مهدی حیات زاده

سیلازجمله پدیده هایطبیعیاستکههرسالهخساراتجانی و مالی زیادیرادردنیا به بارآوردهو مشکلات عدیده ایرابرسرراهتوسعه یاقتصادیواجتماعیکشورهاایجادمی نماید.لذا جهت کاهش خسارات آنپرداختنبهاینپدیده خصوصاً برآورد دبی حداکثر سیلاب و شناسایی عوامل مؤثر بر آن بسیارحائزاهمیت می باشد. بطور کلی از جمله شیوه های برآورد دبی حداکثر سیل در حوضه های فاقد ایستگاه هیدرومتری، استفاده از روش های تجربی می باشد. اینروش ها بر پایه ی یکیاچند عاملاز عوامل مؤثربرشکلگیری سیلاب استوار بوده و بعضاً برای مناطقی خاص با شرایط فیزیکی و اقلیمی ویژه ارائه شده اند. بنابراین برای به کارگیری روش های مذکور، بررسی و واسنجی ضرایب منطقه ای آنها ضروری می نماید. در واقع این ضرایب، منعکس کننده ی اثر عوامل زمینی و جوی در تبدیل بارش به رواناب و ایجاد دبی حداکثر لحظه ای می باشد. در این تحقیق سعی شده تا تحلیل دقیق تری از روش تجربی فولر و واسنجی ضریب منطقه ای آن در حوضه ایران مرکزی به عمل آید. از آنجا که روش نامبرده کاربرد فراوانی در نقاط مختلف کشور جهت برآورد دبی سیل دارد، اهمیت واسنجی آن آشکار است. تاکنون غالباً استفاده از این روش در برآورد دبی های سیلابی و طراحی سازه ها بدون توجه به واسنجی ضریب منطقه ای آن انجام گردیده است. در این تحقیق از آمار 31 ساله ده ایستگاه هیدرومتری در این حوضه استفاده شد تا بر این اساس مقادیر دبی لحظه ای سیل در دوره ی بازگشت های مختلف، محاسبه گردد. تحلیل های آماری در مرحله ی اول نشان داد که روش تجربی فولر در این محدوده ی اقلیمی وسیع، با کیفیت آماری ضعیف موجود، کارایی چندان مناسبی ندارد. البته نتایج آزمون روش تجربی فولر در محدوده های اقلیمی دیگر (نیمه خشک و نیمه مرطوب و مرطوب) از کارایی نسبتاً بالاتر این روش حکایت دارد. تست همگنی لانگبین (که اغلب برای تعیین گروه های همگن هیدرولوژیکی استفاده می شود) بر اساس یافته های این تحقیق، در شرایط ایران مرکزی کارایی بالایی از خود نشان نداد.

تاثیر تغییر اقلیم بر هیدرولوژی و چرخه ی آب در اکوسیستم های طبیعی بسیار جدی است و شناخت کمی این اثرها آمادگی بیشتری برای مقابله با تبعات آن ایجاد می کند. هدف از این پژوهش ارزیابی اثر تغییر رژیم بارش به عنوان بخشی از تغییر اقلیم بر رواناب با استفاده از مدل SWAT می باشد. بدین منظور جهت مدل سازی دو حوضه آبخیز تلنگو و حسین آباد در استان کرمان از داده های روزانه بارش، دمای حداقل، حداکثر و متوسط روزانه سه ایستگاه هواشناسی بافت، بم و لاله زار در بازه زمانی 30 سال استفاده گردید. همچنین با استفاده از مدل LARS-WG به پیش بینی متغیرها برای دوره 2021 تا 2060 تحت سناریو  RCP 4.5 پرداخته شد. در ادامه جهت مدل سازی رواناب در حوضه های مورد مطالعه از مدل مفهومی SWAT استفاده گردید. پس از واسنجی و اعتبارسنجی مدل طبق الگوریتم SUFI2 نتایج حاصله مورد آزمون قرار گرفت و در نهایت با استفاده از نتایج مدل سازی اقلیم و مدل مفهومی واسنجی شده، رواناب برای دوره آینده شبیه سازی گردید. نتایج ارزیابی حساسیت پارامترهای مدلSWAT نشان داد که پارامترهای ضریب آبی که از سفره های کم عمق به پروفیل خاک و ضریب نفوذ آبخوان مشترک در هر دو حوضه دارای حساسیت بالایی هستند. همچنین در هر دو حوضه برای هر دو مرحله واسنجی و اعتبارسنجی کارآیی نش۔ ساتکلیف از 65/0 بیشتر می باشد.  نتایج ارزیابی اثر تغییر اقلیم بر آبدهی حوضه نشان می دهد که آبدهی حوضه آبخیز حسین آباد در آینده نسبت به دوره حال تغییر خواهد داشت. بیشترین کاهش آبدهی مربوط به ماه اسفند با تغییر 13/3 لیتر بر ثانیه و بیشترین افزایش مربوط به ماه بهمن با تغییر 2/18 لیتر بر ثانیه می باشد. همچنین در آینده نزدیک آبدهی حوضه آبخیز تلنگو  افزایشی نسبت به دوره حال خواهد داشت. دبی ماه های دی، اردیبهشت و تیر افزایش و در بقیه ماه ها به جز ماه شهریورکه بدون تغییرات است، کاهش یافته است. نتایج کلی تحقیق حاضر حاکی از آنست که در آینده نزدیک در اکوسیتم های خشک مشابه منطقه مورد مطالعه به دنبال تغییر رژیم بارش های حاصل از گرمایش زمین، رفتار هیدرولوژیکی حوضه ها بویژه در فصل های زمستان و بهار تغییر خواهد نمود و وقوع رخدادهای حدی بارش و سیل در این فصل ها بیش از پیش محتمل می باشد.

معمولاً سهم قابل ملاحظه ای از خسارت های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه های لایروبی ناشی از نشست آن ها در مناطق طبیعی، مسکونی و صنعتی برمی گردد. ازاین رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه های عصبی مصنوعی به خوبی برای پیش بینی سری های زمانی غیرخطی توسعه یافته اند، اما ماهیت غیرخطی داده های رسوب و تأثیر گسترده ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش بینی این داده ها همواره با چالش هایی مواجه باشند. تئوری موجک ازجمله روش های پیش پردازشی است که می تواند با تجزیه سری های زمانی اصلی به سیگنال های فرعی منجر به وضوح بهتر روابط درونی داده های غیرخطی گردد. در تحقیق حاضر مقادیر داده های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش بینی صورت پذیرفت. همچنین به منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه های عصبی مصنوعی 104/0 و 35/0 و در شبکه های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده ها، تأثیر موجک در شناسایی سیگنال های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه های عصبی منفرد در پیش بینی میزان رسوبات قابل حمل در سیلاب به وضوح قابل توجه است.

بار رسوبی معلق یکی از مهم ترین عناصر رودخانه ای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازه های احداثی بر روی این منابع دارد. پارامترهای فیزیوگرافی که بیانگر ویژگی های فیزیکی حوضه آبریز هستند می تواند به عنوان یک فاکتور تعیین کننده در میزان رسوب زایی حوضه آبریز مطرح گردد. روش های متعددی به منظور برآورد بار معلق رودخانه ها وجود دارد. از جمله این روش ها استفاده از مدل های داده کاوی می باشد که در حل مسایل هیدرولوژی رسوب بسیار پرکاربرد می باشد. لذا در این پژوهش با تلفیق مدل های داده کاوی و پارامترهای فیزیوگرافی، بار رسوب 30 حوضه آبریز در استان لرستان با دوره آماری 33 ساله برآورد گردید. به منظور بررسی اثر شاخص های مختلف فیزیوگرافی بر میزان برآورد رسوب در گام نخست دبی جریان به عنوان تنها ورودی مدل ها و در گام بعدی شاخص های مختلف فیزیوگرافی حوضه به عنوان ورودی های مدل های مختلف داده کاوی انتخاب گردید. در این مطالعه از پنج مدل داده کاوی از جمله شبکه عصبی مصنوعی، ماشین بردار پشتیبان تکاملی، درخت تصمیم، فرآیند گوسی و رگرسیون استفاده شد. نتایج نشان داد تمامی مدل ها از دقت قابل قبولی برخوردار بودند. در هر دو مجموعه داده، مدل ماشین بردار پشتیبان تکاملی دارای بهترین دقت بود. با به کارگیری شاخص های مورد اشاره دقت در تمامی مدل ها افزایش یافت به طوریکه در مدل ماشین بردار پشتیبان تکاملی میزان میانگین مربعات خطا از 74/6 به 3 کاهش یافت و ضریب همبستگی از 994/0 به 999/0 افزایش یافت. وزن دهی پارامترها نیز نشان داد که بیشترین وکمترین وزن به ترتیب مزبوط به شاخص زبری و نسبت کشیدگی بوده است.