتصادی و زیست‌محیطی است. از این‌رو، تحلیل ریسک طرح‌های توسعۀ منابع آب با توجه به شاخص‏های توسعۀ پایدار ضرورت می‏یابد. در پژوهش حاضر برای نخستین‌بار، تکنیک تحلیل درخت خطا به منظور ارزیابی ریسک طرح‌های توسعۀ منابع آب، تحت چارچوب توسعۀ پایدار استفاده شده است. پس از تعیین رویداد رأس، عوامل منجر به وقوع آن شامل شکست شاخص‌های اجتماعی، اقتصادی، زیست‌محیطی و منابع آب، شناسایی شدند. مدل پیشنهادی در قالب مطالعۀ موردی برای طرح‌های توسعۀ منابع آب ناحیۀ 4 سواحل مکران تا شهر بندرعباس ارائه شد. پس از محاسبۀ عملکرد منطقه در ونسیم، احتمال شکست شاخص‌های توسعۀ پایدار براساس خروجی ونسیم برآورد شد و به عنوان ورودی درخت خطای پیشنهادی به کار رفت. نتایج مطالعۀ حاضر نشان داد احتمال شکست بهترین و بدترین سناریو و همچنین شرایط موجود برای نیازهای آتی، به‌ترتیب برابر 38، 90 و50 درصد برآورد شد. در نهایت، به دلیل ریسک زیاد محاسبه‌شده، به رتبه‌بندی رویدادهای پایه براساس سهمی که در وقوع رویداد رأس دارند، پرداخته شد. نتایج رتبه‏بندی نشان داد مؤثرترین رویدادهای پایه در بهترین سناریو به‌ترتیب، شکست اجتماعی و اقتصادی و در بدترین سناریو، شکست اقتصادی و اجتماعی هستند.

تحلیل درخت خطا توسعۀ پایدار طرح‌های توسعۀ منابع آب ناحیه مکران ونسیم

[1].WCED (World Commission on Environment and Development). Our Common Future. Oxford:Oxford University Press;1987.

[2].Sadiq R, Kleiner Y, Rajani B. Water quality failures in distribution networks—risk analysis using fuzzy logic and evidential reasoning. Risk analysis. 2007; 27(5):1381-1394.

[3].Sadiq R, Saint-Martin E, Kleiner Y. Predicting risk of water quality failures in distribution networks under uncertainties using fault-tree analysis. Urban Water Journal. 2008; 5(4):287-304.

[4].Lindhe A, Rosén L, Norberg T, Bergstedt O. Fault tree analysis for integrated and probabilistic risk analysis of drinking water systems. Water research. 2009; 43(6):1641-1653.

[5].Taheriyoun M, Moradinejad S. Reliability analysis of a wastewater treatment plant using fault tree analysis and Monte Carlo simulation. Environmental monitoring and assessment. 2015; 187(1):4186.

[6].Stein D, Achari G, Langford CH, Dore MH, Haider H, Zhang K, Sadiq R. Performance management of small water treatment plant operations: a decision support system. Water and Environment Journal. 2017; 31(3):330-44.

[7].Tabesh M, Roozbahani A, Hadigol F. Risk Assessment of Water Treatment Plants Using Fuzzy Fault Tree Analysis (Case Study: Jalaliyeh Water Treatment Plant). Journal of Water and Wastewater. 2018; 29(4):132-144. [Persian]

[8].Babaei M, Roozbahani A, Shahdany SMH. Risk Assessment of Agricultural Water Conveyance and Delivery Systems by Fuzzy Fault Tree Analysis Method. Water Resources Management. 2018; 32(12):4079-4101.

[9].Ghachlou M, Roozbahani A, Banihabib ME. Comprehensive risk assessment of river basins using Fault Tree Analysis. Journal of hydrology. 2019;123974.

[10].Raju KS, Duckstein L, Arondel C. Multicriterion analysis for sustainable water resources planning: a case study in Spain. Water Resources Management. 2000;14(6):435-456.

[11].Yilmaz B, Harmancioglu N. Multi-criteria decision making for water resource management: a case study of the Gediz River Basin, Turkey. Water SA. 2010; 36(5).

[12].Abadi L, Sadeghi Kh, Shamsai A, Goharnejad H. An analysis of the sustainability of basin water resources using Vensim model. KSCE Journal of civil engineering. 2015;19(6):1941-1949.

[13].Banihabib ME, Shabestari M.H. Decision Models for the Ranking of Agricultural Water Demand Management Strategies in an Arid Region. Irrigation and Drainage. 2017; 66(5):773-783.

[14].Kefayati M, Saghafian B, Ahmadi A, Babazadeh H. Empirical evaluation of river basin sustainability affected by inter- basin water transfer using composte indicators. Water and Environment Journal. 2018(1):104-111.

[15].Liang GS, Wang MJJ. A fuzzy multi-criteria decision-making method for facility site selection. 1991; 29(11):2313-2330.

[16].Zhang GD, Lu YX. Analysis and design of reliability and maintenance of system." Beijing: Beijing Aeronautics and Astronautics University Press, Beijing. 1990; 120-125.

[17].Pan ZJ, Tai YC. Variance importance of system components by Monte Carlo. IEEE Transactions on Reliability.1988; 37(4):421-423.

[18]. Rayab Consulting Engineering Company. Report of “Design landscape of water transfer from the Jagin dam to Makran coast”.2010. [Persian]

[19]. Lar Consulting Engineering Company. Report of “Complementary studies of the second phase of the Gabrick Dam”. 2017. [Persian]

[20].Regional Water Company of Hormozgan. Report of “Water section Development document of Hormozgan Province”. 2010. [Persian]

[21].Rajaian MM. Dynamic Systems Simulation with Vensim Software. 2nd ed. Mashhad:farayaz; 2013. [Persian]

[22].Sterman JD. Business dynamics: Systems thinking and modeling for a complex world. Boston. New York:McGraw-Hill. 2000.

[23].Hafezparast M, Araghinezhad SH, SharifAzari S. Sustainability Criteria in Assessment of Integrated Water Resources Management in the Aras Basin Based on DPSIR Approach. Journal of water and soil conservation. 2015; 22(2). [Persian]

[24]. Wu J. Land use changes: Economic, social, and environmental impacts. Choices. 2008; 23 (4): 6-10.

[25].Iternational Organization for Standardization. 2018. Access site; www.iso.org/sdgs/

[26].Nezamabadi AA, Rostami MNk, Moradi S. Red Tide Effects on the Function of Desalination Plant in Kish Island. Specialized Conference on Saltwater Desalination, Saltwater and Wastewater Treatment.Tehran. University of Water and Power Technolog. 2012. [Persian]_||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.284092.1145

پژوهشی

اولویت‏ بندی زیرحوضه ‏ها از نظر سیل‏ خیزی با استفاده از مدل HEC-HMS در بالادست رودخانۀ خشک شیراز

نصیری

زهرا

کارشناسی ارشد مهندسی آبخیزداری، گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه یزد

طالبی

علی

استاد، گروه مرتع و آبخیزداری، دانشکدۀ منابع طبیعی، دانشگاه یزد

20 03 2020

7 1 47 57 07 08 2019 09 02 2020

2020

https://ije.ut.ac.ir/article_75819.html

سیل یکی از پدیده‏های پیچیده و مخرب طبیعی است که هرساله خسارت‌های سنگینی به وجود می‌آورد. از این‏رو، برای اجرای برنامه‏های کنترل سیلاب در بالادست حوضه‏های بزرگ باید چگونگی تأثیر آنها را بر سیلاب حوضه ارزیابی کرد. در تحقیق حاضر به اولویت‏بندی زیرحوضه‏‏ها از نظر سیل‏خیزی در حوضۀ آبخیز چنارسوخته با مساحت 036/141 کیلومترمربع با استفاده از نرم‏افزار HEC-HMS پرداخته ‏شده است. در تحقیق پیش رو پس از تهیۀ اطلاعات مورد نیاز برای تهیۀ هیدروگراف سیل، از روش شبیه‏سازی هیدرولوژیکی SCS در شبیه‏سازی تبدیل بارش به رواناب در سطح زیرحوضه‏ها و همچنین به‏منظور استخراج هیدروگراف سیل خروجی حوضه از روش SCS استفاده ‏شده است. اولویت‏بندی زیرحوضه‏ها از نظر سیل‏خیزی با به‏کارگیری مدل HEC-HMS و واسنجی لازم با پارامترهای تلفات اولیه، شمارۀ منحنی و زمان تأخیر صورت گرفت. همچنین، به‏منظور ارزیابی آثار سیل‏خیزی دو معیار فیزیکی شامل دبی اوج جریان و حجم جریان در نظر گرفته‏ شد. هیدروگراف‏های سیل متناظر با بارش، برای هر یک از زیرحوضه‏ها محاسبه شد و سپس با حذف متوالی زیرحوضه‏ها، میزان تأثیر هر یک از آنها در تولید سیل خروجی به دست آمد. با در نظر گرفتن شرایط پیشین خاک بر اساس مجموع بارندگی پنج روز قبل، شمارۀ منحنی در شرایط مرطوب و متوسط برای رویدادها محاسبه شد. نتایج نشان داد در رویدادهایی که با CN های کالیبره‌شده در شرایط متوسط اجرا شدند، زیرحوضۀ 5 ‌اولویت اول از نظر سیل‏خیزی دارد و در رویدادهایی که با CN های کالیبره‌شدۀ مرطوب اجرا شدند، زیرحوضۀ 6 ‌اولویت اول از نظر سیل‏خیزی دارد.

اولویت‏بندی حوضۀ آبخیز چنارسوخته سیل‏خیزی مدل HEC-HMS

[1]. Sufi M. Effective factors on flood development in urban watersheds and its control strategies. The Proceedings of the first national conference on the river of engineering. Mashhad 2006; 91p. ( inPersian).

[2]. Hagizhizadeh A, Mohammadlou M, Noori F. Simulation of rainfall-runoff Process using artificial neural network and adaptive neural fuzzy system and multivariate regression (Case Study, Khorramabad Water Basin). Journal of Ecohydrology, Volume 2, Issue 2, Summer 2013; 233-243.

[3]. Telvari A. Flood control comprehensive plans, prevent flooding conference, 25-26 December 2002; Gorgan. [Persian].

[4]. Saghafian B, Khosroshahi M. Unit response approach for priority determination of flood source areas, Journal of hydrologic engineering 2005; 10(4): 270-77

[5]. Smith , Ward. Floods Physical processes and human impacts.Wiley. New York1998.

[6]. Mazidi A, Koshky S. Rainfall runoff simulation and flood estimation in khorramabad basin using hec-hms model, Geography and development NO 14 Winter 2013; 1-10.[persian].

[7]. Haghizadeh A, Arshia A, Tahmasebi Pour N, Zeyny vand H. Prioritization of the sub-catchments of Sezar based on the flood risk using the game theory. Echo-hydrology Journal. NO 4. Winter 2017; 1219-1231. [Persian].

[8]. Adhami M, Sadeghi S-H. Sub-watershed prioritization based on sediment yield using game theory Journal of Hydrology 541 2016; 977–987

[9]. Parvaresh E, Mahdavi R, Malekian A, Ismail Pour Y, Halysaz A. Prioritization of factors affecting flood potential using type 3 electre and flood flow coefficient case study under sarkhoon watersheds, Bandar Abbas,Arid biome journal, Iran. Volume 8. No 1 summer 2017. [persian].

[10]. Kiyani salmi A, Abdollahi Kh. Honarbakhsh A. Continuous simulation of runoff of bararieh watershed in Neyshabur using soil moisture content model, International conference on agriculture, environment and natural resources in the third millennium. 2018. [Persian].

[11]. Laouacheria E, Mansouri R. Comparison of WMNM and HEC-HMS for runoff Hydrograph predication in a small urban catchment. Water Resource Management. 2015; (29): 2485-250 [12]. kwinChang T, Talei A, Alaghmand S, Po-Leen Ooi M. Choice of rainfall inputs for event-based rainfall-runoff modeling in a catchment with multiple rainfall stations using data-driven techniques. 2017; 100-108.

[13]. Karamoz M, Araghi nezad SH. Advanced Hydrology. Amirkabir University of Technology (Polytechnic of Tehran), 2006; 456 p. [Persian].

[14]. Debarry P, Watersheds Processes, assessment, and management. John Wily andSons,.2004; 700p.

[15]. Abbasi A. Investigation of prioritization of sub-watersheds from flooding viewpoint using the HEC-HMS model (Case study: Eskandari watershed). Master's Thesis Yazd University. 2017; 110p. [parsian]._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.286464.1176

پژوهشی

شناسایی و تحلیل عوامل کلیدی و پیشران‏ های مؤثر در مدیریت یکپارچۀ منابع آب ‏بر مبنای رویکرد آینده ‏پژوهی (مطالعۀ موردی: شهرستان تبریز)

بهشتی

محمد باقر

استاد، دانشکدۀ اقتصاد و مدیریت، دانشگاه تبریز

بهبودی

داود

استاد، دانشکدۀ اقتصاد و مدیریت، دانشگاه تبریز

زالی

نادر

دانشیار، دانشکدۀ هنر و معماری، دانشگاه گیلان

احمدزاده دلجوان

فهیمه

دانشجوی دکتری، دانشکدۀ اقتصاد و مدیریت، دانشگاه تبریز

20 03 2020

7 1 59 76 06 08 2019 09 02 2020

2020

https://ije.ut.ac.ir/article_75821.html

سیستم‏ منابع آبی تحت تأثیر عوامل متعددی است که این عوامل می‏توانند در یک محیط جغرافیایی خاص یا در فضای گسترده‏تری تأثیر‏گذار باشند. گاه این تأثیر‏گذاری به گونه‌ای است که شرایط دستیابی به منابع آب سالم را با مشکلات گسترده‏ای روبه‌رو ساخته و کارایی برنامه‏ریزی و مدیریت منابع آبی را به چالش کشانده است. هدف از برنامه‏ریزی و مدیریت منابع آب، انطباق هر چه بیشتر تقاضای سیستم‏های اجتماعی- اقتصادی آب با عرضۀ آب از طریق کنترل و مدیریت اداری و بدون آسیب رساندن به پایداری اکوسیستم است. این امر می‏تواند با شناسایی عوامل کلیدی و اثرگذار چه از سوی عرضۀ آب و نیز از سوی تقاضای مصرفی بخش‏های مختلف جامعه میسر شود. از این‏رو، در مطالعۀ حاضر تلاش شده است تا بر مبنای دیدگاه مدیریت یکپارچۀ منابع آبی، متغیرهای کلیدی و پیشران‏های اثرگذار در آیندۀ منابع آب شهرستان تبریز در افق 1420 شناسایی شده و در نهایت راهبردهای سیاستی مناسب اعمال شود. بر این اساس، 46 عامل اولیه زیر نظر گروه خبرگان و با استفاده از روش مرور منابع و دلفی شناسایی شد. در ادامه، به منظور تعیین عوامل کلیدی در این سیستم با استفاده از ماتریس تأثیرات متقاطع 15 عامل معرفی شد. یافته‏های نهایی نشان می‌دهد عوامل زیست‏محیطی و اقتصادی بیشترین سهم را به عنوان متغیرهای اصلی در این مجموعه دارند و تأثیر بیشتری بر آیندۀ منابع آبی خواهند داشت و انتظار می‏رود پیشران سازندۀ منابع آبی شهرستان از بین مؤلفه‏های زیست‏محیطی و اقتصادی باشد.

‌عوامل پیشران مدیریت یکپارچۀ منابع آبی (IWRM) ماتریس تأثیرات متقاطع

[1]. Burek P, Satoh Y, Fischer G, Kahil MT, Scherzer A, Tramberend S, et al. Water Futures and Solution: Fast Track Initiative (Final Report). IIASA Working Paper. Laxenburg, Austria, International Institute for Applied Systems Analysis (IIASA); 2016.

[2]. Wada Y, Flörke M, Hanasaki N, Eisner S, Fischer G, Tramberend S, et al. Modelling global water use for the 21st century: The Water Futures and Solutions (WFaS) initiative and its approaches. Geoscientific Model Development. 2016; 9:175–222.

[3]. Rosegrant MW, Cai X, Cline SA. World Water and Food to 2025: Dealing with Scarcity. Washington DC, International Food Policy Research Institute (IFPRI); 2002.

[4]. Dong C. Probabilistic scenario-based decision making for water resources planning and management. PhD.thesis. Hohai University. Nanjing, China; 2014.

[5]. Loucks DP, Van Beek E, Stedinger JR, Dijkman JP, Villars MT. Water Resources Systems Planning and Management: An Introduction to Methods, Models and Applications. Paris: UNESCO; 2005.

[6]. Savenije HHG, Van der Zaag P. Integrated water resources management: Concepts and issues. Physics and Chemistry of the Earth. Parts A/B/C. 2008; 33(5):290-297.

[7]. GWP. Main Article Focuses on IWRM Concepts. GWP Newsflow 2/00; 2000.

[8]. McCarthy JJ, Canziani OF, Leary NA, Dokken DJ, White KS. Climate change: impacts, adaptation, and vulnerability, in: Contribution of Working Group II to the Third Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge; 2001.

[9]. Dong C, Schoups G, van de Giesen N. Scenario development for water resource planning and management: a review, Technological Forecasting and Social Change. 2013; 80(4):749-761.

[10]. Gallopín GC, Rijsberman F. Three global water scenarios. International Journal of Water. 2000; 1(1):16–40.

[11]. Mahmoud M. Scenario development for water resources decision-making. PhD. Thesis. The University of Arizona; 2008.

[12]. Gallopín GC. Five stylized scenarios Global water futures 2050; 2012.

[13]. Nikooie A, Zibaei M. Water Resources Management and Food Security in Zayandeh Rud Basin: An Integrated River Basin Analysis. Journal of Agricultural Economics and Development. 2012; 26(3):183-196. [Persian]

[14]. Mohamadjani E, yazdanian N. The Analysis of Water Crisis Conjecture in IRAN and the Exigent Measures for ITS Management. TREND (TREND OF ECONOMIC RESEARCH). 2014; 21(66): 117-144. [Persian]

[15]. Rezayan A, Rezayan AH. Future studies of water crisis in Iran based on processing scenario. Iranian Journal of Eco Hydrology. 2016; 3(1):1-17. [Persian]

[16]. Karami T, ghafariyan bahraman M. Future Studies on Water Crisis and Security Challenges Case study: Rafsanjan city. Danesh-E-Entezami. 2016; 8(21): 49-79. [Persian]

[17]. Kippenberger T. Talking about scenarios. The Antidote. 1999; 4(4):7-8.

[18]. Zali N. Regional Development Foresight with Emphasis on Scenario-base Planning Approach, Case Study: (East Azarbaijan Province). Department of Geography and urban planning. University of Tabriz; 2010. [Persian]

[19]. Godet M. From anticipation to action. UNESCO publishing. Paris; 1991.

[20]. Cosgrove WJ, Rijsberman FR. World Water Vision: Making Water everybody’s Business, For the World Water Council. Marseille, France / London. World Water Council / Earthscan; 2000.

[21]. Flörke M, Alcamo J. European Outlook on Water Use. Center for Environmental Systems Research. University of Kassel; 2004.

[22]. Alcamo J, Gallopín G. Building a 2nd generation of world water scenarios: water in a changing world, in: The United Nations World Water Development Report 3. United Nations World Water Assessment Programme (WWAP). Paris; 2009._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.286916.1187

پژوهشی

کارایی مدل ترکیبی نسبت فراوانی-ماشین بردار پشتیبان در شناسایی مناطق مستعد سیل آبخیز کلات

مجددی ریزه ئی

حمزه

دانشجوی دکتری، دانشکدۀ منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

حبیب نژاد روشن

محمود

استاد، دانشکدۀ منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

شاهدی

کاکا

دانشیار، دانشکدۀ منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

پرادهان

بیسواجیت

استاد‌، مرکز مدل‌سازی پیشرفته و سیستم‌های اطلاعات جغرافیایی، دانشکدۀ مهندسی و فناوری اطلاعات، دانشگاه تکنولوژی سیدنی، NSW، استرالیا

20 03 2020

7 1 77 95 07 08 2019 09 02 2020

2020

https://ije.ut.ac.ir/article_75823.html

جاری شدن سیل آثاری منفی بر محیط زیست، اقتصاد، جوامع انسانی و صنعت دارد. امروزه، کاربرد مدل‌های پیشرفتۀ سیلاب برای شناسایی مناطق حساس و بهبود سیستم مدیریت سیل رشد چشمگیری داشته است. در این میان، تعدادی از محققان با ترکیب برخی مدل‌‌ها به نتایج قابل قبولی برای شناسایی مناطق مستعد سیل دست یافتند. از آنجا که آبخیز کلات از منظر سیلاب به‌خصوص سیلاب‌های اخیر سال 1398 جزء مناطق پرخطر استان خراسان رضوی محسوب می‌شود و تا کنون نیز در آن از تکنیک‌های پیشرفته برای برآورد احتمال وقوع سیل استفاده نشده است، بنابراین مدل ترکیبی نسبت فراوانی- ماشین بردار پشتیبان FR-SVM برای مدل‌سازی سیلاب انتخاب شده و با مدل مستقل SVM مقایسه شد. پس از بررسی‌های صورت‌گرفته 73 نقطۀ سیل‌گیر ثبت شده و 15 عامل مؤثر بر وقوع سیل شامل بارش سالانه، زمین‌شناسی، کاربری اراضی/پوشش زمین، طول شیب، فاصله از رودخانه، تحلیل سایۀ پستی و بلندی‌ها، ارتفاع، شاخص همگرایی، تحدب و تعقر طولی و عرضی، شیب، شاخص قدرت جریان، شاخص زبری توپوگرافی، شاخص رطوبت توپوگرافی و عمق دره، در نظر گرفته شد. ارزیابی مدل‌‌ها توسط معیارهای مختلف سنجش دقت از جمله ضریب کاپا، ریشۀ میانگین مربعات خطا، منحنی مشخصۀ عملکرد سیستم و منحنی میزان پیش‌بینی، صورت گرفت. مدل FR-SVM با منحنی میزان پیش‌بینی 8862/0، دقت زیاد و کارایی بهتری را نسبت به SVM نشان داد. این نتایج می‌تواند برای مدیریت مناطق آسیب‌پذیر سیل و سایر کاربردهای منابع طبیعی استفاده شود.

آبخیز کلات احتمال وقوع سیل ماشین بردار پشتیبان مدل ترکیبی سیلاب نسبت فراوانی

[1]. Rizeei HM, Azeez OS, Pradhan B, and Khamees HH. Assessment of groundwater nitrate contamination hazard in a semi-arid region by using integrated parametric IPNOA and data-driven logistic regression models. Environmental monitoring and assessment. 2018; 190(633): 1-17.

[2]. Tehrany MS, Pradhan B, and Jebur MN. Flood susceptibility analysis and its verification using a novel ensemble support vector machine and frequency ratio method. Stochastic Environmental Research and Risk Assessment. 2015; 29: 1149–1165.

[3]. Rizeei HM, Pradhan B, and Saharkhiz MA. An integrated fluvial and flash pluvial model using 2D high-resolution sub-grid and particle swarm optimization-based random forest approaches in GIS. Complex and Intelligent Systems. 2019; 5: 283–302.

[4]. Khosravi Kh, Pham BT, Chapi K, Shirzadi A, Shahabi H, Revhaug I, and et al. A comparative assessment of decision trees algorithms for flash flood susceptibility modeling at Haraz watershed, northern Iran. Science of the Total Environment, 2018. 627: p. 744-755.

[5]. Mojaddadi H, Pradhan B, Nampak H, Ahmad N, and Ghazali AHB. Ensemble machine-learning-based geospatial approach for flood risk assessment using multi-sensor remote-sensing data and GIS. Geomatics, Natural Hazards and Risk. 2017; 8(2): 1080–1102.

[6]. Tehrany MS, Pradhan B, and Jebur MN. Spatial prediction of flood susceptible areas using rule based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS. Journal of Hydrology. 2013; 504: 69-79.

[7]. Chapi K, Singh VP, Shirzadi A, Shahabi H, Bui DT, Pham BT, and et al. A novel hybrid artificial intelligence approach for flood susceptibility assessment. Environmental modelling and software. 2017; 95: 229-245.

[8]. Cao C, Xu P, Wang Y, Chen J, Zheng L, Niu C. Flash flood hazard susceptibility mapping using frequency ratio and statistical index methods in coalmine subsidence areas. Sustainability. 2016; 8: 948-964.

[9]. Ghorbani MA, Azani A, and Naghipour N. A Comparison of Support Vector Machine Performance with Other Intelligent Models in Rainfall-Runoff Simulation. Watershed Management. 2016; 7(13): 99-103. [Persian].

[10]. Tehrany MS, Pradhan B, and Jebur MN. Flood susceptibility mapping using a novel ensemble weights-of-evidence and support-vector machine models in GIS. Journal of Hydrology. 2014; 512: 332–343.

[11]. Rahmati O, Pourghasemi HR, Zeinivand H. Flood susceptibility mapping using frequency ratio and weights-of-evidence models in the Golastan province, Iran. Geocarto Int. 2016; 31: 42–70.

[12]. Hoseinzadeh SR, Khanehbad M, and Khosravi A. Urban Flood Risk Zoning Using Paleo-flood Hydrology Data (Case Study: Kalat Naderi City, Khorasan Razavi). Quantitative Geomorphology Research. 2013; 3(1): 20-36. [Persian].

[13]. Hoseinzadeh SR, Khanehbad M, and Khosravi A. Study of enormous floods in Kalat River using old level evidences. Geographical studies of arid regions. 2014; 5(17): 1-16. [Persian].

[14]. Zare M. March, April and May 2019 Floods and Climate changes in Iran, with special sight to Khuzeshtan Province floods. 2019. The Academy of Sciences Islamic Republic of Iran. http://www.ias.ac.ir/index.php/2015-09-21-08-02-04/1431-mehdi-zare-flood. [Persian].

[15]. Iranian Students’ News Agency (ISNA). Khorasan, 20 April 2019, News Cod: 981-13190-5, Reporter Cod: 15043. https://khorasan.isna.ir/default.aspx?NSID=5andSSLID=46andNID=145439. [Persian].

[16]. Pradhan B. Flood susceptible mapping and risk area delineation using logistic regression, GIS and remote sensing. Journal of Spatial Hydrology. 2010; 9: 1–18.

[17]. Merz B, Thieken AH, and Gocht M. Flood risk mapping at the local scale: concepts and challenges. In: Flood risk management in Europe: innovation in policy and practice. Advances in Natural and Technological Hazards Research. 2007; 25: 231–251.

[18]. Shafizadeh Moghadam H, Valavi R, Shahabi H, Chapi K, and Shirzadi A. Novel forecasting approaches using combination of machine learning and statistical models for flood susceptibility mapping. Journal of environmental management. 2018; 217: 1–11.

[19]. Botzen W, Aerts J, and Van den Bergh J. Individual preferences for reducing flood risk to near zero through elevation. Mitigation and Adaptation Strategies for Global Change. 2013; 18(2): 229-244.

[20]. Maier HR, Jain A, Dandy GC, and Sudheer KP. Methods used for the development of neural networks for the prediction of water resource variables in river systems: Current status and future directions. Environmental Modelling Software. 2010; 25: 891-909.

[21]. Khosravi K, Nohani E, Maroufinia E, and Pourghasemi HR. A GIS-based flood susceptibility assessment and its mapping in Iran: a comparison between frequency ratio and weights-of-evidence bivariate statistical models with multicriteria decision-making technique. Natural hazards. 2016; 83(2): 947–987.

[22]. Pike RJ. Diversity in quantative surface analysis progress in Physical Geography. Geomorphology. 2000; 24:1-20.

[23]. Ghanavati A, Saffari A, Beheshti A, and Mansourian A. Flood potential mapping using ensemble Hydrologic model CN-AHP in GIS. Case study: Balkholu River Basin. Natural Geography Journal. 2014; 7(52): 67-80. [Persian].

[24]. Sarhadi A, Soltani S, and Modarres R. Probabilistic flood inundation mapping of ungauged rivers: Linking GIS techniques and frequency analysis. Journal of Hydrology. 2012; 458: 68–86.

[25]. Solaimani K. Urban Flood Hydrology and Quantitative Modeling in GIS and SWMM Environment. 1st ed. Mazandaran. Haraz University. 2015: p 322. [Persian].

[26]. Townsend PA, and Walsh SJ. Modeling floodplain inundation using an integrated GIS with radar and optical remote sensing. Geomorphology. 1998; 21: 295-312.

[27]. Meyer V, Scheuer S, and Haase D. A multicriteria approach for flood risk mapping exemplified at the Mulde River, Germany. Natural Hazards. 2009; 48: 17-39.

[28]. Bui DT, Panahi M, Shahabi H, Singh VP, Shirzadi A, Chapi A, and et al. Novel Hybrid Evolutionary Algorithms for Spatial Prediction of Floods. Scientific Reports. 2018; 8:(15364) 1-14.

[29]. Rokach L. Ensemble-based classifiers. Artificial Intelligence Review. 2010; 33(1-2): 1-39.

[30]. Arabameri A, Pourghasemi HM, and Shirani K. Flood susceptibility Zonation using a novel ensemble Bayesian–AHP model. Case study: Neka Basin, Mazandaran, Iran. Ecohydrology. 2017; 4(2): 447-462. [Persian].

[31]. Chapelle O, Vapnik V, Bousquet O, and Mukherjee S. Choosing multiple parameters for Support Vector Machines. Machine Learning. 2002; 46(1-3): 131–159.

[32]. Samui P. Slope stability analysis: a support vector machine approach. Environmental Geology. 2008; 56(2): 255-267.

[33]. Golshan M, Esmaeely A, and Khosravi Kh. Flood susceptibility evaluation of Talar Basin using FR model. Natural Environment Hazards. 2018; 7(15): 1-16. [Persian].

[34]. Khosravi Kh, Maroufinia E, Nohani E, and Chapi K. Efficiency evaluation of Logistic Regression Model in flood susceptibility mapping. Iranian Natural resources, Watershed Management. 2016; 69(4): 863-876. [Persian].

[35]. Kheyrizadeh M, Maleki J, and Amunia H. Flood hazard zonation in Mardagh Chay Basin using ANP Model. Quantitive Geomorphology Researches. 2013; 1(3): 56-71. [Persian].

[36]. Maroufinia E, Nohani E, Khosravi Kh, and Chapi K. Evaluation of Statistical Index Method in Flood Susceptibility Mapping. Water and Soil Science. 2016; 26(2): 201-214. [Persian].

[37]. Youssef AM, Pradhan B, and Hassan AM. Flash flood risk estimation along the St. Katherine road, southern Sinai, Egypt using GIS based morphometry and satellite imagery. Environmental Earth Scinces. 2011; 62: 611–623.

[38]. Manandhar B. Flood plain analysis and risk assessment of Lothar Khola. MSc Thesis, Tribhuvan University, Phokara, Nepal. 2010. P 65.

[39]. Lee MJ, Kang JE, and Jeon S. Application of frequency ratio model and validation for predictive flooded area susceptibility mapping using GIS. 32nd IEEE International Geoscience and Remote Sensing Symposium(IGARSS), Munich. Germany. 2012; 895–898.

[40]. Nohani E, Darabi F, Maroufinia E, and Khosravi Kh. Evaluation of Entropy Shannon model producing Flood probability and susceptibility mapping in Haraz Basin. Natural Environment Hazards. 2016; 5(10): 99-116. [Persian].

[41]. Darabi H, Shahedi K, and Mardian M. Flood probability and susceptibility mapping using Frequency Ration Model in Pol Doaab Shazand Basin. Journal of Watershed Engineering and Management. 2016; 8(1): 68-79. [Persian].

[42]. Bui DT, Pradhan B, Nampak H, Bui QT, Tran QA, and Nguyen QP. Hybrid artificial intelligence approach based on neural fuzzy inference model and metaheuristic optimization for flood susceptibility modeling in a highfrequency tropical cyclone area using GIS. Journal of Hydrology. 2016; 540: 317-330.

[43]. Hong H, Tsangaratos P, Ilia I, Liu J, Zhua AX, and Chen W. Application of fuzzy weight of evidence and data mining techniques in construction of flood susceptibility map of Poyang County, China. Science of the Total Environment. 2018; 625: 575–588.

[44]. Pallard B, Castellarin A, and Montanari A. A look at the links between drainage density and flood statistics. Hydrology and Earth System Sciences. 2009; 13(1): 1019–1029.

[45]. Opolot E. Application of remote sensing and geographical information systems in flood management: a review. Research Journal of Applied Science Engineering and Technology. 2013; 6: 1884-1984._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.290421.1219

پژوهشی

پیش بینی نوسانات سطح آب زیر زمینی با استفاده از مدل‌های سری زمانی و GMS (مطالعۀ موردی: دشت رفسنجان)

جمالی زاده

محمدعلی

دانشجوی دکتری علوم و مهندسی آبخیز، گروه مهندسی منابع طبیعی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس

بذرافشان

ام البنین

دانشیار، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس

مهدوی نجف آبادی

رسولل

دانشیار، گروه مهندسی منابع طبیعی، دانشکده کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس

آذره

علی

استادیار گروه جغرافیا، دانشکدۀ علوم انسانی، دانشگاه جیرفت، جیرفت

رفیعی ساردوئی

الهام

استادیار گروه مهندسی طبیعت، دانشکدۀ مهندسی منابع طبیعی، دانشگاه جیرفت، جیرفت

20 03 2020

7 1 97 109 07 12 2019 09 02 2020

2020

https://ije.ut.ac.ir/article_75824.html

آگاهی از تغییرات بارش به عنوان یک مؤلفۀ هیدرولوژیکی در منابع آب، مهم و ضروری است تا با ارائۀ راه‏کارها و روش‏های مدیریتی مناسب، به بهره‏برداری مناسب از آب‏های زیرزمینی در مناطق خشک و نیمه‏خشک با توجه به کمبود بارش در این مناطق پرداخت. با توجه به اهمیت موضوع، در پژوهش حاضر پیش‏بینی نوسانات سطح آب زیرزمینی تحت تأثیر مدل‏های سری زمانی در دشت رفسنجان صورت گرفت. بارش آینده با استفاده از مدل ARIMA در نرم‏افزار EViews9 برای دورۀ 1396ـ 1402 پیش‏بینی شد. سپس، افت آب زیرزمینی نیز با استفاده از مدل آب زیرزمینی GMS در دورۀ پایه (1382ـ 1395) و نتایج حاصل از مدل ARIMA برای دورۀ آتی شبیه‏سازی شد. نتایج شبیه‌سازی افت آب زیرزمینی نیز نشان داد در تمامی منطقه افت سطح آب زیرزمینی در دورۀ آتی نسبت به دورۀ پایه رخ داده و بیشترین میزان افت آب زیرزمینی در بخش‏های جنوب غرب دشت صورت گرفته است و سالیانه حدود 130 میلیون مترمکعب اضافه‌برداشت از منابع آب زیرزمینی صورت می‏گیرد. در حالت کلی، آب زیرزمینی در ابتدای دوره بیشترین مقدار (سطح بالا) و در اواخر دورۀ آماری، کمترین مقدار (پایین‌ترین سطح) را داشته است. پس از مدل‏سازی سطح آب زیرزمینی برای دورۀ پایه، پیش‏بینی بارندگی حاصل از مدل ARIMA با فرض ثابت بودن میزان بهره‏برداری از آبخوان، بر مدل آب زیرزمینی اعمال شد. نتایج نشان داد کسری حجم آبخوان به میزان 09/1021 میلیون‌مترمکعب در سال پایانی مدل‏سازی (سال 1402) صورت گرفته است. همچنین، تغییرات سطح آبخوان دشت رفسنجان از سال 1382 تا سال 1402 بیان‌کنندۀ آن بود که با توجه به برآورد بارش حاصل از مدل ARIMA می‌توان گفت که سالانه به طور متوسط یک متر افت آبخوان در این دشت رخ خواهد داد.

آب زیرزمینی دشت رفسنجان مدل ARIMA GMS

[1]. Gleeson T, Befus K.M, Jasechko S, Luijendijk E, Cardenas M.B. The global volume and distribution of modern groundwater. Nat. Geosci. 2016; 9 (2):161.

[2]. Liu F, Song X.F, Yang L.H, Han D.M, Zhang Y.H, Ma Y, Bu H.M. The role of anthropogenic and natural factors in shaping the geochemical evolution of groundwater in the Subei Lake basin, Ordos energy base. Northwest. China. Sci. Total. Environ. 2015; 538, 327e340.

[3]. Foster S, Shah T. Groundwater Resources and Irrigated Agriculture-making a Beneficial Relation More Sustainable. Global Water Partnership Perspectives Paper (Stockholm). 2012.

[4]. Jasrotia A. S, Taloor A. K, Andotra U, BhagatB. D. Geoinformatics based groundwater quality assessment for domestic and irrigation uses of the Western Doon valley, Uttarakhand, India. Groundwater for Sustainable Development, 2018; 6, 200-212.

[5]. Salih A. Contribution of UNESCO-international hydrological programme to water resources management in the arabian gulf countries. In: Alsharhan, A.S., Wood, W.W. (Eds.), Water Resources Perspectives: Evaluation. Management and Policy Published in by Elsevier Science, Amsterdam, The Netherlands, 2003; pp. 129–139.

[6]. Basahi J. M, Masoud M. H, & Rajmohan N. Effect of flash flood on trace metal pollution in the groundwater-Wadi Baysh Basin, western Saudi Arabia. Journal of African Earth Sciences, 2018; 147: 338 351.

[7]. Nsubuga F.W.N, Botai O.J, Olwoch J.M, Dew Rauten bach C.J., Yvette B, & Adebayo O.A. The nature of rainfall in the maindrainage sub-basins of Uganda. Hydrological Sciences Journal, 2014; 59 (2): 278-299.

[8]. Haiyun S, Tiejian L, Jiahua W, Wang F, Guangqian W. Spatial and temporal characteristics of precipitation over the Three-River Headwaters region during 1961–2014. Journal of Hydrology: Regional Studies 6 (2016) 52–65.

[9]. Guobin F, Stephen P. C, Francis H.S.C, Jin T, Hongxing Z, Andrew J. F, Wenbin L, Sergey K. 2013.Modelling runoff with statistically downscaled daily site, gridded and catchment rainfall series. Journal of Hydrology, 2013; 492 : 254-265.

[10]. Cao Don N., Thi minh hang N., Araki H., Yamanishi H., Koga K. Groundwater resources management under enviromental in shiroishi of saga plain, japan. Enviromental geology. 2006; 49: 601-609.

[11]. Bear J., Cheng A. H. D. 2010: Modeling Groundwater Flow and Contaminant Transpor. Technion-Israel Institute of Technology, Haifa, and School of Engineering, Kinneret College on the Sea of Galilee, Israel., 2010; 23: 850pp.

[12]. Cao Don N, Araki H, and Yamanishi H, Koga K. Simulation of groundwater flow and enviromental effects resulting from pumping. Enviromental geology.2005; 47: 361-374.

[13]. Asghari Moghadam A, Mahmoudi T, Impacts of Maragheh Industrial Town Wastewater on Groundwater Pollution of Maragheh-Bonab Plain. Environmental Studies. 2008; 34 (45): 15-22. [In Persian].

[14]. Mohamadi M, Moaradi H, Vafakhah M. Characteristics of drought and its impact on groundwater level fluctuations in Arak plain with GIS approach. M.Sc., Faculty of Natural Resources, Tarbiat Modarres University. 2016; 108 p. [In Persian].

[15]. PANDA D.K. and KUMAR A. (2011) Evaluation of an over-used costal aquifer (Orissa, India) using statistical approaches. Hydrol. Sci. Jour., 2011; 56(3): 486-497.

[16]. Wang Q. Y, Zhang P. C, Cao B. B, & Hao Y. H. Comparison between grey system and ARIMA model in groundwater simulation—A case study of Liulin Springs discharge simulation. In Proceedings of 2011 IEEE International Conference on Grey Systems and Intelligent Services, 2011; (pp. 400-405). IEEE.

[17]. Rahaman M. M, Thakur B, Kalra A, & Ahmad S. Modeling of GRACE-Derived Groundwater Information in the Colorado River Basin. Hydrology, 2019; 6(1): 19.

[18]. de Moraes Takafuji E. H, da Rocha M. M, & Manzione R. L. Groundwater level prediction/forecasting and assessment of uncertainty using SGS and ARIMA Models: A case study in the Bauru Aquifer System (Brazil). Natural Resources Research, 2019; 28(2):487-503

[19]. Chubin B, Malekian A, Sajedi Hosseini F, Rahmati O. Water level prediction using time series and adaptive neural fuzzy inference system. Iranian Soil and Water Research, 2014; 45 (1): 19-28. [In Persian].

[20]. Nozarpour L, Chitsazan M, Nodri A. Frhadmanesh. M. Evaluation of the Hydraulic Relationship of the Andimeshk Plain and Dez River Aquifer Using the Mudflow Model. Journal of Advanced Applied Geology, 2015; 17: 36-23. [In Persian].

[21]. Shafie M, Musae Sanjari M, Almodaresi A. Investigating the Impact of Climate Change on Groundwater Level Using ARIMA and GCM Models and GIS Modeling in Abarkoh Plain, Yazd, Second National Conference on Application of Advanced Spatial Models (Remote Sensing and GIS) to Land Preparation, 2019; p. 11 -1.

[22]. de Vries J.J, Simmers I. Groundwater recharge: an overview of processes and challenges. Hydrogeol. J. 2002; 10 (1): 5–17.

[23]. Scanlon B.R, Keese K.E, Flint, A.L, Flint L.E, Gaye C.B, Edmunds W.M, Simmers I. Global synthesis of groundwater recharge in semiarid and arid regions. Hydrol. Process. 2006; 20 (15): 3335–3370.

[24]. Jafari Gadaneh M, Tahedini M, Bakhtiarpour A. Investigation of Spatial and Temporal Changes in Groundwater Level in Rafsanjan Plain, First International Silk Road Scientists Conference, 2019. [In Persian].

[25]. Box G. E. P. and Jenkins G. M. Time series analysis forecasting and control, Holden-Day, San Francisco.1976.

[26]. Karamuz M. Araghonejad SH. Advanced Hydrology, Amir Kabir University Press (Tehran Polytechnic). 2009. [In Persian].

[27]. Modarres, R., & Ouarda, T. B. (2013). Testing and modelling the volatility change in ENSO. Atmosphere-Ocean, 51(5), 561-570.

[28]. Jafari Gadaneh M, Salajeghe A, Malekian A. The Impact of Climate Change on the Quantity and Quality of Groundwater (Case Study: Kerman Plain), MSc Thesis, Faculty of Natural Resources, University of Tehran. 2016. [In Persian].

[29]. Afrouzi A, Zareabianeh H. Groundwater Level Modeling and Forecasting Using Time Series Models (Case Study: Hamadan Plains Plain), Watershed Management Journal. 2017; 8(15): 111-102. [In Persian].

[30]. Jabarbarezi B, Khosravi H. Tavili, A. Investigation of the effects of hail on the aquifer of Jafari plain of Qom, M.Sc., Faculty of Natural Resources, University of Tehran, 2017. [In Persian].

[31]. Mazadeh Y. Groundwater quantitative modeling using GMS software in Quchan plain. Faculty of Agriculture, Ferdowsi University of Mashhad. 2003. [In Persian].

[32]. Gibrilla A, Anornu G, & Adomako D. Trend analysis and ARIMA modelling of recent groundwater levels in the White Volta River basin of Ghana. Groundwater for Sustainable Development, 2018; 6: 150-163.

[33]. Patle G. T, Singh D. K, Sarangi A, Rai A, Khanna M, & Sahoo R. N. Time series analysis of groundwater levels and projection of future trend. Journal of the Geological Society of India, 2015; 85(2): 232-242._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.291934.1236

پژوهشی

بررسی پایداری کنارۀ رودخانۀ طالقان در برابر فرسایش و راهکارهای مدیریتی آن با استفاده از روش تنش برشی لین

اطمینان

زهرا

دانشجوی کارشناسی ارشد جغرافیای طبیعی، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران

رستمی

میلاد

دانشجوی دکتری گروه جغرافیای طبیعی، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران

نصرتی

کاظم

دانشیارجغرافیای طبیعی، دانشکدۀ علوم زمین، دانشگاه شهید بهشتی، تهران

20 03 2020

7 1 111 119 06 11 2019 11 02 2020

2020

https://ije.ut.ac.ir/article_75825.html

پدیدۀ فرسایش و انتقال رسوب از جمله فرایندهای هیدرودینامیکی مهمی است که بسیاری از سیستم‌های هیدرولیکی نظیر حوضه‌های آبریز، رودخانه، سواحل، بنادر، سدها، پل‌ها، جاده‌ها، کشتزارها و تأسیسات عمرانی را متأثر می‌سازد. در این میان، مطالعۀ ناپایداری کنارۀ رودخانه برای فعالیت مهندسی به منظور پایدارسازی کناره در برابر فرسایش از اقدامات ضروری است. بنابراین، در پژوهش حاضر ضریب ناپایداری رودخانۀ طالقان و راهکار مهندسی برای پایدارسازی کنارۀ آن با استفاده از مدل لین بررسی شد. به این منظور، کلیۀ پارامترهای مورد نیاز با استفاده از بررسی میدانی و تصاویر گوگل ارث اندازه‌گیری شد و در نهایت شیب، تنش برشی، زاویۀ شیب، ضریب پایداری ذره‌، ضریب پایداری و سپس اندازۀ پاره‌سنگ مؤثر برای سنگ‌چینی کناره‌های مقاطع مد نظر در رودخانۀ طالقان به دست آمد. با توجه به نتایج به‌دست‌آمده، بیشترین میزان فرسایش و در نتیجۀ آن، کمترین ضریب پایداری (0002/0 و 0001/0) و بزرگ‌ترین پاره‌سنگ در آستانۀ حرکت (33/0 و 48/0 متر) و مؤثر برای سنگ‌چینی مربوط به مقطع 4 در هر دو کناره است که به محدودۀ روستای گوران مربوط می‌شود و کمترین میزان فرسایش و در نتیجۀ آن، بیشترین ضریب پایداری (002/0 و 017/0) و کوچک‌ترین پاره‌سنگ در آستانۀ حرکت (75/0 و 95/0 متر) برای سنگ‌چینی مربوط به مقطع یک در محدودۀ روستای مهران است. از دلایل آن می‌توان اندازۀ ذرات کناره‌ها، شیب بستر، شیب کناره و عرض دبی لبالبی را بیان کرد. با توجه به موقعیت منطقه بهترین راه برای جلوگیری از فرسایش کناره‏ای ایجاد سنگ‌چین در کناره‌های با فرسایش زیاد است.

اندازۀ پاره‌سنگ رودخانۀ طالقان ضریب پایداری فرسایش کناره‏ای مدل لین

[1]. Bertrand F, and Papanicolaou AN. Effects of Freezing and Thawing Process on Bank Stability, World Environmental and Water Resources Congress, Great Rivers, New Mexico.2009; 42: 63-74.

[2]. Tokaldany E A, Darby SE, Tosswell P. Coupling Bank Stability and Bed Deformation Models to Predict Equilibrium Bed Topography in River Bends, Journal of Hydraulic Engineering.2007; 133(10): 1167-1170.

[3]. Ostadi F, Majdzade tabatabaee M, Alimohamadi A. Optimization Modeling of Spurdikes Dimensions by considering its Role on River Morphological Stabilization. 2014:9(4):55-72. {persian}

[4]. Bernhardt ES, Palmer MA, Allan JD, Alexander G, Barnas K, Brooks S, et al. Synthesizing U. S. river restoration efforts, Science.2005:( 308): 636–637.

[5]. Kwan H, Swanson S. Prediction of Annual Streambank Erosion for Sequoia National Forest, California. JAWRA Journal of the American Water Resources Association.2014; 50(6): 1439–1447.

[6]. Coryat M. Analysis of the Bank Assessment for Non-point Source Consequences of Sediment (BANCS) Approach for the Prediction of Streambank Stability and Erosion along Stony Clove Creek in the Catskills. Master of Science Thesis, Syracuse University.2014.

[7]. Roper B, Buffington J, Archer E, Moyer Ch, Ward M. The role of observer variation in determining rosgen stream types in northeastern Oregon Mountain streams, JAWRA Journal of the American Water resources association. 2008:417-427

[8]. Hosseinzadeh M, khaleghi S, rostami M.Analysis river bank stability against erosion and management practices.Case Study: Galali River, Kurdistan.Quantitative Geomorphological Research. 2018;6(4):160-171.{persian}

[9]. Amiri takeldani E , Samadi A, Rahimi H. Effects of position and depth of tensile cracking on river bank stability. Journal of Agricultural Engineering Research. 2005;6(25):78-94. {persian}

[10]. Mansouri hafshajani M, Shafaee bajestan M. Design of Riprap Size at Bridge Abutment in a River Bend.2011;(4):10. {persian}

[11]. Layeghi S, karam , A. Hydrogeomorphological Classification of Jajrood River with Rosgen Model. Quantitative Geomorphological Research.2014;3(3):130-143. {persian}

[12]. Lawlor, S. M. 2004. Determination of Channel-Morphology Characteristics, Bankfull Discharge, and Various Design-Peak Discharges in Western Montana. Scientific Investigations Report 2004; 5263: 1-19.

[13]. GordonN.D, McMahon T.A, Finlayson BL, Gippel CJ, Nathan R.J. An introduction for ecologists. Stream hydrology.2004;2.

[14]. Hosseinzade M, esmaeeli R. River geomorphology (Concepts, Forms and Processes). Tehran:Shahid Beheshti University publication; 2015:338. {persian}

[15]. Mount J F. California Rivers and Streams- The Conflict between Fluvial Process and Land Use, University of California Press, Berkeley, California.1995:218-241

_||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.293955.1251

پژوهشی

پتانسیل سنجی تولید انرژی زیستی حاصل از محصول ذرت با رویکرد ردپای آب

محمدی

علی

دانشجوی دکتری علوم و مهندسی آب – منابع آب، پردیس ابوریحان، دانشگاه تهران

یوسفی

حسین

دانشیار، گروه انرژی‏ های نو و محیط ‏زیست، دانشکدۀ علوم و فنون نوین، دانشگاه تهران

20 03 2020

7 1 121 129 06 11 2019 31 01 2020

2020

https://ije.ut.ac.ir/article_75826.html

ترویج تأمین انرژی از زیست‏توده برای کاهش انتشار گازهای گلخانه‏ای، سبب تمرکز بر تولید محصولات مهم از منظر انرژی و در نهایت، افزایش مصرف آب شده است. از این‏رو، در پژوهش حاضر برای بررسی پیوند آب و انرژی زیستی، از شاخصی با عنوان «رد پای آب» استفاده شد. به این منظور، اطلاعات مرتبط با محصول ذرت دانه‏ای در دشت‏های استان خوزستان جمع‏آوری شد. براساس محاسبات انجام‌شده مشخص شد که رد پای آب محصول ذرت در سطح استان، میانگینی برابر با (m3/ton) 6/3355 دارد و رد پای آب زیست‏تودۀ آن نیز برابر با (m3/ton) 9/214 است. همچنین، بررسی رد پای آب انرژی زیست‏تودۀ ذرت نشان داد بیشترین و کمترین رد پای آب هر واحد از انرژی به‌ترتیب در دشت بهبهان (m3/GJ) 1/27 و در دشت عباس‏آباد (m3/GJ) 10 وجود دارد. بر این اساس، استان خوزستان با میانگین رد پای آب (m3/GJ) 13، وضعیت بهتری از منظر رد پای آب زیست‏تودۀ ذرت نسبت به کشورهایی نظیر زیمباوه، برزیل و آمریکا به‌ترتیب با رد پای آب برابر با 200، 39 و 18 (m3/GJ) دارد. با تهیۀ نقشۀ پتانسیل تولید انرژی زیست‏توده با رویکرد رد پای آب نیز مشخص شد که دشت‏های جنوب شرقی استان (به‏ویژه بهبهان، امیدیه، هندیجان)، به دلیل آنکه رد پای آب انرژی زیست‏تودۀ آنها ‌بین 12 تا 1/27 (m3/GJ) است، اولویت کمی برای تولید زیست‏توده دارند و در مقابل، دشت‏های شمالی و شرقی (به‏ویژه عباس‏آباد، اندیمشک، صیدون و قلعه تل) با رد پای آب انرژی زیستی 10 تا 9/10 (m3/GJ)، اولویت زیادی برای استفاده از زیست‏تودۀ ذرت برای تولید انرژی دارند.

خوزستان ذرت زیست‏توده گازهای گلخانه‏ای

[1]. Souza GM, Ballester MV, de Brito Cruz CH, Chum H, Dale B, Dale VH, Fernandes EC, Foust T, Karp A, Lynd L, Maciel Filho R. The role of bioenergy in a climate-changing world. Environmental development. 2017 Sep 1;23: 57-64.

[2]. Renewable Energy Policy Network for the 21st Century (REN21). Available online: http://www.Ren21.Net/ status-of-renewables/global-status-report/ (accessed on 17 Nov 2019).

[3]. Masera OR, Bailis R, Drigo R, Ghilardi A, Ruiz-Mercado I. Environmental burden of traditional bioenergy use. Annual Review of Environment and Resources. 2015 Nov 4;40:121-50.

[4]. Ahrens T, Drescher-Hartung S, Anne O. Sustainability of future bioenergy production. Waste Management. 2017, 67, 1–2.

[5]. Pfister S, Koehler A, Hellweg S. Assessing the environmental impacts of freshwater consumption in LCA. Environmental science & technology. 2009 Apr 23;43(11):4098-104.

[6]. Mathioudakis V, Gerbens-Leenes PW, Van der Meer TH, Hoekstra AY. The water footprint of second-generation bioenergy: A comparison of biomass feedstocks and conversion techniques. Journal of cleaner production. 2017 Apr 1;148: 571-82.

[7]. Gerbens-Leenes PW, Hoekstra AY, Van der Meer TH. The water footprint of energy from biomass: A quantitative assessment and consequences of an increasing share of bio-energy in energy supply. Ecological economics. 2009 Feb 15;68(4):1052-60.

[8]. Mohammadi, A., Yousefi, H., Noorollahi, Y., Sadatinejad, S. Choosing the best province in potato production using water footprint assessment. Iranian journal of Ecohydrology, 2017; 4(2): 523-532. [In Persian]

[9]. Hoekstra AY, Chapagain AK, Mekonnen MM, Aldaya MM. The water footprint assessment manual: Setting the global standard. Routledge; 2011.

[10]. Schyns JF, Vanham D. The Water Footprint of Wood for Energy Consumed in the European Union. Water. 2019 Feb;11(2):206.

[11]. Mekonnen MM, Romanelli TL, Ray C, Hoekstra AY, Liska AJ, Neale CM. Water, energy, and carbon footprints of bioethanol from the US and Brazil. Environmental science & technology. 2018 Nov 14;52(24):14508-18.

[12]. Ministry of Agriculture, Agricultural statistics of Agricultural crops products. Ministry of Agriculture Publication. Vol. 1. 2016; 163p. [In Persian]

[13]. Ababaei B, Etedali HR. Water footprint assessment of main cereals in Iran. Agricultural Water Management. 2017 Jan 1;179:401-11.

[14]. Ababaei B, Etedali HR. Estimation of water footprint components of Iran’s wheat production: Comparison of global and national scale estimates. Environmental processes. 2014 Sep 1;1(3):193-205.

[15]. Henteh, Z., Aminian, R. Response of Late Maturing Hybrids Seed Corn to the Application of Potassium Sulfate under Deficit Irrigation, 2017; Nov 2 (42): 283-302. [In Persian]

[16]. Chukalla AD, Krol MS, Hoekstra AY. Green and blue water footprint reduction in irrigated agriculture: effect of irrigation techniques, irrigation strategies and mulching. Hydrology and earth system sciences. 2015 Dec 21;19(12):4877-91.

[17]. Gheewala SH, Berndes G, Jewitt G. The bioenergy and water nexus. Biofuels, Bioproducts and Biorefining. 2011 Jul;5(4):353-60.

_||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.295498.1265

پژوهشی

بررسی تغییرات پهنه‌های آبی با استفاده از شاخص‌های آبی و گوگل ارث انجین (مطالعۀ موردی: تالاب‌های شهرستان پلدختر، اﺳﺘﺎن لرستان)

خسروی

رضا

دانشجوی کارشناسی ارشد سنجش از دور زمین‌شناختی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

حسن زاده

رضا

استادیار گروه اکولوژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

حسینجانی زاده

مهدیه

محمدی

صدیقه

20 03 2020

7 1 131 146 06 12 2019 09 03 2020

2020

https://ije.ut.ac.ir/article_75846.html

زیستگاه‏های تالابی مهم‏ترین اکوسیستم‏های طبیعی کرۀ زمین هستند و نتایج ‌بررسی تغییرات تالاب‏ها، یکی از نیازهای اساسی در مدیریت منابع طبیعی این زیست‌بوم‌های طبیعی است. هدف از انجام تحقیق حاضر، بررسی و مقایسۀ تغییرات تالاب‏های شهرستان پلدختر طی چهار دهۀ گذشته (1985تا 2018) با استفاده از تصاویر ماهواره‏ای لندست و کاربرد 7 شاخص پهنۀ آبی و گوگل ارث انجین است. این شاخص‏ها شامل AWEInsh، AWEIsh، NDWI، MNDWI، NDWI plus VI، mNDWI plus VI، LSWI plus VI می‌شود و در گوگل ارث انجین از Landsat Water Product استفاده ‏شده است. نتایج به‌دست‌آمده جنبه‏های مختلفی از توزیع فضایی و زمانی پهنۀ آبی تالاب‏ها را در ۳3 سال اخیر ترسیم می‏کند. مرز پهنۀ آبی تالاب‏ها با استفاده از شاخص‏های یادشده و سرویس گوگل ارث انجین استخراج شد و سپس، با داده‏های واقعی محدودۀ تالاب‏ها مقایسه شدند. نتایج نشان می‏دهد شاخص‏های AWEInsh و AWEIsh با صحت کلی 39/99 و 19/99 درصد و ضریب کاپای 94/0 و 91/0 بهترین شاخص‏ها برای تعیین پهنۀ آبی هستند و اعتبارسنجی نتایج به‌دست‌آمده از سرویس گوگل ارث انجین نشان‏دهندۀ 87 درصد صحت کلی و ضریب کاپای 86/0 است. این نتایج نشان می‌دهد شاخص‌های آب و گوگل ارث انجین ابزاری مفید برای شناسایی روند افزایشی و کاهشی سطح آب تالاب‌ها هستند که می‌توانند برنامه‌ریزان و سیاست‌گذاران را در حفاظت و مدیریت منابع طبیعی در منطقۀ مطالعه‌شده یاری رسانند.

آب‌های سطحی تالاب‌های پلدختر تصاویر لندست شاخص پهنه‌های آبی Engine Google Earth

[1]. Emadi, M., et al., An approach for land suitability evaluation using geostatistics, remote sensing, and geographic information system in arid and semiarid ecosystems. Environmental monitoring and assessment, 2010. 164(1-4): p. 501-511.

[2]. Wang, C., et al., Long-Term Surface Water Dynamics Analysis Based on Landsat Imagery and the Google Earth Engine Platform: A Case Study in the Middle Yangtze River Basin. Remote Sensing, 2018. 10(10): p. 1635.

[3]. Xie, H., et al., Evaluation of Landsat 8 OLI imagery for unsupervised inland water extraction. International Journal of Remote Sensing, 2016. 37(8): p. 1826-1844.

[4]. Sarp, G. and M. Ozcelik, Water body extraction and change detection using time series: A case study of Lake Burdur, Turkey. Journal of Taibah University for Science, 2017. 11(3): p. 381-391.

[5]. Syphard, A.D. and M.W. Garcia, Human-and beaver-induced wetland changes in the Chickahominy River watershed from 1953 to 1994. Wetlands, 2001. 21(3): p. 342-353.

[6]. Winter, T.C., et al., Water source to four US wetlands: implications for wetland management. Wetlands, 2001. 21(4): p. 462-473.

[7]. Augusteijn, M. and C. Warrender, Wetland classification using optical and radar data and neural network classification. International Journal of remote sensing, 1998. 19(8): p. 1545-1560.

[8]. Ozemi, S. and M. Bauer, Satellite Remote Sensing of Wetlands, Wetlands Ecology and Management. 2002.

[9]. Zhang, Y., I.O. Odeh, and E. Ramadan, Assessment of land surface temperature in relation to landscape metrics and fractional vegetation cover in an urban/peri-urban region using Landsat data. International Journal of Remote Sensing, 2013. 34(1): p. 168-189.

[10]. Qi, H. and M. Altinakar, Simulation-based decision support system for flood damage assessment under uncertainty using remote sensing and census block information. Natural hazards, 2011. 59(2): p. 1125-1143.

[11]. Barton, I.J. and J.M. Bathols, Monitoring floods with AVHRR. Remote sensing of Environment, 1989. 30(1): p. 89-94.

[12]. Evora, N.D., D. Tapsoba, and D. De Seve, Combining artificial neural network models, geostatistics, and passive microwave data for snow water equivalent retrieval and mapping. IEEE Transactions on Geoscience and Remote Sensing, 2008. 46(7): p. 1925-1939.

[13]. Zou, Z., et al., Continued decrease of open surface water body area in Oklahoma during 1984–2015. Science of the Total Environment, 2017. 595: p. 451-460.

[14]. Henits, L., C. Jürgens, and L. Mucsi, Seasonal multitemporal land-cover classification and change detection analysis of Bochum, Germany, using multitemporal Landsat TM data. International Journal of Remote Sensing, 2016. 37(15): p. 3439-3454.

[15]. Li, N., C. Yan, and J. Xie, Remote sensing monitoring recent rapid increase of coal mining activity of an important energy base in northern China, a case study of Mu Us Sandy Land. Resources, Conservation and Recycling, 2015. 94: p. 129-135.

[16]. Rundquist, D.C., et al., THE RELATIONSHIP BETWEEN SUMMER‐SEASON RAINFALL EVENTS AND LAKE‐SURFACE AREA 1. JAWRA Journal of the American Water Resources Association, 1987. 23(3): p. 493-508.

[17]. Gao, B.-C., NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space. Remote sensing of environment, 1996. 58(3): p. 257-266.

[18]. Xu, H., Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. International journal of remote sensing, 2006. 27(14): p. 3025-3033.

[19]. Chen, B., et al., Mapping forest and their spatial–temporal changes from 2007 to 2015 in tropical hainan island by integrating ALOS/ALOS-2 L-band SAR and landsat optical images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018. 11(3): p. 852-867.

[20]. Wulder, M.A., et al., Current status of Landsat program, science, and applications. Remote sensing of environment, 2019. 225: p. 127-147.

[21]. Zhu, Z., et al., Benefits of the free and open Landsat data policy. Remote Sensing of Environment, 2019. 224: p. 382-385.

[22]. Huang, H., et al., Mapping major land cover dynamics in Beijing using all Landsat images in Google Earth Engine. Remote Sensing of Environment, 2017. 202: p. 166-176.

[23]. Liu, X., et al., High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform. Remote sensing of environment, 2018. 209: p. 227-239.

[24]. Xiong, J., et al., Nominal 30-m cropland extent map of continental Africa by integrating pixel-based and object-based algorithms using Sentinel-2 and Landsat-8 data on Google Earth Engine. Remote Sensing, 2017. 9(10): p. 1065.

[25]. Wang, Y., et al., Long-Term Dynamic of Poyang Lake Surface Water: A Mapping Work Based on the Google Earth Engine Cloud Platform. Remote Sensing, 2019. 11(3): p. 313.

[26]. Xia, H., et al., Changes in Water Surface Area during 1989–2017 in the Huai River Basin using Landsat Data and Google Earth Engine. Remote Sensing, 2019. 11(15): p. 1824.

[27]. McFeeters, S.K., The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International journal of remote sensing, 1996. 17(7): p. 1425-1432.

[28]. Masocha, M., et al., Surface water bodies mapping in Zimbabwe using landsat 8 OLI multispectral imagery: A comparison of multiple water indices. Physics and Chemistry of the Earth, Parts A/B/C, 2018. 106: p. 63-67.

[29]. Feyisa, G.L., et al., Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery. Remote Sensing of Environment, 2014. 140: p. 23-35.

[30]. Menarguez, M.A., Global Water Body Mapping from 1984 to 2014 Using High Resolution Multispectral Satellite Imagery, 2015, University of Oklahoma.

[31]. Gorelick, N., et al., Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 2017. 202: p. 18-27.

[32]. Google, P.E.J. and Tags, Google, Data availability (time) Mar 16, 1984 - Oct 18, 2018, Provider. landsat-derived, jrc, google, surface, water, geophysical,ImageID;JRC/GSW1_0/ GlobalSurfaceWater.

[33]. Banko, G., A review of assessing the accuracy of classifications of remotely sensed data and of methods including remote sensing data in forest inventory. 1998.

[34]. Guide, E.U.s., ENVI on-line software user’s manual. ITT Visual Information Solutions, 2008._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.287185.1197

پژوهشی

ارزیابی جامع ریسک شوری آبخوان سرخون با بهره‌گیری از ترکیب مدل‌های یادگیری ماشین

محمدی

فریبرز

استادیار، گروه علوم و مهندسی آب، مجتمع آموزش عالی میناب، دانشگاه هرمزگان، بندرعباس

نفرزادگان

علیرضا

استادیار، گروه مهندسی منابع طبیعی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس

کاظمی

محمد

استادیار، مرکز مطالعات و تحقیقات (پژوهشکده) هرمز، دانشگاه هرمزگان، بندرعباس

20 03 2020

7 1 147 163 06 08 2019 11 02 2020

2020

https://ije.ut.ac.ir/article_75847.html

ارزیابی ریسک شوری آبخوان به‏خصوص در مناطق نزدیک ساحل اهمیت زیادی دارد. در پژوهش حاضر تلاش شد از طریق ترکیب مدل‏ پتانسیل آسیب‏پذیری آبخوان و الگوریتم‏های یادگیری ماشین، چارچوب جامعی برای ارزیابی ریسک شوری در آبخوان سرخون واقع در استان هرمزگان ایجاد شود. در مرحلۀ نخست لایه‏های ورودی مورد نیاز برای تولید نقشۀ پتانسیل آسیب‏پذیری آبخوان براساس مدل دراستیک تهیه و ترکیب شد. سپس، با استفاده از سه الگوریتم یادگیری ماشین شامل جنگل تصادفی، افزایش گرادیان اکسترمم (XGBoost) و درختان رگرسیون جمع‏شدۀ بیزی (BART) و با استفاده از 12 فاکتور تأثیرگذار روی آب زیرزمینی از جمله رطوبت توپوگرافیک، خاک، پوشش گیاهی و عوامل دیگر، نقشۀ احتمال خطر شور شدن تهیه شد. قبل از مدل‏سازی آزمون هم‏خطی روی داده‏ها انجام شد و مشاهده شد که هم‏خطی در بین پارامترهای ورودی مدل‏ها وجود ندارد. ارزیابی کارایی مدل‏سازی با منحنی ویژگی عملگر نسبی ROC)) نشان داد هر سه الگوریتم دقت بسیار خوب و سطح زیرمنحنی AUC)) بیش از 90 درصد دارند. بنابراین، هر سه مدل بر اساس میزان سطح زیرمنحنی خود ترکیب شدند تا یک نقشۀ واحد برای احتمال وقوع خطر شوری به دست آید. در انتها، نقشۀ ریسک شوری براساس مقادیر آسیب‏پذیری، شوری و احتمال وقوع خطر تهیه شد. نقشۀ ریسک به‌دست‏آمده نشان داد قسمت‏های شرقی آبخوان ریسک شوری بسیار زیاد دارد که علت این امر تمرکز زیاد زمین‏های کشاورزی در این بخش دشت است. نتایج پژوهش حاضر نشان داد دستیابی به یک نقشۀ‏ قابل اتکا برای ارزیابی ریسک شوری آبخوان به وسیلۀ ترکیب مدل‏های یادگیری ماشین و مدل‏های آسیب‏پذیری آبخوان امکان‏پذیر است.

آب‏ زیرزمینی خطر شوری جنگل تصادفی شاخص دراستیک پتانسیل آسیب‏پذیری

[1]. Abd-Elhamid HF, Javadi AA. A cost-effective method to control seawater intrusion in coastal aquifers. Water resources management. 2011 Sep 1; 25(11):2755-80.

[2]. Kaliraj S, Chandrasekar N, Peter TS, Selvakumar S, Magesh NS. Mapping of coastal aquifer vulnerable zone in the south west coast of Kanyakumari, South India, using GIS-based DRASTIC model. Environmental monitoring and assessment. 2015 Jan 1; 187(1):4073.

[3]. Kazakis N, Pavlou A, Vargemezis G, Voudouris KS, Soulios G, Pliakas F, Tsokas G. Seawater intrusion mapping using electrical resistivity tomography and hydrochemical data. An application in the coastal area of eastern Thermaikos Gulf, Greece. Science of the Total Environment. 2016 Feb 1; 543:373-87.

[4]. Anders R, Mendez GO, Futa K, Danskin WR. A geochemical approach to determine sources and movement of saline groundwater in a coastal aquifer. Groundwater 52, 756–768.

[5]. Han DM, Song XF, Currell MJ, Yang JL, Xiao GQ. Chemical and isotopic constraints on evolution of groundwater salinization in the coastal plain aquifer of Laizhou Bay, China. Journal of Hydrology. 2014 Jan 16; 508:12-27.

[6]. Stigter TY, Ribeiro L, Dill AC. Evaluation of an intrinsic and a specific vulnerability assessment method in comparison with groundwater salinisation and nitrate contamination levels in two agricultural regions in the south of Portugal. Hydrogeology Journal. 2006 Jan 1; 14(1-2):79-99.

[7]. Johnson TD, Belitz K. Assigning land use to supply wells for the statistical characterization of regional groundwater quality: correlating urban land use and VOC occurrence. Journal of Hydrology. 2009 May 30; 370(1-4):100-8.

[8]. McLay CD, Dragten R, Sparling G, Selvarajah N. Predicting groundwater nitrate concentrations in a region of mixed agricultural land use: a comparison of three approaches. Environmental Pollution. 2001 Dec 1; 115(2):191-204.

[9]. van Beynen PE, Niedzielski MA, Bialkowska-Jelinska E, Alsharif K, Matusick J. Comparative study of specific groundwater vulnerability of a karst aquifer in central Florida. Applied Geography. 2012 Mar 1; 32(2):868-77.

[10]. Aller L, Lehr JH, Petty R. DRASTIC: a standardized system to evaluate ground water pollution potential using hydrogeologic settings. National water well Association Worthington, Ohio 43085. Truman Bennett. Bennett and Williams. Inc. Columbus, Ohio. 1987; 43229.

[11]. Foster SS. Fundamental Concepts in Aquifer Vulnerability, Pollution Risk and Protection Strategy: International Conference, 1987, Noordwijk Aan Zee, the Netherlands Vulnerability of Soil and Groundwater to Pollutants The Hague, Netherlands Organization for Applied Scientific Research. Netherlands Organization for Applied Scientific Research; 1987.

[12]. Zhou J, Li G, Liu F, Wang Y, Guo X. DRAV model and its application in assessing groundwater vulnerability in arid area: a case study of pore phreatic water in Tarim Basin, Xinjiang, Northwest China. Environmental Earth Sciences. 2010 May 1; 60(5):1055-63.

[13]. Nobre RC, Rotunno Filho OC, Mansur WJ, Nobre MM, Cosenza CA. Groundwater vulnerability and risk mapping using GIS, modeling and a fuzzy logic tool. Journal of Contaminant Hydrology. 2007 Dec 7; 94(3-4):277-92.

[14]. Iqbal J, Gorai AK, Tirkey P, Pathak G. Approaches to groundwater vulnerability to pollution: a literature review. Asian Journal of Water, Environment and Pollution. 2012 Jan 1; 9(1):105-15.

[15]. Anane M, Abidi B, Lachaal F, Limam A, Jellali S. GIS-based DRASTIC, Pesticide DRASTIC and the Susceptibility Index (SI): comparative study for evaluation of pollution potential in the Nabeul-Hammamet shallow aquifer, Tunisia. Hydrogeology Journal. 2013 May 1; 21(3):715-31.

[16]. Nohegar, A., Riahi, F. The Comparison of Fuzzy Drastic Model and Conventional Drastic Model to Determine the Most Appropriate Indicator of Groundwater Vulnerability, Case Study: Sarkhoon Plain Aquifer. Journal of Environmental Studies, 2014; 40(3):711-722. (In Persian)

[17]. Nakhaei M, Amiri V, Rahimi shahr Babaki M. Evaluating of the potential pollution and sensitivity analysis of groundwater in the aquifer Khatoonabad using DRASTIC model based on GIS. Advanced Applied Geology Journal. 2013; 3(8): 1-10. (In Persian)

[18]. Matzeu A, Secci R, Uras G. Methodological approach to assessment of groundwater contamination risk in an agricultural area. Agricultural water management. 2017 Apr 1; 184:46-58.

[19]. Choubin B, Malekian A. Combined gamma and M-test-based ANN and ARIMA models for groundwater fluctuation forecasting in semiarid regions. Environmental Earth Sciences. 2017 Aug 1; 76(15):538.

[20]. Ghorbani Nejad S, Falah F, Daneshfar M, Haghizadeh A, Rahmati O. Delineation of groundwater potential zones using remote sensing and GIS-based data-driven models. Geocarto international. 2017 Feb 1; 32(2):167-87.

[21]. Luoma S, Okkonen J, Korkka-Niemi K. Comparison of the AVI, modified SINTACS and GALDIT vulnerability methods under future climate-change scenarios for a shallow low-lying coastal aquifer in southern Finland. Hydrogeology Journal. 2017 Feb 1; 25(1):203-22.

[22]. Barzegar R, Moghaddam AA, Deo R, Fijani E, Tziritis E. Mapping Groundwater Contamination Risk of Multiple Aquifers Using Multi-Model Ensemble of Machine Learning Algorithms. Science of The Total Environment. 2018 Apr 15; 621:697-712.

[23]. Regional Water Company of Hormozgan. Reclamation and balancing plan for groundwater resources of Sarkhoon plain. 2018 Jan 2.

[24]. Rahman A. A GIS based DRASTIC model for assessing groundwater vulnerability in shallow aquifer in Aligarh, India. Applied geography. 2008 Jan 1; 28(1):32-53.

[25]. Neshat A, Pradhan B, Pirasteh S, Shafri HZ. Estimating groundwater vulnerability to pollution using a modified DRASTIC model in the Kerman agricultural area, Iran. Environmental earth sciences. 2014 Apr 1; 71(7):3119-31.

[26]. Aller L, Lehr JH, Petty R. DRASTIC: a standardized system to evaluate ground water pollution potential using hydrogeologic settings. National water well Association Worthington, Ohio 43085. Truman Bennett. Bennett and Williams. Inc. Columbus, Ohio. 1987; 43229.

[27]. Regional Water Company of Hormozgan, Updating water resources balance sheet for study areas of Bandar Abbas - Sedij river basin. Sangab Zagros Consulting Engineers. 2016 Feb 4.

[28]. Wilcox LV. Classification and use of irrigation waters. 1955

[29]. Wilcox, L. V. The quality of water for irrigation use United States Department of Agriculture, Economic Research Service. 1948; Washington, D.C.: U.S. Dept. of Agriculture.

[30]. Arabameri A, Rezaei K, Cerda A, Lombardo L, Rodrigo-Comino J. GIS-based groundwater potential mapping in Shahroud plain, Iran. A comparison among statistical (bivariate and multivariate), data mining and MCDM approaches. Science of The Total Environment. 2019 Mar 25; 658:160-77.

[31]. Sajedi-Hosseini F, Malekian A, Choubin B, Rahmati O, Cipullo S, Coulon F, Pradhan B. A novel machine learning-based approach for the risk assessment of nitrate groundwater contamination. Science of The Total Environment. 2018 Dec 10; 644:954-62.

[32]. Constantin M, Bednarik M, Jurchescu MC, Vlaicu M. Landslide susceptibility assessment using the bivariate statistical analysis and the index of entropy in the Sibiciu Basin (Romania). Environmental Earth Sciences. 2011 May 1; 63(2):397-406.

[33]. Jothibasu A, Anbazhagan S. Modeling groundwater probability index in Ponnaiyar River basin of South India using analytic hierarchy process. Modeling Earth Systems and Environment. 2016 Sep 1; 2(3):109.

[34]. Ercanoglu M, Gokceoglu C. Assessment of landslide susceptibility for a landslide-prone area (north of Yenice, NW Turkey) by fuzzy approach. Environmental geology. 2002 Feb 1; 41(6):720-30.

[35]. Al-Abadi AM, Al-Temmeme AA, Al-Ghanimy MA. A GIS-based combining of frequency ratio and index of entropy approaches for mapping groundwater availability zones at Badra–Al Al-Gharbi–Teeb areas, Iraq. Sustainable Water Resources Management. 2016 Sep 1; 2(3):265-83.

[36]. Naghibi SA, Pourghasemi HR, Pourtaghi ZS, Rezaei A. Groundwater qanat potential mapping using frequency ratio and Shannon’s entropy models in the Moghan watershed, Iran. Earth Science Informatics. 2015 Mar 1; 8(1):171-86.

[37]. Patriche CV, Căpăţână V, Stoica DL. Aspects Regarding soil erosion spatial modeling using the USLE/RUSLE within GIS, Geographia Tehnica, Nr. 2.

[38]. Moore ID, Grayson RB, Ladson AR. Digital terrain modelling: a review of hydrological, geomorphological, and biological applications. Hydrological processes. 1991 Jan;5(1):3-0.

[39]. Chen T, Guestrin C. XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining 2016 Aug 13 (pp. 785-794). ACM.

[40]. Fan J, Wang X, Wu L, Zhou H, Zhang F, Yu X, Lu X, Xiang Y. Comparison of Support Vector Machine and Extreme Gradient Boosting for predicting daily global solar radiation using temperature and precipitation in humid subtropical climates: A case study in China. Energy conversion and management. 2018 May 15; 164:102-11.

[41]. Nicodemus KK. Letter to the Editor: On the stability and ranking of predictors from random forest variable importance measures. Briefings in bioinformatics. 2011 Apr 15; 12(4):369-73.

[42]. Feng D, Svetnik V, Liaw A, Pratola M, Sheridan RP. Building Quantitative Structure-Activity Relationship Models Using Bayesian Additive Regression Trees. Journal of chemical information and modeling. 2019 May 6.

[43]. Voudouris K, Kazakis N, Polemio M, Kareklas K. Assessment of intrinsic vulnerability using DRASTIC model and GIS in Kiti aquifer, Cyprus. European water. 2010.

[44]. Dewan A. Floods in a megacity: geospatial techniques in assessing hazards, risk and vulnerability. Dordrecht: Springer; 2013 Mar 1.

[45]. Mousavi SM, Golkarian A, Naghibi SA, Kalantar B, Pradhan B. GIS-based groundwater spring potential mapping using data mining boosted regression tree and probabilistic frequency ratio models in Iran. AIMS Geosci. 2017 Mar 2;3(1):91-115._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.291492.1231

پژوهشی

تدوین راهبردهای مدیریتی تالاب جازموریان با تأکید بر منابع آبی با استفاده از مدل‏های SWOT و WASPAS

فولادی

مهدی

دانشجوی کارشناسی ارشد مهندسی منابع طبیعی- آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی دانشگاه هرمزگان، بندرعباس، ایران

مهدوی نجف آبادی

رسول

دانشیار مهندسی منابع طبیعی و ژئومورفولوژی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

رضایی

مرضیه

استادیار مهندسی منابع طبیعی- بیایان‌زدایی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

مسلمی

حمید

دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس، ایران

20 03 2020

7 1 165 182 07 10 2019 11 02 2020

2020

https://ije.ut.ac.ir/article_75848.html

مدیریت پایدار تالاب‏ها با توجه به ترکیب ویژگی‏های اکوسیستم‏های آبی و خشکی در آنها به رویکردهای چندبخشی و علمی نیاز دارد. ‌پژوهش حاضر با هدف تدوین راهبردهای مدیریتی برای حفاظت تالاب جازموریان با استفاده از مدل‏های تصمیم‏گیری چندمعیاره طی دورۀ 1397ـ 1398 انجام گرفت. مطالعۀ حاضر از نوع ارزیابی‌ـ تحلیلی بوده که جمع‏آوری اطلاعات به صورت کتابخانه‏ای و اسنادی و میدانی بوده است. در مطالعۀ پیش رو ابتدا با استفاده از چارچوب DPSIR معیارهای بررسی‌شده تدوین شد. سپس، به دلیل اولویت‏بندی راهکارهای مدیریتی حفظ و احیای تالاب از روش واسپاس استفاده شد. همچنین، به دلیل استخراج راهبردها و تعیین چگونگی جهت‌دهی راهبردها برای مدیریت منابع آبی از روش سوات (SWOT) و ماتریس برنامه‏ریزی استراتژیک کمی (QSPM) استفاده شد. در ادامه، ﻧﺘﺎﯾﺞ ﻣﺎﺗﺮﯾﺲﻫﺎی ارزیابی عوامل داخلی و خارجی، اﻣﺘﯿﺎز ﻋﻮاﻣﻞ داخلی ﺑﺮاﺑﺮ 254/0 و ﻋﻮاﻣﻞ خارجی 213/0به دست آمد ﮐﻪ ﻧﺸﺎن ﻣﯽ‌دﻫﺪ ﺑﺎﯾد راﻫﺒﺮدی تهاجمی اتخاذ شود، یعنی ﺑﺎ اﺳﺘﻔﺎده قوت‌ها از فرصت‏ها بهره‏برداری کرد. ﻧﺘﺎﯾﺞ به‌دست‌آمده از ﻣﺪل واسپاس، به دلیل سنجش و تحلیل سلسله‌مراتبی راهکارهای مدیریتی نشان‌دهندۀ این موضوع است که به‌ترتیب حفظ و احیای پوشش گیاهی بومی با وزن 403/0، بیشترین اولویت و در صدر تحلیل سلسله‌مراتبی و سپس مشارکت مردمی در مدیریت حوضۀ آبریز با وزن 373/0، احداث آب‌بندهای کوچک به جای سدهای بزرگ با وزن 321/0، ایجاد اشتغال در بخش خدمات و صنایع دستی با وزن 291/0، کشت گیاهان به‌صرفه به لحاظ آب مجازی با وزن 234/0، سامان‏دهی چاه‏های حفرشده با وزن 223/0، استفاده از آب فاضلاب تصفیه‌شده برای آبیاری با وزن 219/0، گسترش استفاده از سیستم‏های نوین آبیاری با وزن 207/0، تعیین آب‌بهای واقعی در بخش کشاورزی با وزن 204/0، توسعه و گسترش کشت گلخانه‏ای و زیرپلاستیک با وزن 193/0و در نهایت، راهکار سیمان کردن، روپوش و لوله‌گذاری نهرها با اختصاص وزن 146/0 در کمترین میزان اولویت قرار گرفت.

ارزیابی راهبردی محیط زیست اولویت‏بندی ماتریس برنامه‏ریزی استراتژیک کمی مدل DPSIR

[1]. Loiselle S, Rossi C, Sabio G, Canziani G. The use of systems analysis methods in the sustainable management of wetlands, Hydrobiologia. 2001; 458:191–200.

[2]. Maltby E. Towards practical policies of wetland conservation and wise use. Proceedings of the Wetland Forum, Hokkaido, Japan,1992; 205–217.

[3]. Zhou D, Gong H, Wang Y, Khan S, Zhao K. Driving forces for the marsh wetland degradation in the Honghe National Nature Reserve in Sanjiang Plain, Northeast China. Environmental modeling & assessment.2009 ;14(1), 101-111.

[4]. Barbier E B. Wetlands as natural assets, Hydrological Sciences Journal. 2011;56(8): 1360-1373.

[5]. Acreman M C, Fisher J, Stratfo rd C J, Mould D J, Mountfo rd J O. Hydrological science and wetland restoration: some case studies from Europe, Hydrology and Earth System Sciences. 2007 11(1) 158-169.

[6]. Lundin M. Indicators for Measuring the Sustainability of Urban Water Systems: A Life Cycle Approach.2002; Doctoral Thesis, Chalmers University of Technology. Gothenburg, Sweden.

[7]. Smeets E. Weterings R. Environmental indicators: Typol‏ogy and overview, European Environmental Agency. 1999; Technical Report n 25.

[8]. Costanza R, Arge R, Groot R, Farber S, Grasso M, Hannon B, Limberg K, Naeem S, Neill R. V, Paruelo J, Raskin R. G, Sutton P , Van Den Belt, M. The value of the world’s ecosystem services and natural capital. 1997;, 387, 253- 260.

[9]. Müller F, Burkhard B. The indicator side of ecosystem services. Ecosystem Services,2012; 1(1),26-30.

[10]. Jahani Shakib F, malekmohammade B, Yusefi E, Alipour M. Developing management strategies using a new method for vulnerability assessment of wetland ecosystems (Case study: Choghakhor wetland). J.Env. Sci. Tech.2017; 19(5):377-391 [Persian]

[11]. Jafari Sh, Sakieh Y, Dejkam S, AlavianPetrudi S, Yaghubzadeh M, Danehkar A. Developing of management strategies for conservation of Miankalehwetland by using SWOT analysis. Wetland Ecobiology. 2013; 5 (2) :5-18[in Persian]

[12]. Azarnivand, A., Sadat Hashemi-Madani, F. Banihabib, M. E. Extended fuzzy analytic hierarchy process approach in water and environmental management (case study: Lake Urmia Basin, Iran), Environ Earth Sci. 2015;73:13–26.

[13]. MEA (Millennium Ecosystem Assessment). Ecosystems and human well-being, Washington, 2005;. DC: Island Press.

[14]. Zacharias I, Parasidoy A, Bergmeier E, Kehayias G, Dimitriou E, Dimopoulos P. A “DPSIR” model for Mediterranean temporary ponds: European, national and local scale comparisons. Annales del Limnologie-International Journal of Limnology,2008 44, 253-266.

[15]. Atkins J. P, Burdon D, Elliott M, Gregory A. J. Management of the marine environment: Integrating ecosystem services and societal benefits with the DPSIR framework in a systems approach. Marine pollution bulletin, 2011; 62(2), 215-226.

[16]. Saadati S, Motevallian S. S, Rheinheimer D. E. Najafi H. Indicators for Sustainable Management of Wetland Ecosystems Using a DPSIR Approach: A Case Study in Iran. In proceeding of: 6th International Perspective on Water Resources & the Environment conference (IPWE 2013), At Izmir, Turkey.

[17]. Jafari Azar S, SabzghabaeiG. R, Tavakoly M. Dashti S. Application of Multi-Criteria Decision-Making Methods in Environmental Risk Assessment (Case Study: The International Wetland of Shadegan, Khur_e_ Omayyeh and Khur_e_Mousa Estuary). ; GEOGRAPHY AND ENVIRONMENTAL HAZARDS. 2017; 6(4), 97-119[Persian]

[18]. Jalali M, Naghizadeh Z, Shafeiei Sh.. Assessment of Ecological Potentials of Hamoon Wetland For Developing Ecotourism Activities with Swot and AHP Models Geographic Space. 2019; 19(65)1-15 [Persian]

[19]. Zavadskas E.K, Kalibatas D, Kalibatiene D. A multi-attribute assessment using WASPAS for choosing an optimal indoor environment. Archives of Civil and Mechanical Engineering.2016 ; 16(1),76–85.

[20]. Jafari Sh, Sakieh Y, Dejkam S, AlavianPetrudi S, Yaghubzadeh M, Danehkar A. Developing of management strategies for conservation of Miankalehwetland by using SWOT analysis. Wetland Ecobiology. 2013; 5 (2) :5-18[in Persian]

[21]. Ganjali. S. Shayeste. K. Ghasemi. A. Environmental and Strategic Assessment of Ecotourism Potential in Anzali International Wetland Using SWOT Analyses. Caspian J. Env. Sci. 2014; (12): 155-164.

[22]. Jafari Sh, Arazzadeh E. Developing Strategic Management Factors for Anzali Wetland Conservation by SWOT Method. Journal of Wetland Ecobiology. 2011; 3(10):37-46 [in Persian]

[23]. Baker N. J. Sustainable wetland resource utilization of Sango Bay through Eco‐tourism development, African Journal of Environmental Science and Technology. 2008;2 (10): 326‐335.

[24]. Nikolaou I.E, Evangelinos K.I. A SWOT analysis of environmental management Greek Mining and Mineral Industry, Resources Policy,2010; 35(3): 226–234.

_||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.291695.1229

پژوهشی

پتانسیل فرونشست دشت شازند ناشی از افت آب زیرزمینی با مدل وزن‌دهی و آنالیز صحت‌سنجی آن با استفاده از تداخل‌سنجی راداری

طاهری زنگی

صالح

دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشکدۀ علوم طبیعی، دانشگاه تبریز

واعظی هیر

عبدالرضا

دانشیار گروه علوم زمین، دانشکدۀ علوم طبیعی، دانشگاه تبریز

20 03 2020

7 1 183 194 07 10 2019 11 02 2020

2020

https://ije.ut.ac.ir/article_75849.html

در پژوهش حاضر عوامل مؤثر بر فرونشست سطح زمین در دشت شازند با به‌کارگیری روش وزن‌دهی و تحلیل سلسله‌مراتبی بررسی شده است. در این مدل هفت پارامتر مؤثر، محیط آبخوان، کاربری زمین، پمپاژ، تغذیه، ضخامت آبخوان، فاصله از گسل و افت سطح آب زیرزمینی طبق نظر کارشناسی ارائه‌شده، رتبه‌بندی و کلاسه‌بندی شد و از تلفیق این پارامترها در محیط ArcGIS نقشۀ آسیب‌پذیری دشت با شاخص بین 87 تا 170 به دست آمد. سپس، به‌منظور بهینه‌سازی و تطابق بیشتر، هفت لایۀ مؤثر بر فرونشست فازی‌سازی‌ شده و نقشۀ نهایی تهیه شد. در مرحلۀ بعد، با اعمال وزن‌های کارشناسی به روش AHP نیز نقشۀ نهایی پتانسیل فرونشست تهیه شد. میزان آسیب‌پذیری فرونشست دشت با تلفیق لایه‌ها در محیط Arc GIS طی یک سال (1395-1396) به دست آمد و برای صحت‌سنجی این مدل از نقشۀ ماهواره‌ای InSAR استفاده شد. برای بهبود نتایج به‌دست‌آمده و بهینه‏سازی وزن‏های اعمال‌شده از روش‌های وزن‌دهی و فازی با تحلیل سلسله‌مراتبی استفاده شد. نتایج به‌دست‌آمده از تحقیق حاضر نشان می‌دهد هر سه روش همبستگی تقریباً یکسانی با داده‌های ماهواره‌ای دارند و از بین آنها، روش فازی بیشترین همبستگی را با داده‌های ماهواره‌ای و فرونشست واقعی نشان می‌دهد. بر اساس این مدل، نواحی شمالی و شمال غربی در معرض فرونشست قرار دارند. شایان یادآوری است که پالایشگاه شازند در منطقه‌ای با پتانسیل فرونشست زیاد قرار دارد و باید برنامه‌های مدیریتی لازم برای کنترل فرونشست در این نواحی اعمال شود.

پتانسیل فرونشست دشت شازند مدل وزن‌دهی نقشۀ ماهوارۀ InSAR

[1]. Galloway D, Jones D, Ingebritsen SE Land subsidence in the United State. US Geological Survey, Circular 1182.1999.

[2]. Poland J.F. Guidebook to Studies of Land Subsidence Due to Groundwater Withdrawal, United Nations Educational, Scientific and Cultural Organization, UNESCO. 1984.

[3]. Ghazban F. Environmental Geology (7th Ed.). University of Tehran Publications. 2013; 416p. [Persian].

[4]. Mortazavi M, Suleimani K, Mofeghi F. Water Resources Management and Sustainable Development, Case Study of Rafsanjan Plain, Journal of Water and Wastewater. 2010; 3: 131-126. [Persian].

[5] Einloo F, Ma'afi R, Malekian A, Ghazavi A, Mohseni Saravi A. Survey of Groundwater Quality in the Zanjan Plain from the Drinking Standards Viewpoint of Geo statistical Approach. 2016; 27: 2 (62[Persian].

[6]. Ministry of Power. Extension of Prohibition of Shazand Studies Area. Markazi Province Regional Water Company, Resource Baseline Study, Groundwater Department. Code 4120. 2010. [Persian].

[7]. Chang C.P, Chang T.Y, Wang C.T, Kuo C.H, Chen K.S. Land surface deformation corresponding to seasonal ground- water fluctuation, determining by SAR interferometry in the SW Taiwan, Mathematics and Computers in Simulation. 2004; 67)4-5):351-359.

[8]. Crosetto M, Tscherning C.C, Crippa B, Castillo M. Subsidence monitoring using SAR interferometry: Reduction of the atmospheric effects using stochastic filtering, Geophysical Research Letters. 2002; 29 (9).

[9]. Laura C, Pietro T, Luigi T. Eustacy and land subsidence in the Venice Lagoon at the beginning of the new millennium. 2004; 51(1-4): 345-353.

[10]. Ge D, Wang Y, Zhang L, Xia Y, Gue X. Using permanent scattered In SAR to monitors land subsidence along high speed rally way-the first experiment in China, ESAS. 2010; P-677.

[11]. Moatag M, Davoodi J, Momeni M. Hashemi M. Discovery and representation of subsidence of Mahyar plain of Isfahan by interferometry, Extended Scientific-Engineering Survey and Spatial Information. 2012; 3(2). [Persian].

[12]. Afzali A, Sharifi-Kia M, And Shayan S. Assessment of Infrastructure and Settlement Vulnerability from Land Subsidence in Damghan Plain, Iranian Journal of Applied Geomorphology. 2013; 1(1) [Persian].

[13]. Naderi K, Nadiri A.A, Asghari Moghadam A, Kord M. A New Method for Identifying and Determining Areas of Subsidence (Case Study: Salmas Plain Aquifer). Journal of Ecohydrology.2018; 5 (1):85-97 [Persian].

[14]. Nadiri A.A. , Taheri Z ,. Bazegariand Gh, Didehban Kh. A Framework to Estimation of Aquifer Subsidence Potential Using Genetic Algorithm.2018;14 (2):174-185[Persian].

[15]. Khamechian M, Nadiri A. Manafi Azar A. Comparison of subsidence vulnerability of southwestern Tehran plain with ALPRIFT weighting model and genetic algorithm. 2018; 4(2):199 [Persian].

[16]. Nadiri A, Taheri Z, Khatibi R, Barzegari G, Dideban Kh. Introducing a new framework for mapping subsidence vulnerability indices (SVIs): ALPRIFT" Science of the Total Environment. 2018; 628–629:1043-1057.

[17]. Piscopo G. Groundwater vulnerability map. Explanatory notes Castlereagh Catchment, NSW. Centre for Natural Resources. NSW Department of Land and Water Conservation, Parramatta. 2001._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.294359.1256

پژوهشی

اثر قیمت‌گذاری آب کشاورزی بر پایداری منابع آن (مطالعۀ موردی: استان کهگیلویه و بویراحمد)

بی نیاز

ارسلان

مربی اقتصاد کشاورزی دانشگاه پیام نور، ایران و دانشجوی دکترای دانشگاه زابل

احمدپور برازجانی

محمود

استادیار اقتصاد کشاورزی دانشگاه زابل، ایران

ضیایی

سامان

استادیار اقتصاد کشاورزی دانشگاه زابل، ایران

محمدی

حمید

استادیار اقتصاد کشاورزی دانشگاه زابل، ایران

20 03 2020

7 1 195 207 06 09 2019 09 03 2020

2020

https://ije.ut.ac.ir/article_75850.html

بیشترین مصرف آب در مصارف کشاورزی و آبیاری مزارع است که حدود 70 درصد از کل آب شیرین جهان را در بر می‏گیرد. به دلیل رشد سریع جمعیت، افزایش شهرنشینی و همچنین تغییرات اقلیمی، منابع آب در سراسر جهان کمیاب شده است. در پژوهش حاضر آثار بالقوۀ قیمت‏گذاری آب بر افزایش کارایی، بهبود عدالت و انصاف در تخصیص آب و پایداری منابع آب‌های سطحی و زیرزمینی بررسی شده است. داده‏های مورد نیاز تحقیق از طریق پرسشنامه و مصاحبۀ حضوری با کشاورزان مناطق مختلفی که کشاورزان در آن ناحیه به صورت تعرفه هزینه‏های مربوط به آبیاری را پرداخت می‏کنند، جمع‏آوری شد. نتایج نشان داد برای مزارع تولیدی، از بین 139 مزرعه، تعداد 14 مزرعه در مصرف آب به صورت کاملاً کارا عمل کرده و مقدار آب اضافی مصرف‌شده برای این تعداد از مزارع برابر صفر است. نتایج به‌دست‌آمده از تخمین آب اضافی دامداری نشان می‏دهد از بین 112 دامدار، فقط 19 دامدار مصارف آب کاملاً کارا داشته‏اند و آب اضافی مصرف نکرده‏اند. نتایج به‌دست‌آمده از تخمین آب اضافی باغداران نشان می‏دهد از بین 112 باغدار، فقط 16 باغدار مصرف آب کاملاً کارا داشته‏اند و آب اضافی مصرف نکرده‏اند. نتایج شاخص پایداری نشان داد اگر کشاورزان و دامداران در مصرف آب بهینه‏تر عمل کنند و هدررفت آب را کاهش دهند، شاخص پایداری برای آنها افزایش می‏یابد. نتایج الگوی VAR نشان‌دهندۀ بردار تعادلی بود که این بردار رابطۀ تعادلی بلندمدت بین سیاست قیمت‏گذاری و تولیدات بخش کشاورزی را نشان می‌دهد. به بیانی دیگر، نتایج به‌وضوح گویای آن است که سیاست قیمت‏گذاری آب سبب افزایش تولیدات کشاورزی در واحدهای مورد مطالعه شده است.

پایداری آب تحلیل پوششی داده‌ها قیمت‌گذاری آب مدل VAR

[1]. Azimi Far, S., Zare Mehrjardi, M., Mehrabi Besharabadi, H., Investigation of sustainability of water resources in quchan city using fractional planning approach, Agricultural Scince and Sustanable Production Journal, 2013, 23, (3), pp.1-11. [Persian]

[2]. Bilali, H., Investigating the Impact of Price and Agricultural Policies on Groundwater Conservation, Case Study: Bahar Plain. PhD Thesis in Agricultural Economics Tarbiat Modarres University, 2010. [Persian]

[3]. Bagheri, M., Mohammadi, H., Nouri, Gh., and Mir, B., Determinants of Sustainable Use of Water Resources. Journal of Environmental Science and Technology, 2013, 15 (1). pp. 64-52. [Persian]

[4]. Alizadeh, A. Principles of Applied Hydrology, Edition 16, Imam Reza University, Mashhad, 2003.

[5]. Najafi Alamdarloo, H., Ahmadian, M., Khalilian, P.,Economic Evaluation of Groundwater Pricing Policy in Varamin Plain, Journal of Agricultural Economics Research, Volume 5 Fall 2013 Issue 3, pp. 154-137. [Persian]

[6]. Jalil Piran, H., The Role of Water Pricing in Agriculture on Water Resources Balance, Journal of Economic Issues and Policies, 2012, No. 2, pp. 128-119. [Persian]

[7]. Gallego-Ayala, J. Selecting irrigation water pricing alternatives using a multi-methodological approach, Mathematical and Computer Modelling, 2012, Vol.55 No.3–4, pp. 861–883

[8]. Karabinakis, E., Clark, S., Poon, E., Abbett, E. and Nandagopal, S. Water resources: agricultural and environmental issues. BioScience, 2004, 54(10), pp. 909-918._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.290566.1221

پژوهشی

ارزیابی توزیع عمقی آلودگی میکروبی در مخازن (مطالعۀ موردی: سد سبلان)

پرتانی

صادق

استادیار، گروه مهندسی عمران، دانشکدۀ فنی و مهندسی، دانشگاه بجنورد، بجنورد‌

نوری

روح اله

استادیار، گروه مهندسی محیط زیست، دانشکدۀ محیط زیست، دانشگاه تهران، تهران‌

ابطحی

سید هادی

دکترای تخصصی علوم و مهندسی آب، دانشگاه ارومیه، ارومیه‌

20 03 2020

7 1 209 222 06 09 2019 09 03 2020

2020

https://ije.ut.ac.ir/article_75851.html

هدف اصلی پژوهش حاضر، بررسی ارتباط کلیفرم کل (TC) و کلیفرم مدفوعی (FC) با پارامترهای فیزیکی و شیمیایی آب در اعماق مختلف مخزن سد سبلان در شرایط لایه‏بندی حرارتی تابستانه است. به این منظور، نمونه‏برداری از اعماق مختلف سد در ماه‏های خرداد، تیر و مرداد که سد در شرایط لایه‏بندی شدید حرارتی بود، انجام شد. سپس، در هر نمونه پارامترهای pH، TC، FC، هدایت الکتریکی (EC)، فشار (P)، فسفر کل (TP)، کل جامدات محلول (TDS)، اکسیژن محلول (DO) و دمای آب (T) اندازه‏گیری شد. نتایج بررسی‏های اولیه نشان داد با افزایش عمق در ستون آب پارامترهای pH، DO و T کاهش یافته و از طرف دیگر EC، TDS و TP افزایش می‏یابند. نتایج به‌دست‌آمده از روش‏های تحلیل آماری چندمتغیره مانند خوشه‏بندی، همبستگی زوجی و رگرسیون چندمتغیره خطی بیانگر تأثیرپذیری TC و FC از تغییرات P و TDS بود. از طرفی، با حرکت از سطح به سمت کف مخزن سد، پراکنش کلیفرم‏ها کاهش یافت، که افزایش و کاهش کلیفرم به‏صورت نامتوازن است و نمی‏توان الگوی خاصی برای پراکنش آنها در نظر گرفت. با توجه به آنالیز روابط به‌دست‏آمده مشخص شد 58 درصد از تغییرات TC و 59 درصد از تغییرات FC در صورت اطلاع از مقادیر TDS و P، قابل پیش‏بینی هستند. همچنین، نتایج تحقیق حاضر مشخص کرد که FC و TC با T، Do و pH رابطۀ مستقیم دارند و رابطۀ آنها با EC، TDS و P ‌معکوس است.

حفاظت کیفی دریاچۀ سد کلیفرم‏های کل کلیفرم‏های مدفوعی لایه‌بندی بیولوژیکی

[1]. Sila ON. Physico-chemical and bacteriological quality of water sources in rural settings, a case study of Kenya, Africa. Sci African. 2019; 2:e00018.

[2]. Aguilera R, Gershunov A, Benmarhnia T. Atmospheric rivers impact California’s coastal water quality via extreme precipitation. Sci Total Environ. 2019; 671:488–94.

[3]. Canizalez-Roman A, Velazquez-Roman J, Valdez-Flores MA, Flores-Villaseñor H, Vidal JE, Muro-Amador S, et al. Detection of antimicrobial-resistance diarrheagenic Escherichia coli strains in surface water used to irrigate food products in the northwest of Mexico. Int J Food Microbiol. 2019; 304:1–10.

[4]. Wang J, Deng Z. Modeling and predicting fecal coliform bacteria levels in oyster harvest waters along Louisiana Gulf coast. Ecol Indic. 2019; 101:212–20.

[5]. Buckley R, Clough E, Warnken W, Wild C. Coliform bacteria in streambed sediments in a subtropical rainforest conservation reserve. Water Res. 1998; 32(6):1852–6.

[6]. Baghel VS, Gopal K, Dwivedi S, Tripathi RD. Bacterial indicators of faecal contamination of the Gangetic river system right at its source. Ecol Indic. 2005; 5(1):49–56.

[7]. Abdel-satar AM, Ali MH, Goher ME. Indices of water quality and metal pollution of Nile, River, Egypt. 2017; 21–9.

[8]. Huachang H, Qiu J-W, Liang Y. Environmental factors influencing the distribution of total and fecal coliform bacteria in six water storage reservoirs in the Pearl River Delta Region, China. J Environ Sci (China). 2010; 22:663–8.

[9]. Marietou A, Bartlett DH. Effects of High Hydrostatic Pressure on Coastal Bacterial Community Abundance and Diversity. Kostka JE, editor. Appl Environ Microbiol. 2014; 80(19):5992–6003.

[10]. Vignesh S, Dahms H, Kim B, James RA. Microbial Effects on Geochemical Parameters in a Tropical River Basin. 2015; 100:125–44.

[11]. Gautam B, Kasi M, Lin W. Determination of Fecal Coliform Loading and its Impact on River. Dep Civ Eng North Dakota Stte Univ Fargo. 2006; 3851–74.

[12]. Molina F, López-Acedo E, Tabla R, Roa I, Gómez A, Rebollo JE. Improved detection of Escherichia coli and coliform bacteria by multiplex PCR. BMC Biotechnol. 2015; 15(1):48.

[13]. Hosseini ST, Chegini V. Seasonal Variation of Physicochemical Parameters in the Coastal Water around the Bushehr Peninsula. J Oceanogr. 2014; 5(17). [Persian].

[14]. Hemming MP, Kaiser J, Heywood KJ, Bakker DCE, Boutin J, Shitashima K, et al. Measuring pH variability using an experimental sensor on an underwater glider. Ocean Sci. 2017; 427–42.

[15]. Mena-Rivera L, Salgado-Silva V, Benavides-Benavides C, Coto-Campos JM, Swinscoe THA. Spatial and Seasonal Surface Water Quality Assessment in a Tropical Urban Catchment: Burío River, Costa Rica. Water. 2017; 9(8).

[16]. Company ACE. Studies of the second phase of Sabalan Dam Project.

[17]. Ling T, Gerunsin N, Soo C, Nyanti L, Sim S, Grinang J. Seasonal Changes and Spatial Variation in Water Quality of a Large Young Tropical Reservoir and Its Downstream River. 2017.

[18]. Herfort L, Crump BC, Fortunato CS, Mccue LA, Campbell V, Simon HM, et al. Factors affecting the bacterial community composition and heterotrophic production of Columbia River estuarine turbidity maxima. 2017;(February):1–15.

[19]. Noroozi Karbasdehi V, Dobaradaran S, Nabipour I, Ostovar A, Arfaeinia H, Vazirizadeh A, et al. Indicator bacteria community in seawater and coastal sediment : the Persian Gulf as a case. J Environ Heal Sci Eng. 2017; 1–15.

[20]. Chigbu P, Gordon S, Tchounwou PB. The Seasonality of Fecal Coliform Bacteria Pollution and its Influence on Closures of Shellfish Harvesting Areas in Mississippi Sound. Int J Environ Res Public Health. 2005; 2(2):362–73.

[21]. Islam MMM, Hofstra N, Islam A. The Impact of Environmental Variables on Faecal Indicator Bacteria in the Betna River Basin , Bangladesh. Cross Mark. 2017; 319–32.

[22]. Shamsaei H, Jaafar O, Basri N. Disadvantage Pressure Changes on the Decline of Water Quality in Water Distribution Systems. Engineering. 2013; 05:97–105.

[23]. Bassin JP, Kleerebezem R, Muyzer G, Rosado AS, van Loosdrecht MCM, Dezotti M. Effect of different salt adaptation strategies on the microbial diversity, activity, and settling of nitrifying sludge in sequencing batch reactors. Appl Microbiol Biotechnol. 2012; 93(3):1281–94.

[24]. Kim G, Choi E, Lee D. Diffuse and point pollution impacts on the pathogen indicator organism level in the Geum River, Korea. Sci Total Environ. 2005; 350:94–105.

[25]. Yan S, Yu S-E, Wu Y, Pan D, She D, Ji J. Seasonal Variations in Groundwater Level and Salinity in Coastal Plain of Eastern China Influenced by Climate. J Chem. 2015; 2015:1–8.

[26]. Choi SY, Seo IW. Prediction of fecal coliform using logistic regression and tree-based classification models in the North Han River, South Korea. J Hydro-environment Res. 2018; 21:96–108.

[27]. Norat-Ramírez J, Méndez-Lázaro P, Hernández-Delgado EA, Mattei-Torres H, Cordero-Rivera L. A septic waste index model to measure the impact of septic tanks on coastal water quality and coral reef communities in Rincon, Puerto Rico. Ocean Coast Manag. 2019; 169:201–13.

[28]. Díaz-Alcaide S, Martínez-Santos P. Mapping fecal pollution in rural groundwater supplies by means of artificial intelligence classifiers. J Hydrol. 2019; 577:124006.

[29]. Painchaud J, Therriault J, Legendre L. Assessment of salinity-related mortality of freshwater bacteria in the saint lawrence estuary. Appl Environ Microbiol. 1995; 61(1):205–8.

[30]. Lønborg C, Cuevas L, Reinthaler T, Herndl G, Gasol J, Morán XA, et al. Depth Dependent Relationships between Temperature and Ocean Heterotrophic Prokaryotic Production. Front Mar Sci. 2016; 3.

[31]. Duraibabu DB, Leen G, Toal D, Newe T, Lewis E, Dooly G. Underwater Depth and Temperature Sensing Based on Fiber Optic Technology for Marine and Fresh Water Applications. Sensors. 2017; 17:1228.

[32]. Bingham FM, Busecke J, Gordon AL, Giulivi CF, Li Z. The North Atlantic subtropical surface salinity maximum as observed by Aquarius. J Geophys Res Ocean. 2014; 119(11):7741–55.

[33]. González-Saldía RR, Pino-Maureira NL, Muñoz C, Soto L, Durán E, Barra MJ, et al. Fecal pollution source tracking and thalassogenic diseases: The temporal-spatial concordance between maximum concentrations of human mitochondrial DNA in seawater and Hepatitis A outbreaks among a coastal population. Sci Total Environ. 2019; 686:158–70._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.294740.1264

پژوهشی

بررسی عدم قطعیت‌های مدل مفهومی بارش-رواناب برای شبیه‌سازی حوضۀ آبریز طالقان با روش بیزین

سبحانیه

زهرا

دانشجوی دکتری مهندسی محیط زیست- منابع آب دانشکدۀ محیط زیست، پردیس دانشکده‏های فنی دانشگاه تهران

نیک سخن

محمد حسین

دانشیار دانشکدۀ محیط زیست، پردیس دانشکده‏های فنی دانشگاه تهران

امیدوار

بابک

دانشیار دانشکدۀ محیط زیست، پردیس دانشکده‏های فنی دانشگاه تهران

20 03 2020

7 1 223 236 07 10 2019 11 02 2020

2020

https://ije.ut.ac.ir/article_75852.html

طالقان‌رود به دلیل منتهی شدن به سد طالقان که تأمین‏کنندۀ آب شرب این منطقه و نیز بخشی از شهر تهران است و نیز به دلیل استقرار مناطق مسکونی زیاد در حاشیۀ آن، یکی از رودخانه‏های مهم کشور محسوب می‏شود. داده‏های بلندمدت دبی رودخانه برای طراحی ایستگاه‏های برق‏آبی و مدیریت منابع آب ضروری‌اند. در جایی که ایستگاه‏های پایش موجود پراکنده است و نمی‏تواند داده‏های هیدرولوژیکی کافی برای حوضه فراهم کند، مدل‏های بارش-رواناب ابزارهایی پرکاربرد برای گسترش دادن داده‏های هیدرولوژیکی در زمان و مکان هستند. در مقالۀ حاضر امکان‏پذیری اعمال مدل مفهومی بارش-روانابی با نام HYMOD، به حوضۀ آبریز رودخانۀ طالقان بررسی شد‌. همچنین، سه روش تخمین بیزین برای برآورد عدم قطعیت‏های پارامتری برای کالیبراسیون مدل و تحلیل عدم قطعیت به‏کار گرفته شد. نتایج نشان می‏دهند با استفاده از این روش و پس از اعمال صحت‏سنجی، دبی تخمینی به طور رضایت‏بخشی با دبی مشاهداتی تطابق دارند؛ که بیانگر این است که شبیه‏سازی حوضۀ یادشده با استفاده از این مدل هیدرولوژیکی به‌خوبی انجام شده است و اعمال HYMOD برای تخمین سری‏های زمانی طولانی از دبی رودخانه در محدودۀ مطالعه‌شده، نتایج منطقی ارائه می‏دهد.

حوضۀ آبریز طالقان‏رود روش بیزین بارش رواناب عدم قطعیت HYMOD

[1]. Deletic A, Dotto CB, McCarthy DT, Kleidorfer M, Freni G, Mannina G, Uhl M, Henrichs M, Fletcher TD, Rauch W, Bertrand-Krajewski JL. Assessing uncertainties in urban drainage models. Physics and Chemistry of the Earth, Parts A/B/C. 2012;42:3-10.

[2]. Quan Z, Teng J, Sun W, Cheng T, Zhang J. Evaluation of the HYMOD model for rainfall–runoff simulation using the GLUE method. Proceedings of the International Association of Hydrological Sciences. 2015;368:180-185.

[3]. Zhang JL, Li YP, Huang GH, Baetz BW, Liu J. Uncertainty analysis for effluent trading planning using a Bayesian estimation-based simulation-optimization modeling approach. Water research. 2017;116:159-181.

[4]. Cu Thi P, Ball JE, Dao NH. Uncertainty Estimation Using the Glue and Bayesian Approaches in Flood Estimation: A case Study—Ba River, Vietnam. Water. 2018;10(11):1641.

[5]. Herman JD, Reed PM, Wagener T. Time‐varying sensitivity analysis clarifies the effects of watershed model formulation on model behavior. Water Resources Research. 2013;49(3):1400-1414.

[6]. Alipour MH, Kibler KM. A framework for streamflow prediction in the world’s most severely data-limited regions: Test of applicability and performance in a poorly-gauged region of China. Journal of hydrology. 2018;557:41-54.

[7]. Sobol IM. Global sensitivity indices for nonlinear mathematical models and their Monte Carlo estimates. Mathematics and computers in simulation. 2001;55(1-3):271-280.

[8]. Shen M, Chen J, Zhuan M, Chen H, Xu CY, Xiong L. Estimating uncertainty and its temporal variation related to global climate models in quantifying climate change impacts on hydrology. Journal of Hydrology. 2018;556:10-24.

[9]. Thompson DB. The rational method, regional regression equations, and site-specific flood-frequency relations. Civil Engineering department Texas Tech University; 2006:1-7.

[10]. Cooper VA, Nguyen VT, Nicell JA. Calibration of conceptual rainfall–runoff models using global optimisation methods with hydrologic process-based parameter constraints. Journal of Hydrology. 2007;334(3-4):455-466.

[11]. Chen H, Xu CY, Guo S. Comparison and evaluation of multiple GCMs, statistical downscaling and hydrological models in the study of climate change impacts on runoff. Journal of hydrology. 2012;434:36-45.

[12]. Cooper VA. On automatic calibration of conceptual rainfall runoff models using optimisation techniques. Canada: National Library of Canada; 2002.

[13]. Andréassian V, Le Moine N, Perrin C, Ramos MH, Oudin L, Mathevet T, Lerat J, Berthet L. All that glitters is not gold: the case of calibrating hydrological models. Hydrological Processes. 2012;26(14):2206

[14]. Kirchner JW. Getting the right answers for the right reasons: Linking measurements, analyses, and models to advance the science of hydrology. Water Resources Research. 2006;42(3).

[15]. Beven K. Prophecy, reality and uncertainty in distributed hydrological modelling. Advances in water resources. 1993;16(1):41-51.

[16]. Beven K. A manifesto for the equifinality thesis. Journal of hydrology. 2006;320(1-2):18-36.

[17]. Efstratiadis A, Dialynas YG, Kozanis S, Koutsoyiannis D. A multivariate stochastic model for the generation of synthetic time series at multiple time scales reproducing long-term persistence. Environmental Modelling & Software. 2014;62:139-152.

[18]. van Emmerik T, Steele-Dunne SC, Judge J, van de Giesen N. Impact of diurnal variation in vegetation water content on radar backscatter from maize during water stress. IEEE Transactions on Geoscience and Remote Sensing. 2015;53(7):3855-3869.

[19]. Chiew FH, Kirono DG, Kent DM, Frost AJ, Charles SP, Timbal B, Nguyen KC, Fu G. Comparison of runoff modelled using rainfall from different downscaling methods for historical and future climates. Journal of Hydrology. 2010;387(1-2):10-23.

[20]. Arsenault R, Poulin A, Côté P, Brissette F. Comparison of stochastic optimization algorithms in hydrological model calibration. Journal of Hydrologic Engineering. 2014;19(7):1374-1384.

[21]. Song JH, Her Y, Suh K, Kang MS, Kim H. Regionalization of a Rainfall-Runoff Model: Limitations and Potentials. Water. 2019;11(11):2257.

[22]. Vrugt JA, Diks CG, Gupta HV, Bouten W, Verstraten JM. Improved treatment of uncertainty in hydrologic modeling: Combining the strengths of global optimization and data assimilation. Water resources research. 2005;41(1).

[23]. Abdolvandi AF, Eslamian SS, Heidarpour M, Babazadeh H. Simultaneous simulation of both surface and groundwater resources using system dynamics approach (Case Study: Taleghan Dam). Advances in Environmental Biology. 2013:562-571.

[24]. Vafakhah M, Nouri A, Alavipanah SK. Snowmelt-runoff estimation using radiation SRM model in Taleghan watershed. Environmental earth sciences. 2015;73(3):993-1003.

[25]. Antonetti M, Zappa M. How can expert knowledge increase the realism of conceptual hydrological models? A case study based on the concept of dominant runoff process in the Swiss Pre-Alps. Hydrology & Earth System Sciences. 2018;22(8):4425-4447.

[26]. Boyle DP, Gupta HV, Sorooshian S. Multicriteria calibration of hydrologic models. Calibration of Watershed Models, edited by: Duan, Q., Gupta, H., Sorooshian, S., Rousseau, A., Turcotte, R., AGU. 2003:185-196.

[27]. Vrugt JA, Ter Braak CJ, Clark MP, Hyman JM, Robinson BA. Treatment of input uncertainty in hydrologic modeling: Doing hydrology backward with Markov chain Monte Carlo simulation. Water Resources Research. 2008;44(12)._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.295823.1270

پژوهشی

تحلیل شدت، مدت و بزرگی خشکسالی هیدرولوژیکی با استفاده از توابع کاپولا (مطالعۀ موردی: حوضۀ آبخیز کل مهران و بندر سدیج)

اژدری

زهرا

دانشجوی دکترای علوم و مهندسی آبخیزداری، گروه مهندسی منابع طبیعی ،دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان

بذرافشان

ام البنین

دانشیار گروه مهندسی منابع طبیعی و مدیر هستۀ پژوهشی تجزیه‌وتحلیل داده در علوم محیطی، گروه مهندسی منابع طبیعی، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه هرمزگان

شکاری

مرضیه

استادیار گروه آمار و ریاضی و عضو هستۀ پژوهشی تجزیه‌و‌تحلیل داده در علوم محیطی، گروه ریاضیات و آمار، دانشکدۀ علوم پایه، دانشگاه هرمزگان

زمانی

حسین

20 03 2020

7 1 237 249 06 11 2019 09 03 2020

2020

https://ije.ut.ac.ir/article_75853.html

همبستگی میان مشخصه‏های خشکسالی زیاد است. تحلیل‏های تک‌متغیرۀ خشکسالی قادر به وارد کردن تأثیرات این همبستگی در محاسبات نیستند. بنابراین، بهترین روش برای پایش خشکسالی، تحلیل هم‌زمان مشخصه‏های آن است. هدف از ‌تحقیق حاضر، بررسی خشکسالی هیدرولوژیکی در حوضۀ آبخیز کل مهران و بندر سدیج است. به این منظور، از توابع کاپولای تجربی برای محاسبۀ تابع توزیع تجمعی رواناب و محاسبۀ شاخص کمبود هم‌زمان (JDI) استفاده شد. بعد از محاسبۀ JDI، سه مشخصۀ شدت، مدت و بزرگی خشکسالی استخراج شده و کاپولاهای تئوری خانوادۀ ارشمیدسی و بیضوی بر آنها برازش داده شد. سپس، کوپل سه‌متغیرۀ مشخصه‏های خشکسالی صورت پذیرفت. نتایج بررسی JDI و SRI-12 در منطقۀ مطالعه‌شده نشان داد شاخص کمبود هم‌زمان، برای پایش خشکسالی هیدرولوژیکی مناسب است و تخمین دقیق‏تری نسبت به SRI-12 از خشکسالی می‏دهد. نتایج نشان داد دورۀ بازگشت سه‌متغیرۀ هم‌زمان مقادیر بزرگ‌تری را نسبت به دورۀ بازگشت سه‌متغیرۀ شرطی نشان می‏دهد. بنابراین، احتمال هم‌زمان یا شرطی با مقادیر زیاد و یا کم دورۀ بازگشت، برای پیش‌آگاهی از وقایع خشکسالی بسیار بااهمیت است، چرا که با کم‏برآورد یا بیش‌برآورد خطر خشکسالی، در بررسی تأثیر منفی خشکسالی بر منابع طبیعی، رطوبت خاک و کیفیت آب، بسیار کارا هستند. در مجموع، کاپولاهای چندبعدی می‏توانند روشی مطمئن برای حل رابطۀ پیچیده و غیرخطی بین مشخصه‏های خشکسالی و ارائۀ یک شاخص جامع خشکسالی فراهم کنند.

تابع کاپولا خشکسالی هیدرولوژیکی‌ شاخص کمبود هم‌زمان مشخصه‏های خشکسالی

[1]. Zamani H, bazrafshan O. Modeling Wet Period Rainfall magnitude in the North and South Coasts of Iran Using the Generalized Gamma Model. Iranian journal of Ecohydrology. 2019; 6(3): 739-751.[Persian]

[2]. Gerkani Nezhad Moshizi Z, Teimouri F, Bazrafshan O. Optimization of the number of rain gage stations based on interpolation methods and principal components analysis in Iran. Iranian journal of Ecohydrology, 2017; 4(3): 897-910. [Persian]

[3]. Heim Jr RR. A review of twentieth-century drought indices used in the United States. Bulletin of the American Meteorological Society. 2002;83(8):1149-66.

[4]. Tosunoğlu F, Onof C. Joint modelling of drought characteristics derived from historical and synthetic rainfalls: Application of Generalized Linear Models and Copulas. Journal of Hydrology: Regional Studies. 2017; 14:167-81.

[5]. Nalbantis I, Tsakiris G. Assessment of hydrological drought revisited. Water Resources Management. 2009; 23(5):881-97.

[6]. Wilhite DA, editor. Droughts: A global assesment. Natural Hazards and Disasters Series, U.K: Routledge Publishers; 2016.

[7]. Sklar A. Distribution functions of n dimensions and margins. Publications of the Institute of Statistics of the University of Paris. 1959; 8:229-31.

[8]. De Michele C, Salvadori G. A generalized Pareto intensity‐duration model of storm rainfall exploiting 2‐copulas. Journal of Geophysical Research: Atmospheres. 2003 Jan 27;108(D2).

[9]. Shiau JT. Fitting drought duration and severity with two-dimensional copulas. Water resources management. 2006; 20(5):795-815.

[10]. Serinaldi F, Bonaccorso B, Cancelliere A, Grimaldi S. Probabilistic characterization of drought properties through copulas. Physics and Chemistry of the Earth, Parts a/B/C. 2009 Jan 1;34(10-12):596-605.

[11]. Song S, Singh VP. Frequency analysis of droughts using the Plackett copula and parameter estimation by genetic algorithm. Stochastic Environmental Research and Risk Assessment. 2010; 24(5):783-805.

[12]. Liu, Chun-Ling, Qiang Zhang, Vijay P. Singh, and Ying Cui. "Copula-based evaluations of drought variations in Guangdong, South China." Natural Hazards. 2011: 1533-1546.

[13]. Zhang Q, Li J, Singh VP, Xu CY. Copula‐based spatio‐temporal patterns of precipitation extremes in China. international Journal of Climatology. 2013; 33(5):1140-52.

[14]. Mirabbasi R, Anagnostou EN, Fakheri-Fard A, Dinpashoh Y, Eslamian S. Analysis of meteorological drought in northwest Iran using the Joint Deficit Index. Journal of Hydrology. 2013 Jun 7;492:35-48.

[15]. Bazrafshan O, Zamani H, Shekari M. A copula‐based index for drought analysis in arid and semi‐arid regions of Iran. Natural Resource Modeling. 2020; 33(1):e12237.

[16]. Shukla S, Wood AW. Use of a standardized runoff index for characterizing hydrologic drought. Geophysical research letters. 2008;35(2).

[17]. Kao SC, Govindaraju RS. A copula-based joint deficit index for droughts. Journal of Hydrology. 2010; 380(1-2):121-34.

[18]. Requena AI, Mediero L, Garrote L. A bivariate return period based on copulas for hydrologic dam design: accounting for reservoir routing in risk estimation. Hydrology and Earth System Sciences. 2013; 17(8):3023.

[19]. Hofert M, Mächler M. Nested Archimedean copulas meet R: The nacopula package. Journal of Statistical Software. 2011; 39(9).

[20]. Cheraghali Zadeh M, Nazi Ghomeshloo A, and Bazrafshan J. Integrated monitoring of Hydro-meteorological droughts in Kasilian catchment (Mazandaran province). Earth and Space Physics. 2018;44 (2), 463-477.(in Persion).

[21]. Kao SC, Govindaraju RS. Trivariate statistical analysis of extreme rainfall events via the Plackett family of copulas. Water Resources Research. 2008; 44(2).

[22]. Hui-Mean F, Yusof F, Yusop Z, Suhaila J. Trivariate copula in drought analysis: a case study in peninsular Malaysia. Theoretical and Applied Climatology. 2019; 138(1-2):657-71.

[23]. Ganguli P, Reddy MJ. Probabilistic assessment of flood risks using trivariate copulas. Theoretical and Applied Climatology. 2013;111(1-2):341-60._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.293199.1244

پژوهشی

مکان‏ یابی پخش سیلاب با تلفیق مدل ‏های AHP و Fuzzy با استفاده از روش WLC در GIS (مطالعۀ موردی: حوضۀ‏آبخیز خرم‏ آباد)

یوسفی

حسین

دانشیار دانشکدۀ علوم و فنون نوین، دانشگاه تهران

یونسی

حجت اله

استادیار گروه مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان

شاهی نژاد

بابک

استادیار گروه مهندسی آب، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان

ارشیا

آزاده

کارشناس ارشد آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان

میرزاپور

حافظ

دانشجوی دکترای آبخیزداری، دانشکدۀ کشاورزی و منابع طبیعی، دانشگاه لرستان

یاراحمدی

یزدان

دانشجوی دکترای علوم و مهندسی آبخیز، دانشکدۀ منابع طبیعی و علوم زمین، دانشگاه کاشان

20 03 2020

7 1 251 261 06 11 2019 09 03 2020

2020

https://ije.ut.ac.ir/article_75854.html

مکان‏یابی مناطق مناسب برای احداث سازه‏های پخش سیلاب و نفوذ آب به داخل سفره‏‏های زیرزمینی با هدف ذخیرۀ رواناب‏ها و افزایش ذخایر آب زیرزمینی به منظور تأمین آب مورد نیاز برای اهداف مختلف و نیز کنترل خسارت‌های ناشی از سیل، اهمیت و ضرورت زیاد این مطالعات را برای حفاظت از منابع طبیعی و انسانی نشان می‏د‏هد. در پژوهش حاضر، تلاش شده است تا مکان‏های مناسب برای پخش سیلاب در حوضۀ آبخیز خرم‏آباد ارائه شود. به این منظور پارامترهای کاربری اراضی، ارتفاع، تراکم زهکشی، زمین‏شناسی، فاصله از مناطق مسکونی، فاصله از رودخانه، فاصله از جاده، شیب، رده‏های خاک، بافت خاک، هدایت الکتریکی و ضخامت غیراشباع در محیط ArcGIS10.5 تهیه و بررسی شدند. ابتدا پارامترهای مد نظر با استفاده از روش Fuzzy بین صفر و یک قرار گرفتند و سپس، با استفاده از تحلیل سلسله‌مراتبی، مقایسۀ زوجی متغیرها به‏صورت طبقه‏بندی کمی، صورت گرفت و سپس با استفاده از نرم‏افزار Expert Choice که اصول آن بر اساس روش AHP استوار است، وزن هریک از معیارها به دست آمد. پارامترهای فاصله از مناطق مسکونی، کاربری اراضی و ضخامت غیراشباع مؤثرترین معیارها در مطالعۀ حاضر بودند. درنهایت، با استفاده از تکنیک‏های ArcGIS10.5 و با ترکیب خطی-وزنی، مکان‏یابی برای پخش سیلاب انجام شد. نتایج نشان داد طبق نقشۀ نهایی پخش سیلاب، 99/13 درصد از حوضۀ آبخیز خرم‏آباد، مطلوبیت مناسب و 04/26 درصد مطلوبیت متوسط برای احداث سازه‏هایی با هدف پخش سیلاب دارد. این مناطق را می‏توان در برنامه‏ریزی‏های اقدامات لازم برای پخش سیلاب در این منطقه در نظر گرفت.

روش AHP مدل Fuzzy مکان‏ یابی مهار سیل GIS

[1]. Saadati H, Khayyam M. Survey of Flood water Spreading on quantitative changes of Vegetation Cover and Groundwater Recharge by Remote Sensing and GIS in Tasouj Aquifer in East Azarbayjan.Territory. 2009; 5(19): 1-10) (In Persian).

[2]. ‎Barkhordari J, Tireh Shabankareh K, Mehrjerdi MZ, Khalkhali M. Study of water spreading effects on quantitative and qualitative changes of pastural cover: A case study in station of Sarchahan water spreading (Hormozgan province). Watershed Researches in Pajouhesh & Sazandegi. 2009; 82: 65-72 (In Persian).

[3]. ‎Poveda B. Farmland appraisal based on the analytic network process. J. Glob. Optim. 2008; 42: 143-155.

[4]. Boostani F, Mohhamadi H. Valuing water from spreading the FASA Grbaygan. Environmental Sciences and Technology, 2010; 12(3):45-60 (In Persian).

[5]. Chowdhury A, Jaha M. K, Chowdary V. M. Delineation of groundwater recharge zones and identification of artificial recharge sites in West Medinipur district, West Bengal, using RS & GIS and MCDM techniques. J. Environ. Earth Sci. 2010; 59: 1209-1222.

[6]. Kowsar S.A, Desertification Control through Floodwater Harvesting: The Current State of Know-How. In C. Lee & T. Schaaf (Eds.),The Future of Drylands. 2008; 229-241.

[7]. Zahedi A, Jahanbakhsh F, Talebi A. Identification of flood prone areas using fuzzy logic and network analysis process (Case study: Mashhad). Journal of Water and Soil Sciences (Agriculture and Natural Sciences and Technologies). 2016; 6 (76): 185-196. (In Persian).

[8]. Nourollahi D, Zakeri Nairi M. Locating construction of flood spreading structures for feeding groundwater resources using multi criteria evaluation method (Case study: Eshtehard Industrial Estate Basin). Journal of Ecohydrology, 2018; 5 (4): 1371-1384. (In Persian).

[9]. Hafezimoghaddas N, Laskaripoor G, Khalaji J. Site selection of groundwater artificial recharge using AHP method and GIS, case study: Shahrekord Plain. 1st International Congress of Irrigation and Drainage, Ferdosi University, Mashhad, Iran; 2015. (In Persian).

[10]. Hassanzadeh Nafooti M, Jamali A, TEimouri M. Flood Spill Location Using Multi Criteria Evaluation (Case Study: Padua Basin in Bam City). Journal of Watershed Management Science and Engineering of Iran. 2018; 12 (40): 125-128. (In Persian).

[11]. Khashayi A, Ghahreman B, Kouchakzadeh M. Evaluation of aquifer water extraction potential by fuzzy hierarchical analysis process (Case study: Neyshabour plain). Iranian Journal of Water Research. 2011; 5 (90): 171-180. (In Persian).

[12]. Dagdeviren M, Yavuz S, Kılınc N. Weapon selection using the AHP and TOPSIS methods under fuzzy environment. Expert Systems with Applications, 2009; 36(4), 8143-8151.

[13]. Ghodsi Pour H. Analytical Hierarchy Process. Amirkabir University of Technology Publications, 2016; 222 p. (In Persian).

[14]. Saeedi M, Abbasi AS, Sarpak M. Locating the appropriate landfill for hazardous waste using GIS site prioritization and hierarchical analysis (AHP) techniques. Environmental Science and Technology, Volume 11, Number One, Spring Special Issue, 2009; 231-241. (In Persian).

[15]. Fazelniya G, Hakimdust S, Balyani Y. Comprehensive Guideto GIS: ublishers Azad pyma, 2012; 145-146.

[16]. Noahgar A, Riahi F, Kamangar M. Determination of Suitable Areas of Flood Spreading Using Sustainable Groundwater Resources Approach (Case Study: Sarakhon Plain). Journal of Environmental Studies, 2016; 42 (1): 33-48. (In Persian).

[17]. Mahmoodi J, Qureshi Najafabadi S, Vafaeinejad A , Muridi A, Khazaei S. Potential Assessment of Groundwater Resources Using a Combined Approach to Particle Swarm Optimization Algorithm and Spatial Information System (Case Study: Mehran Plain, Ilam). Journal of Ecohydrology, 2017; 4 (4): 1213-1199. (In Persian).

[18]. Cimren E,Catay B, Budak E. Developement of selection system using AHP International Journal of Advanced Manufaturing Technology, 2007; 35 363-376._||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.295810.1268

پژوهشی

توسعۀ شاخص کیفی برای ارزیابی آب‏ زیرزمینی و پیش ‏بینی تغییرات آن با مدل شبکۀ بیزین (مطالعۀ موردی: دشت زنجان)

مظفری

سعید

دانشجوی کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

بنی حبیب

محمد ابراهیم

استاد گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

جوادی

سامان

دانشیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

کاردان مقدم

حمید

کارشناس پژوهشی پژوهشکدۀ مطالعات و تحقیقات منابع آب، مؤسسۀ تحقیقات آب، تهران

20 03 2020

7 1 263 275 06 11 2019 09 03 2020

2020

https://ije.ut.ac.ir/article_75855.html

‌آب‌های ‏زیرزمینی یکی از منابع مهم تأمین آب به‌خصوص در مناطق خشک و کم‌بارش به ‏شمار می‏رود. از این‏رو، تعیین کیفیت و پیش‏بینی آن امری ضروری است. مطالعۀ حاضر به ارزیابی کیفیت منابع آب ‏زیرزمینی و پیش‏بینی آن در آبخوان زنجان می‏پردازد. شاخص GWQI در پژوهش‌های پیشین، وزن‌دهی ساده بر پایۀ دیدگاه‌های کارشناسی بوده است. از این‌رو، در شاخص جدید (C-GWQI) برای تعیین وزن‏ها، از روش آنتروپی شانون و از تصمیم‏گیری چند‏معیارۀ COPRAS، به منظور توسعۀ این شاخص استفاده شد. با تعریف دو محدودۀ کیفی مجاز و مطلوب برای مصارف شرب طبق استاندارد WHO، کیفیت آبخوان در سه محدودۀ مطلوب، مجاز و غیرمجاز برای طبقه‏بندی آب شرب استفاده شد. نتایج نشان داد در همۀ دوره‏های زمانی سطح کیفیت آب ‏زیرزمینی در محدودۀ شهری پایین‏تر از سایر نقاط است. با این حال، در بیشتر چاه‏های بررسی‌شده، کیفیت آب برای شرب ارزیابی مطلوب شد. شاخص توسعه داده‌شده با استفاده از مدل شبکۀ بیزین تحت ۸ راهبرد ساختاری ارزیابی و پیش‏بینی شد و از بین راهبردهای مختلف، با توجه به معیارهای میانگین مطلق خطای نسبی (MARE) و ضریب همبستگی (R) راهبرد برتر انتخاب شد. راهبرد برتر کیفیت آب‏ زیرزمینی در مرحلۀ آموزش و آزمون به‌ترتیب دارای مقادیر ۹۳۲/۱ و ۹۹۲/۰ درصد از نظر شاخص MARE ارزیابی شد. پارامترهای پیش‏بینی‌کنندۀ راهبرد منتخب شامل آب‏ برگشتی، تخلیه، بارش، دما و کیفیت این ماه توانستند با دقت زیادی کیفیت ماه بعد را پیش‏بینی کنند. نتایج مطالعۀ حاضر می‏تواند به مدیران برای حفظ و مدیریت بهتر آبخوان کمک کند.

آبخوان زنجان شبکۀ بیزین کیفیت آب ‏زیرزمینی COPRAS

[1]. Germolec DR, Yang RS, Ac kermann MF, Rosenthal GJ, Boorman GA, Blair P, et al. Toxicology studies of a chemical mixture of 25 groundwater contaminants: II. Immunosuppression in B6C3F1 mice. Toxicological Sciences. 1989;13(3):377-87.

[2]. Huiqun M, Ling L, editors. Water quality assessment using artificial neural network. 2008 International Conference on Computer Science and Software Engineering; 2008: IEEE.

[3]. Horton RK. An index number system for rating water quality. Journal of Water Pollution Control Federation. 1965;37(3):300-6.

[4]. Miller W, Joung H, Mahannah C, Garret J. Identification of Water Quality Differences in Nevada Through Index Application 1. Journal of Environmental Quality. 1986;15(3):265-72.

[5]. Ramakrishnaiah C, Sadashivaiah C, Ranganna G. Assessment of water quality index for the groundwater in Tumkur Taluk, Karnataka State, India. Journal of Chemistry. 2009;6(2):523-30.

[6]. Vasanthavigar M, Srinivasamoorthy K, Vijayaragavan K, Ganthi RR, Chidambaram S, Anandhan P, et al. Application of water quality index for groundwater quality assessment: Thirumanimuttar sub-basin, Tamilnadu, India. Environmental monitoring and assessment. 2010;171(1-4):595-609.

[7]. Logeshkumaran A, Magesh N, Godson PS, Chandrasekar N. Hydro-geochemistry and application of water quality index (WQI) for groundwater quality assessment, Anna Nagar, part of Chennai City, Tamil Nadu, India. Applied Water Science. 2015;5(4):335-43.

[8]. Barba-Romero S, Pomerol JC. Multicriterion Decision in Management: principles and practice. Operations Research Management Science, Massachusetts. 2000.

[9]. Zavadskas EK, Turskis Z. Multiple criteria decision making (MCDM) methods in economics: an overview. Technological and economic development of economy. 2011;17(2):397-427.

[10]. Cooper W. Seiford. LM and Tone, K.(2000) Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References and DEA-Solver Software. Boston: Kluwer Academic Publishers; 2007.

[11]. Üstün AK. Evaluating İstanbul’s disaster resilience capacity by data envelopment analysis. Natural Hazards. 2016;80(3):1603-23.

[12]. Üstün AK, Barbarosoğlu G. Performance evaluation of Turkish disaster relief management system in 1999 earthquakes using data envelopment analysis. Natural Hazards. 2015;75(2):1977-96.

[13]. Banai-Kashani R. A new method for site suitability analysis: The analytic hierarchy process. Environmental management. 1989;13(6):685-93.

[14]. Jha MK, Chowdary V, Chowdhury A. Groundwater assessment in Salboni Block, West Bengal (India) using remote sensing, geographical information system and multi-criteria decision analysis techniques. Hydrogeology journal. 2010;18(7):1713-28.

[15]. Do HT, Lo S-L, Thi LAP. Calculating of river water quality sampling frequency by the analytic hierarchy process (AHP). Environmental monitoring and assessment. 2013;185(1):909-16.

[16]. Jeihouni M, Toomanian A, Shahabi M, Alavipanah S. Groundwater quality assessment for drinking purposes using GIS modelling (case study: city of Tabriz). The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 2014;40(2):163.

[17]. Kavurmaci M, Üstün AK. Assessment of groundwater quality using DEA and AHP: a case study in the Sereflikochisar region in Turkey. Environmental monitoring and assessment. 2016;188(4):258.

[18]. Minh HVT, Avtar R, Kumar P, Tran DQ, Ty TV, Behera HC, et al. Groundwater Quality Assessment Using Fuzzy-AHP in An Giang Province of Vietnam. Geosciences. 2019;9(8):330.

[19]. Chatterjee P, Athawale VM, Chakraborty S. Materials selection using complex proportional assessment and evaluation of mixed data methods. Materials & Design. 2011;32(2):851-60.

[20]. Das MC, Sarkar B, Ray S. A framework to measure relative performance of Indian technical institutions using integrated fuzzy AHP and COPRAS methodology. Socio-Economic Planning Sciences. 2012;46(3):230-41.

[21]. Maiti S, Das A, Shah R, Gupta G. Application of automatic relevance determination model for groundwater quality index prediction by combining hydro-geochemical and geo-electrical data. Modeling Earth Systems and Environment. 2017;3(4):1371-82.

[22]. Nezhad MF, Abbasi M, Markarian S. A novel method for modeling effluent quality index using Bayesian belief network. International Journal of Environmental Science and Technology. 2019;16(11):7071-80.

[23]. Ammar K, McKee M, Kaluarachchi J. Bayesian method for groundwater quality monitoring network analysis. Journal of Water Resources Planning and Management. 2009;137(1):51-61.

[24]. Hantush MM, Chaudhary A. Bayesian framework for water quality model uncertainty estimation and risk management. Journal of Hydrologic Engineering. 2013;19(9):04014015.

[25]. Venkatramanan S, Chung S, Ramkumar T, Rajesh R, Gnanachandrasamy G. Assessment of groundwater quality using GIS and CCME WQI techniques: a case study of Thiruthuraipoondi city in Cauvery deltaic region, Tamil Nadu, India. Desalination and Water Treatment. 2016;57(26):12058-73.

[26]. Abbasnia A, Yousefi N, Mahvi AH, Nabizadeh R, Radfard M, Yousefi M, et al. Evaluation of groundwater quality using water quality index and its suitability for assessing water for drinking and irrigation purposes: Case study of Sistan and Baluchistan province (Iran). Human and Ecological Risk Assessment: An International Journal. 2019;25(4):988-1005.

[27]. World Health Organization (WHO. Information Products: Water, Sanitation and Health. World Health Organization (WHO); 2004.

[28]. Kaklauskas A, Zavadskas EK, Raslanas S, Ginevicius R, Komka A, Malinauskas P. Selection of low-e windows in retrofit of public buildings by applying multiple criteria method COPRAS: A Lithuanian case. Energy and buildings. 2006;38(5):454-62.

[29]. Zavadskas E, Kaklauskas A, editors. Determination of an efficient contractor by using the new method of multicriteria assessment. International Symposium for “The Organization and Management of Construction” Shaping Theory and Practice; 1996.

[30]. Pearl J. Probabilistic Reasoning in Intelligent Systems. Representation & Reasoning. Morgan Kaufmann Publishers San Mateo; 1988.

[31]. Aguilera P, Fernández A, Fernández R, Rumí R, Salmerón A. Bayesian networks in environmental modelling. Environmental Modelling & Software. 2011;26(12):1376-88.

[32]. Uusitalo L. Advantages and challenges of Bayesian networks in environmental modelling. Ecological modelling. 2007;203(3-4):312-8.

[33]. Farmani R, Henriksen HJ, Savic D. An evolutionary Bayesian belief network methodology for optimum management of groundwater contamination. Environmental Modelling & Software. 2009;24(3):303-10.

[34]. Reza Nemati A, Nemati B, Reza Pirestani M. Qualitative monitoring of Saveh plain's Groundwater based on water quality index (WQI). European Online Journal of Natural and Social Sciences: Proceedings. 2014;3(3 (s)):pp. 236-41.

_||_

اکوهیدرولوژی

دانشکده علوم و فنون نوین دانشگاه تهران

اکوهیدرولوژی

2423-6098

دانشکده علوم و فنون نوین دانشگاه تهران

166

10.22059/ije.2020.295631.1266

پژوهشی

تعیین روش بهره‌برداری بهینه از مخزن با مدل غیر خطی برای کاهش تلفات آب مخزن

حاتمی

سکینه

دانشجوی کارشناسی ارشد سازه‌های آبی، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران‌

بنی حبیب

محمد ابراهیم

استاد گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران‌

سلطانی

جابر

استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران‌

20 03 2020

7 1 277 290 07 10 2019 10 03 2020

2020

https://ije.ut.ac.ir/article_75856.html

هدف از پژوهش حاضر، ارزیابی تلفات تبخیر و تراوش در روش‏های مختلف بهره‏برداری از مخازن سدهاست. در تحقیق حاضر برای ارزیابی شاخص‏های تلفات آب و کمبود و شاخص‏های کارایی مخزن طی سال‌های 1390-1397، ابتدا روش بهره‏برداری گرادیان کاهشی تعمیم‏یافته تدوین شد. سپس، این شاخص‏ها به ازای روش‏های گرادیان کاهشی تعمیم‏یافته، بهره‏برداری فعلی و منحنی فرمان پیشنهادی برآورد شده و با هم مقایسه ‌شدند. برای برآورد دقیق تراوش، از واسنجی مدل‌سازی عددی Seep/w با استفاده از پیزومترهای موجود استفاده شد. نتایج به‌دست‌آمده نشان داد روش بهره‏برداری گرادیان کاهشی تعمیم‏یافته (GRG) نسبت به روش بهره‏برداری استاندارد از نظر شاخص‏های تراوش، تبخیر و کمبود سالانه به‌ترتیب به میزان 86/67، 24/54 و 68/67 درصد بهبود یافته است. از نظر شاخص‏های اعتمادپذیری، برگشت‏پذیری، آسیب‏پذیری و انعطاف‏پذیری به‌ترتیب به میزان 95/368، 26/110، 68/67 و 40/4750 درصد بهبود یافته است. همچنین، این روش نسبت به روش بهره‏برداری فعلی از نظر شاخص‏های تبخیر و کمبود سالانه به‌ترتیب به میزان 88/15 و 86/41 درصد بهبود یافت. از نظر شاخص‏های اعتمادپذیری، برگشت‏پذیری، آسیب‏پذیری و انعطاف‏پذیری به‌ترتیب به میزان 54/25، 34/30، 86/41 و 15/125 درصد بهبود یافته و شاخص تراوش این روش نسبت به روش بهره‏برداری فعلی 65/18 درصد افزایش داشته است. بنابراین، روش بهره‏برداری بهینۀ گرادیان کاهشی تعمیم‏یافته نسبت به دو روش‏ بهره‏برداری منحنی فرمان و فعلی به صورت مطلوبی در بهبود شاخص‏های کمبود، تلفات تبخیر و انعطاف‏پذیری مخزن سد مؤثر بوده و پیشنهاد می‏شود برای کاهش تلفات تبخیر و کمبود تأمین و بهبود کارایی مخزن، از این روش در سایر مخازن استفاده شود.

تبخیر تراوش سد پیشین روش بهره‏برداری گرادیان کاهشی تعمیم‏یافته منحنی فرمان

[1]. Loucks DP, Van Beek A. Water resources systems planning and management: an introduction to methods, models and applications. United Nations Educational. Scientific and Cultural Organization (UNESCO). 2005.

[2]. Teegavarapu RSV, Simonovic SP. Optimal operation of reservoir systems using simulated annealing. Water Resources Management. 2002; 16(5): 401- 428.

[3]. Sivapragasam C, Vasudevan G, Maran J, Bose C, Kaza S, Ganesh N. Modeling evaporation-seepage losses for reservoir water balance in semi-arid regions. Water resources management. 2009; 23(5), 853.

[4]. Banihabib ME, Zahraei A, Eslamian S. An integrated optimisation model of reservoir and irrigation system applying uniform deficit irrigation. International Journal of Hydrology Science and Technology. 2015; 5(4): 372-385.

[5]. Hosseini-Moghari SM, Banihabib ME. Optimization of reservoir operation for agricultural water supply using firefly algorithm.3 water and soil preservation. 2014; 3(4)17-31. [Persian]

[6]. Banihabib ME, Hasani K, Bavani ARM, Asgari K. A framework for the assessment of reservoir operation adaptation to climate change in an arid region. International Journal of Global Warming. 2016; 9(3): 286-305.

[7]. Banihabib ME, Zahraei A, Eslamian S. Dynamic Programming Model for the System of a Non‐Uniform Deficit Irrigation and a Reservoir. Irrigation and drainage. 2017; 66(1):71-81.

[8]. Beheshti AA, Hojati A. Optimization of Reservoir Operation of Qardanloo Dam Using Linear Programming. First National Conference on sustainable development of agricultural. natural resources and environment. 2014. [Persian]

[9]. Torabi H, Dehghani R, Godarzi A. Optimal operation of Reservoir using of linear programming model (Case study: Dorudzan dam). Human and environment. 2019; 17(1):27-37. [Persian]

[10]. Nozari H, Moggan M. Operation Management of Amirkabir Dam Reservoir Water Management Using System Dynamics and Nonlinear Programming Model. Iranian Soil and Water Research. 2017; 48(2):335-347. [Persian]

[11]. Lasdon LS, Warren AD. Generalized reduced gradient software for linearly and nonlinearly constrained problems. In: Greenberg HJ (ed) Design and implementation of optimization software. Sijthoff and Noordhoff. The Netherlands. 1987; 363–397.

[12]. Lasdon LS, Warren AD, Jain A, Ratner M. Design and testing of a generalized reduced gradient code for nonlinear programming. ACM Trans Math Softw.1978; 4:34–50.

[13]. Elci A. Calibration of groundwater vulnerability mapping using the generalized reduced gradient method. Journal of contaminant hydrology. 2017; 207, 39-49.

[14]. Pishin Dam Technical Reports, engineering Advisory company Pars Consulate. (1384-1387). [Persian]

[15]. Dunnicliff, J. Geotechnical Instrumentation for Monitoring Field Performance. Wiley, New York; 1988. 577 pp.

[16]. Varyani A, Fatahi P. Determination of the optimal amount of production in a two-level production system with potential demand. International Journal of Industrial Engineering and Production Management. 2014; 24(1):56-66. [Persian]

[17]. Lasdon LS, Fox RL, Ratner MW. Nonlinear optimization using the generalized reduced gradient method. Revue française dautomatique, informatique, recherche operationnelle. Recherche operationnelle. 1974; 8(3):73-103.

[18]. Hashimoto T, Stediger JR, Loucks DP. Reliability, resiliency and vulnerability criteria for water resource system performance evaluation. Water Resources Research. 1982; 18(1):14-20._||_