علیرضا ایلدرومی

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.

مدیریت و برنامه ریزی در مناطق حفاظت شده ایران، مستلزم داشتن اطلاعات کافی از تغییرات آب و هوا، منابع آب و خاک و شرایط رشد و توسعه اکوسیستم ها و زیستگاه های حیات وحش در آینده است. اقلیم یکی از ستون های شکل گیری و اساس تغییرات این زیست بوم ها محسوب می شود. در پژوهش حاضر، داده های HadCM3 با استفاده از مدل LARS-WG و تحت سه سناریوی B1، A2 و A1B در منطقه حفاظت شده لشکردر ملایر در استان همدان ریز مقیاس نمایی شد. سپس تغییرات پارامترهای بارش، کمینه دما، بیشینه دما و تابش در سال های 2011 تا 2039 برای فصول مختلف پیش بینی گردید. نتایج نشان داد که بیشترین تغییرات بارش در فصول بهار و زمستان و بیشترین تغییرات مربوط به دما در فصول تابستان و بهار رخ می دهد. بیشترین تغییرات ساعات آفتابی در فصل تابستان و کمترین تغییرات در فصل پاییز و زمستان رخ خواهد داد. بارش در اکثر ماه ها روند افزایشی داشته که بیشترین آن در ماه های مارس، آوریل و دسامبر و کمترین آن مربوط به ماه های می و ژانویه است. پارامترهای هواشناسی دمای کمینه و دمای بیشینه در تمام ماه ها روند افزایشی خواهند داشت. تغییرات ساعت آفتابی در ماه های آوریل، اوت، سپتامبر و دسامبرکاهشی و در بقیه ماه ها افزایشی است. به طور کلی نتایج نشان می دهد با تغییر سناریوهای اقلیمی که ریشه در مدیریت انسانی دارد پارامترهای هواشناسی در فصل زمستان روند کاهشی بیشتری نسبت به سایر فصول خواهند داشت. این درحالی است که فصل تابستان همواره دارای روند افزایشی در این پارامترهاست. بنابراین شرایط رشد و نمو و فنولوژی گیاهان، حاصلخیری ماهیانه و سالیانه، متابولیسم میکروبی خاک و شرایط رطوبتی زیست بوم تغییر یافته، بنابراین لزوم تغییر برنامه های مدیریتی در 30 سال آینده این منطقه حفاظت شده ضرورت می یابد.

برآورد دبی اوج، یکی از موضوعات اساسی در مدیریت منابع آب و کنترل سیلاب، جایگاه ویژه ای در موفقیت طراحی سازه های آبی و کارایی اقدامات بیومکانیکی در حوضه های آبخیز دارد. در این پژوهش سعی شده است با مقایسه سه روش اصلی در هوش مصنوعی (مدل شبکه عصبی پرسپترون چند لایه، مدل الگوریتم ترکیبی شبکه عصبی با ژنتیک و مدل ترکیب خوشه بندی کاهشی و روش نورو فازی (ANFIS، بهترین روش پیش بینی دبی حداکثر رودخانه یلفان در محل ایستگاه هیدرومتری و رسوب سنجی یلفان (یکی از زیرحوضه های سد اکباتان همدان) انتخاب شود. به این منظور در این سه مدل،8 متغیر بارندگی مربوط به روز وقوع سیل، بارندگی های روزانه تا 5 روز پیش، دبی پایه در روز وقوع سیل و CN حوضه به منزله پارامترهای ورودی (1380 تا 1391) و دبی حداکثر به منزله خروجی در نظر گرفته و وارد نرم افزار متلب شد؛ سپس با بهره گیری از روش های هوش مصنوعی و پیش پردازش داده ها، ساختار بهینه مدل با استفاده از داده های ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی RSME، MAE و NSE به روش سعی و خطا تعیین شد. در مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک، پس از تعیین مدل بهینه شبکه عصبی، نتیجه مدل به الگوریتم ژنتیک وارد شد. در مدل تلفیقی خوشه بندی با ANFIS، پس از تعیین مدل بهینه خوشه بندی، نتیجه مدل به ANFIS وارد و درنهایت با توجه به معیار ارزیابی، ساختار بهینه مدل تعیین شد. نتایج نشان داد مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک نسبت به مدل شبکه عصبی و نیز مدل ترکیب خوشه بندی کاهشی و مدل ANFIS عملکرد بهتری در برآورد دبی سیلاب در حوزه یلفان دارد.

جریان واریزه ای یکی از مهم ترین فرآیندهای دامنه ای در جابه جایی مواد به شمار می آید که موجب شکل زایی و افزایش بار رسوبی رودخانه ها می شود. برای بررسی جریان واریزه ها در دامنه های شمالی الوند، واقع در زاگرس مرکزی، 44 نمونه جریان واریزه ای انتخاب و با استفاده از عکس های هوایی، نقشه های توپوگرافی، بازدید های میدانی و نقشه برداری در محیط نرم افزار ArcGIS، مشخصات مورفومتری آنها شامل طول بخش معبر، ارتفاع جریان، عمق بخش معبر، عرض مخروط، شیب و ارتفاع اندازه گیری و سپس مقادیر حجم واریزه ها، عمق سایش و تخریب مواد دامنه ای محاسبه شد . با استفاده از داده های بارندگی، برف و دمای اندازه گیری شده در 10 ایستگاه هواشناسی منطقه (1371 تا 1389)، نقش برخی از شاخص های اقلیمی مانند دما، باران و برف در ایجاد واریزه ها بررسی شد. نتایج نشان داد در بین عوامل مؤثر در تشیکل جریان واریزه ای در دامنه های شمالی الوند، ارتفاع و شیب بیشترین نقش را دارند . تمرکز واریزه ها از لحاظ فراوانی و گستردگی در ارتفاع بین 2700 تا 3000 متری، بیانگر نقش مهم عوامل لیتولوژی، تکتونیک و برفاب همراه با سیستم شکل زایی و فرسایشی جنب یخچالی در تشکیل و توسعه واریزه های منطقه است. نتایج بررسی نقش بارندگی بر اساس معادله کاین ، بلیجنبرگ نشان داد بارندگی های 15 تا 105 دقیقه ای در برخی سال ها موجب حرکت واریزه ها بر روی دامنه ها و ورود آن به رودخانه ها و افزایش بار رسوبی آنها شده است.

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.