مریم بیات ورکشی

کشور ایران دارای اقلیم خشک و نیمه خشک است که ریزش های کمِ جوی، رگبارهای شدید، وقوع جریان های سیلابی و تبخیر (تبخیر تعرق) زیاد از ویژگی های آن به شمار می آید. پژوهش حاضر سعی در ارزیابی و پهنه بندی تبخیر تعرق گیاه مرجع (ETo) و ارائه آن در قالب نقشه های پهنه بندی و هم تبخیر تعرق (مرجع) به عنوان ابزاری اساسی برای مدیریت آب دارد. در این بررسی با گروه بندی مناطق هم اقلیم براساس اقلیم نمای یونسکو از میانگین های درازمدت متغیرهای اقلیمی 91 ایستگاه هواشناسی و داده های لایسیمتر، برای تعیین روش مناسب تخمین ETo استفاده شد. تبخیر تعرق گیاه مرجع برمبنای اطلاعات اقلیمی هر یک از ایستگاه ها به کمک نرم افزار RefET به 13 روش محاسبه شد. روش های محاسباتی شامل هفت روش ترکیبی بر پایه روش پنمن، دو روش دمایی، سه روش تشعشعی ـ دمایی و یک روش تشعشعی بودند. مناسب ترین روش محاسباتی از بین 13 روش، در مقایسه با مقادیر تبخیر تعرق لایسیمتری در هر اقلیم انتخاب شد. انتخاب روش محاسباتی براساس آماره های ضریب تبیین (2R)، جذر میانگین مربعات خطا (RMSE) و میانگین خطای اریبی (MBE) صورت گرفت. مقادیر RMSE، MBE و 2R در 9 ایستگاه لایسیمتری به ترتیب 1/1 میلی متر در روز، 23/0- میلی متر در روز و 85/0 به دست آمد، که نشان دهنده دقت مناسب کار در گستره جغرافیایی کشور ایران است. در نهایت هر یک از روش های محاسباتی انتخاب شده، برای سایر ایستگاه های هم اقلیم فاقد مقادیر لایسیمتری مبنای برآورد ETo قرار گرفتند. نتایج نشان داد که روش های با پایه پنمن در اکثر مناطق ایران مناسب ترین روش برای برآورد ETo به شمار می آیند. در ترسیم نقشه هم تبخیر تعرق مرجع (ISOETo) و پهنه بندی آن براساس نقشه های توپوگرافی رقومی شده، اطلاعات جغرافیایی ایستگاه های هواشناسی و بهره گیری از نرم افزارهای GIS و Surfer براساس داده های تبخیر تعرق مرجع روزانه صورت گرفت. نتایج پهنه بندی به روش کریجینگ، نشان داد میزان ETo در 23 درصد از سطح ایران که در مناطق مرتفع شمال کشور قرار دارند، کمتر از 48/4 میلی متر در روز است؛ و در مقابل 77 درصد از سطح کشور در پهنه ETo بیش از این مقدار تا سقف 70/10 میلی متر در روز قرار دارد. به نظر می رسد که پراکنش مناسب زمانی و مکانی بارش های مناطق شمالی، رطوبت نسبتاً بالا و برودت هوا در کاستن از پتانسیل تبخیر تعرق این مناطق نقش اساسی دارد. در مجموع وجود بی نظمی و نوسانات زیاد در سری های زمانی بارندگی سالانه از عوامل اصلی کمبود منابع آب و به تبع آن افزایش تبخیر تعرق در مناطق خشک و نیمه خشک ایران است.

کسب اطلاعات لازم در خصوص نیترات در منابع آب زیرزمینی مستلزم اندازه گیریهای دقیق دوره ای است که با وجود اندازه گیری آن در برخی مناطق، به علت حساسیت های اجتماعی و سلامتی جامعه گزارش نمیشود. بنابراین مدل سازی آن به علت اطلاع از وضعیت کیفی آب هر منطقه ضروری به نظر میرسد. هدف این مطالعه استفاده از روش شبکة عصبی مصنوعی در برآورد نیترات و مقایسة آن با مقادیر اندازه گیری شده و بررسی تأثیرپذیری برآورد نیترات از تعداد و ماهیت اطلاعات ورودی به مدل شبکه عصبی بود. داده ها از آمار و اطلاعات کمی و کیفی 53 حلقه چاه آب زیرزمینی دشت همدان- بهار در دو گروه اطلاعات پرهزینه و کم هزینه، طی سالهای 1382 تا 1387 اخذ شد. در گروه اطلاعات پرهزینه از 13 متغیر مستقل شیمیایی به عنوان ورودی شبکه عصبی مصنوعی و در گروه کم هزینه از 7 و 8 متغیر به تفکیک برای مدل سازی نیترات استفاده شد. مقایسة نتایج آزمون هر سه آرایش، حاکی از توانایی بالای مدل شبکة عصبی در پیش بینی غلظت نیترات است. مقایسة میانگین خطاهای حاصل از هر سه مدل شبکه عصبی با آزمون t و آماره Z نشان داد که تفاوت معنیداری بین نتایج مدل ها وجود ندارد. بنابراین استفاده از اطلاعات گروه دوم در ورودی شبکه عصبی قابل توجیه است. مشخصه های ورودی مدل پیشنهادی شامل خصوصیات ژئومرفولوژی عمق استاتیک، عمق چاه، مختصات جغرافیایی و اطلاعات کیفی دما، pH ، هدایت الکتریکی نمونه های آب اندازه گیری شده است که موفق به پیش بینی غلظت نیترات با اطمینانی بیش از 80 درصد شد که مؤید کارایی مناسب مدل در آبخوان دشت همدان-بهار است

مطالعه و تجزیه و تحلیل کمی آب های زیرزمینی به دلیل پیچیدگی فرآیندهای حاکم بر این منابع، دشوار و وقت گیر می باشد. مدل سازی به عنوان روشی کارآمد با کم ترین هزینه، امکان مطالعه پیچیدگی جریان آب زیرزمینی را برای مدیران فراهم می نماید. هدف این تحقیق مقایسه مدل عددی، روش های هوشمند عصبی و زمین آمار در مدل سازی تغییرات سطح آب زیرزمینی می باشد. بدین منظور اطلاعات آبخوان دشت همدان – بهار به عنوان یکی از مهم ترین منابع تامین آب منطقه، مورد مطالعه قرار گرفت. در این پژوهش از کد عددی MODFLOW در نرم افزار GMS، شبکه عصبی مصنوعی و روش عصبی - فازی در نرم افزارNeuroSolution ، روش عصبی – موجک در نرم افزار MATLAB و روش زمین آمار در نرم افزار ArcGIS استفاده گردید. مقایسه نتایج نشان داد که دقت روش های برآورد سطح آب زیرزمینی بر حسب کم ترین آماره مجذور میانگین مربعات خطای نرمال (NRMSE)، به ترتیب به روش عصبی - موجک، عصبی – فازی، زمین آمار، شبکه عصبی مصنوعی و مدل عددی تعلق داشت. به طوری که مقدار آماره NRMSE در روش عصبی - موجک به عنوان روش بهینه، برابر 0/11 درصد و در روش مدل عددی برابر 2/2 درصد بدست آمد. مقدار ضریب همسبتگی روش های فوق به ترتیب 0/998 و 0/904 بود. بنابراین می توان کاربرد روش های عصبی ترکیبی به ویژه نظریه موجک را در برآورد سطح آب زیرزمینی مناسب تر از روش زمین آمار و مدل عددی دانست. ضمن آن که در روش های هوشمند عصبی از متغیرهای زودیافت طول و عرض جغرافیایی و ارتفاع از سطح دریا به عنوان بردار اطلاعات ورودی استفاده شده بود.

عنصر بارش ماهیت آشوبناکی و تصادفی داشته و از این نظر دارای تغییرات ساختاری در زمان­های مختلف است. در این راستا به­دلیل عدم قطعیت­هایی که وجود دارد، نوسان­های زیادی در مقدار بارش ایجاد می­شود که پیش­بینی این کمیت مهم را با مشکل مواجه نموده است. در این مقاله با تکنیک مقیاس­بندی مجدد (R/S) و محاسبه نمای هرست (H) پیش­بینی­پذیری بارش در سه منطقه شیراز، کرمان و مشهد انجام شد. نمای هرست نشان داد که پارامتر بارش قابلیت پیش­بینی­پذیری را دارد، زیرا H از 5/0 بزرگ­تر بوده و بمراتب به­مقدار 1 نزدیک­تر است. به­طوری­که نمای هرست از حداقل 8/0 در ایستگاه مشهد تا حداکثر 92/0 در ایستگاه شیراز در نوسان بود. به منظور پیش­بینی بارش از شبکه­های عصبی مصنوعی استفاده شد. نوع پارامترهای ورودی براساس آزمون همبستگی پیرسون از بین داده­های غیربارشی، ترکیبی از داده­های دمایی و رطوبتی بودند. تعداد پارامترهای ورودی، تعداد لایه­های میانی و سایر اطلاعات مربوط به شبکه عصبی مصنوعی به صورت تصادفی انتخاب و پیشنهاد شدند. در مجموع از شبکه­های عصبی پرسپترون چند لایه برای برآورد بارش استفاده شد. مقایسه عملکرد شبکه­های عصبی، نشان داد که استفاده از 3 و 4 پارامتر هواشناسی، بهترین رتبه برآوردگری را داشته­اند. آرایش­های پیشنهادی برای ایستگاه شیراز، 1-21-21-3، کرمان 1-25-25-3 و مشهد 1-19-19-4 دارای ضریب همبستگی بیش از 91 درصد شد. اعتبارسـنجی مدل­های بارش نشان داد که شـبکه­های طراحی شـده برای پارامتر بارش در ایستگاه­های مشهد، شیراز و کرمان به ترتیب با خطای 4، 11 و 14 درصد، دارای بهترین عملکرد بوده­اند. در مجموع نتایج نشان می­دهند که استفاده از روش شبکه عصبی با درنظر گرفتن اطلاعات دمایی و رطوبتی، نتایج مناسبی برای توصیف فرآیند و ترکیب آن­ها در پیش­بینی، به­دست می­دهند.

این مطالعه با هدف بررسی ارتباط بین پدیده ی انسو با میانگین دمای هوای ماهانه و فصلی نیمه ی جنوبی کشور، طیّ دوره ی 55 ساله (2005-1951) انجام شد. برای این کار از داده های دمای 12 ایستگاه سینوپتیک کشور، داده های شاخص نوسان های جنوبی (SOI) و شاخص انتقالی انسو (TNI) استفاده شد. ابتدا میزان همبستگی بین دمای هوا با هر دو شاخص انسو در دو گام زمانی ماهانه و فصلی بررسی و سپس تأثیرپذیری دمای هوا از فازهای گرم (النینو) و سرد (لانینا) پدیده ی انسو، به کمک شاخص درصد تغییرات دما بررسی شد. نتایج نشان داد، تعداد ایستگاه های دارای همبستگی معنادار دمای هوا با شاخص TNI، به مراتب بیش از شاخص SOI بود. همچنین در هر دو مقیاس زمانی، بیشترین همبستگی های معنادار از نوع منفی بود که بیانگر کاهش دمای هوا با افزایش مقادیر شاخص های انسو است. از سویی، براساس شاخص TNI، دمای هوای ماه ژانویه و برمبنای شاخص SOI، دمای هوای ماه اکتبر به عنوان ماه های تأثیرپذیر از پدیده ی انسو معرّفی شدند. در مقیاس فصلی نیز، در فصل تابستان اکثر ایستگاه ها همبستگی معناداری با شاخص انسو داشتند. حدود دامنه ی همبستگی میان مقادیر شاخص SOI با دما در تمامی ماه ها از حدّاقل 549/0- برای آگوست تا حدّاکثر 463/0+ در ماه اکتبر و 458/0- در ماه های آگوست و سپتامبر تا 512/0+ در ماه سپتامبر برای شاخص TNI بود. در مقیاس فصلی نیز دامنه ی همبستگی های SOI و TNI به ترتیب از 365/0- در فصل بهار تا 459/0+ در فصل پاییز و 530/0- تا 384/0 در فصل تابستان متغیّر بود. با مبنا قرار دادن شاخص TNI، درصد تغییرات دمای ایستگاه ها در هر یک از فازها نشان داد، در مقیاس فصلی، فاز لانینا منجر به افزایش 4 درصدی دمای فصل زمستان و در مقیاس ماهانه، فاز لانینا منجر به افزایش 8 درصدی دمای ماه دسامبر شد. در مجموع نتایج مؤیّد تأثیرپذیری قابل ملاحظه ی دمای هوا از پدیده ی انسو بود.

برای بررسی کارایی شبکه ی عصبی مصنوعی در شبیه سازی تغییرات سطح ایستابی سفره ی آب زیرزمینی دشت ملایر، از اطلاعات هواشناسی ایستگاه های تبخیرسنجی در سطح دشت، حجم آب برداشتی از سفره و مقادیر سطح ایستابی آن استفاده شد. از این اطلاعات، به عنوان ورودی شبکه ی عصبی مصنوعی نوع پرسپترون چندلایه در چارچوب چهار ساختار اطلاعاتی استفاده شد. ساختار اوّل، شامل میانگین اطلاعات دمای حدّاکثر هوا، دمای حدّاقل هوا، حدّاکثر رطوبت نسبی هوا، حدّاقل رطوبت نسبی هوا و میانگین تبخیر در مقیاس زمانی ماهانه و ارتفاع سطح ایستابی ماه پیش بود. در ساختار دوم از اطلاعات سطح ایستابی در یک، دو، سه و چهار ماه پیش استفاده شد. در ساختار سوم، افزون بر اطلاعات ساختار شماره ی دو، میانگین سطح ایستابی ماه مورد نظر و میانگین سطح ایستابی ماه پیش هم به کار گرفته شد. ساختار چهارم، براساس میانگین سطح ایستابی ماه مورد نظر، میانگین سطح ایستابی ماه پیش و اطلاعات هواشناسی ماهانه تعریف شد. ساختار سوم با آرایش 1-4-4-6، به عنوان ساختار مناسب با 9/1 درصد خطا در مقایسه با مقادیر واقعی پیشنهاد شد که نشان دهنده ی اهمّیّت به کارگیری عوامل سطح ایستابی سال های گذشته، در ورودی شبکه ی عصبی است. اجرای مدل بهینه ی شبکه ی عصبی، افت سطح ایستابی را 18/1 متر، به ازای 9/1 درصد خطا برآورد کرد. جذر میانگین مربّعات خطا در مدل بهینه ی شبکه ی عصبی با آرایش 1-4-4-6 بر مبنای قانون آموزش لونبرگ مارکوات و تابع محرک سیگموئید، در مقابل تغییرات واقعی سطح سفره 44/0 متر با ضریب تعیین 99/0 به دست آمد. با توجّه به دقّت مناسب مدل و روند کاهنده ی حاکم بر سفره، می توان استفاده از شبکه ی عصبی مصنوعی برای تصمیم گیری در مدیریت دشت را، به عنوان ابزاری با سرعت و دقّت مناسب در شبیه سازی سطح آب زیرزمینی دشت ملایر، توصیه کرد.

در این تحقیق، با به کارگیری تبدیل موجک، به بررسی روش شبکة عصبی - موجک و زمین آمار در برآورد توزیع مکانی سه مؤلفة ارتفاع برف، چگالی برف، و ارتفاع آب معادل برف حوضه های آبریز شمال غرب کشور پرداخته شد. بدین منظور، با مدنظر قراردادن اطلاعات اندازه گیری چهارسالة (1387 1387 تا 1390 1391) سه استان آذربایجان شرقی، آذربایجان غربی، و اردبیل توانایی روش شبکة عصبی- موجک و زمین آمار ارزیابی شد. مقایسة روش های مختلف زمین آمار نشان از برتری روش کریجینگ معمولی با نیم تغییرنمای گوسین برای مؤلفه های چگالی برف، آب معادل برف، و ارتفاع برف با آمارة میانگین مجذور مربعات خطای استاندارد (NRMSE) به ترتیب 259 /0، 429 /0، و 390 /0 بود. با کاربرد روش شبکة عصبی- موجک خطای برآورد هر سه مؤلفه بسیار کاهش یافت؛ به طوری که مقدار NRMSE برای مؤلفه های چگالی برف، آب معادل برف، و ارتفاع برف به ترتیب 122 /0، 002 /0، و 001 /0 به دست آمد. ضمن آنکه دقت شبیه سازی نقاط حدی مؤلفه های برف به وسیلة روش شبکة عصبی- موجک افزایش یافت. بنابراین، کاربرد شبکة عصبی- موجک در مقایسه با زمین آمار در برآورد توزیع مکانی مشخصه های برف توصیه می شود.