علی محمد آخوندعلی

ایران با کمبود شدید آب روبرو است. معمولاً مدرن سازی سیستم های آبیاری و بهبود راندمان آبیاری به منزله ی فرصتی برای صرفه جویی قابل توجه آب در بخش کشاورزی در نظر گرفته می شود. به همین دلیل، دولت ایران قویاً از مدرنیزه کردن سیستم های آبیاری پشتیبانی می کند و اقدامات آب- اندوز زیادی با هدف بهبود بهره وری آب و کاهش مصرف آب انجام داده است. در این راستا، پیشرفتهایی نیز صورت گرفته است. اما کل آب مصرفی کشاورزی آن گونه که انتظار می رفته، کاهش نیافته است. بنابراین، مصرف آب کشاورزی در ایران ممکن است که پدیده اثر بازگشتی را تجربه کرده باشد. فرضیه اثر بازگشتی به عنوان پیامدی از سرمایه گذاری آب - اندوز از معمای جونز در اقتصاد انرژی گرفته شده است. هدف از این مطالعه، ارزیابی مقدار اثر بازگشتی آب (WRE) در سطح مزرعه در حوضه آبریز بختگان با استفاده از مدل تخصیص زمین اصلاح شده و رویکرد مقایسه مستقیم بود. نتایج نشان داد که مقدار WRE در حوضه آبریز بختگان می تواند بین 1/10% تا 3/109% نوسان داشته باشد.

رطوبت خاک یکی از مهم ترین متغیرهای محیطی است و شناخت تغییرات مکانی و زمانی آن، بینش ارزشمندی را در مطالعه مراحل مختلف هیدرولوژیکی و مدل های آب و هوایی به همراه دارد. هدف از پژوهش، دسترسی به پایگاه های دور یا بیرون از دستِ رطوبت خاک در مناطق خشک و نیمه خشک است. داده های ماهواره ای لندست8 در منطقه ی خشک و نیمه خشکی از استان خراسان رضوی تهیه و پس از آماده سازی و پیش پردازش، به همراه مقادیر محاسبه شده ی چندین نمایه ی طیفی، تجزیه ی مؤلفه های اصلی و تبدیل داده ی تسلدکپ، به عنوان متغیرهای پیش بینی کننده، مورداستفاده قرار گرفتند. به روشِ آمار مکانی شاخص مورانز توأم با شاخص خوشه بندی حداقل- حداکثر، همبستگی جغرافیایی داده ها بررسی شد. همبسته ترین متغیرها نیز به روش رگرسیون اکتشافی و روش همبستگی دومتغیره، با محاسبه ی عامل تورم واریانس، ضریب پیرسون و ضریب تعیین، در سه سطحِ رطوبتیِ مساوی یا بیشتر از 5%، 4 تا 5 درصد و مساوی یا کمتر از 4%، مشخص شدند. پی ریزی توابعِ تخمین رطوبت سطحی خاک نیز، با هفت روشِ رگرسیون حداقل مربعات جزئی (PLSR)، رگرسیون چندگانه یِ گام به گام، رگرسیون چندگانه یِ پس حذف رو، رگرسیون چندگانه یِ پیشرو، رگرسیون چندگانه یِ وارد شونده، رگرسیون چندگانه یِ عزل و آزمونِ اعتبار متقاطعِ درختی (M5P) انجام گرفت. 188 نمونه خاک هم زمان با گذر ماهواره از منطقه برداشت و 25 درصدِ آن ها با انتخاب تصادفی، در مرحله اعتبارسنجی استفاده شدند. بررسی دقت توابع و معرفی دقیق ترین مدل ها، با محاسبه ی 5 معیارخطاسنجی انجام شد که نتایج حاصل از مقایسه ی آماره های خطاسنجی در گام نهایی، به معرفی سه مدل برای سه سطح رطوبتیِ موردنظر ختم گردید. نتایج نشان دادند که تصاویر ماهواره، توانایی مناسبی برای تخمین رطوبت سطحی خاک دارند و مدل های معرفی شده، از ضریب همبستگیِ مناسبِ بیشتر از 5/0 (504/0 تا 618/0) برخوردارند. نتایج اعتبارسنجی مدل نیز نشان داد که روش تحقیق از دقت مناسبی (425/1 تا 585/0 RMSE=، و خطای نسبیِ 5 درصد)، در تخمین رطوبت سطحی خاک برخوردار است. میانگین خطای اریب در مدل های معرفی شده غالباً کمتر از یک است، بااین وجود مقدار این آماره تمایل به بیش بر آوری را در مدل معرفی شده برای سطح رطوبتیِ 5%≤ و تمایل به کم برآوری را برای دو مدل معرفی شده ی دیگر نشان می دهد. نسبت انحراف کارایی مدل ها (RPD) نیز با احتسابِ انحراف معیارِ (158/1 تا 221/0SD=)، 38/0 تا 93/0 برآورد شد.

بارندگی یکی از اجزای اصلی چرخه­ی هیدرولوژی است. این فرآیند پیچیده به عوامل متعدد اقلیمی وابسته است. شبکه های عصبی مصنوعی در چند دهه اخیر و در مطالعات صورت گرفته برای مدل سازی سیستم های پیچیده و غیر خطی قابلیت بسیار بالایی از خود نشان داده است. تحقیق حاضر در سه ایستگاه منتخب از استان خوزستان صورت گرفته است. برای این منظور از داده­های بارندگی ماهانه سه ایستگاه هواشناسی استان به مدت 48سال، (1340-1387)، استفاده شده است. سپس با استفاده از این مقادیر به عنوان خروجی­های هدف، شبکه­های مختلفی با ساختار­های متفاوت تعریف و آموزش داده شد. در نهایت قابلیت شبکه برای تخمین بارش با استفاده از قسمتی از داده­ها که در آموزش شبکه وارد نشدند، مورد بررسی قرار گرفت. در این تحقیق شبکه­های MLP و RBF با تغییراتی در تعداد لایه­های میانی، تعداد نرون­ها و الگوریتم­های آموزش MOMو LM وCG به منظور پیش­بینی بارش فصلی به کار گرفته شد. نتایج نشان داد که برای ایستگاه اهواز شبکه RBF با توپولوژی 1-4-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 96/0 و کمترین MSE برابر 044/0 است. برای ایستگاه آبادان شبکه RBF با توپولوژی 1-7-6-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 92/0 و کمترین MSE برابر 062/0 است. برای ایستگاه دزفول شبکه MLP با توپولوژی 1-4-3-6 و یادگیریLM دارای بیشترین مقدار ضریب همبستگی برابر 94/0 و کمترین MSE برابر 034/0 است.