مجتبی دولت کردستانی

روش انگشت نگاری رسوب همراه با مدل های ترکیبی یک رویکرد رایج در کمی نمودن سهم منابع رسوبات به ویژه رسوبات آبی می باشد ولی در زمینه رسوبات بادی تحقیقات اندکی انجام شده است. در این تحقیق، دو مدل ترکیبی کالینز و هوگس مورد استفاده در انگشت نگاری رسوب به منظور کمی نمودن سهم منابع رسوبات تپه های ماسه ای در منطقه جازموریان، جنوب کرمان بکار برده شد. بدین منظور پس از تعیین جهات باد و تهیه نقشه زمین شناسی، اقدام به نمونه برداری از منابع بالقوه تپه های ماسه ای شامل پهنه های ماسه ای ( Qs )، رسوبات آبرفتی ریزدانه و بستر خشکرودها ( Qal )، رسوبات مخروط افکنه ها و پادگانه ها ( Qt ) و ترکیب رس و نمک ( Qc )؛ و از مناطق رسوب یا تپه های ماسه ای ( Qsd ) گردید. به طوری که 58 نمونه سطحی از منابع بالقوه تپه های ماسه ای شامل 7 نمونه از Qs ، 25 نمونه از Qal ، 5 نمونه از Qt و 21 نمونه از Qc ؛ و 14 نمونه از مناطق رسوب ( Qsd ) برداشت گردید و پس از آماده سازی نمونه ها، غلظت ده عنصر ( Ni, Cu, Co, Cr, Ga, Mn, P, Ba, Sr و Li ) اندازه گیری شد. به منظور تفکیک منابع تپه های ماسه ای، از یک فرآیند آماری دو مرحله ای شامل تست های کروسکال والیس و آنالیز تابع تشخیص گام به گام استفاده گردید که چهار ردیاب شامل Cr, Li, Ni و Co به عنوان ردیاب های بهینه انتخاب شدند و به عنوان پارامترهای ورودی به مدل های ترکیبی مورد استفاده قرار گرفتند. سهم های ارائه شده برای منابع تپه های ماسه ای توسط هر دو مدل مشابه هم بدست آمد و منابع Qs و Qal به عنوان منابع غالب برای 14 نمونه تپه ماسه ای شناخته شدند. همچنین بر طبق نتایج، مقادیر GOF محاسبه شده برای مدل کالینز (با بالاترین مقدار GOF برابر 95/99 درصد) بالاتر از مدل هوگس (با بالاترین GOF برابر 9/99 درصد) محاسبه شد که نشان دهنده کارآیی بالای این مدل در منشایابی رسوبات تپه ماسه ای می باشد. به طور کلی، استفاده از روش انگشت نگاری رسوب با مدل ترکیبی کالینز برای کمی نمودن سهم منابع تپه های ماسه ای فعال در سایر مناطق پیشنهاد می گردد.

مدلسازی و پیش بینی دقیق رسوب معلق در رودخانه عنصر کلیدی مدیریت منابع آب و سیاست های محیط زیستی می باشد. در این پژوهش کارایی مدل های شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی در پیش بینی بار رسوب معلق روزانه ایستگاه گرو واقع در حوضه آبخیز گرو مورد ارزیابی قرار گرفت. بدین منظور از آمار 782 نمونه (1380-1393) رسوب معلق برحسب میلی گرم بر لیتر و دبی جریان اندازه گیری شده متناظر با رسوب بر حسب متر مکعب بر ثانیه در سه الگوی ورودی مختلف استفاده شد. برای اجرای مدل های  شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی داده ها به دو دسته آموزش و آزمون تقسیم به طوری که 80% داده ها برای آموزش و 20% برای آزمون در نظر گرفته شد.  در شبکه عصبی مصنوعی از دو تابع سیگموئید  و تابع تانژانت هیپربولیک در لایه میانی و از تابع خطی در لایه خروجی و برای انجام مدل شبکه عصبی فازی-تطبیقی از روش تفکیک شبکه ای با سه تابع عضویت (مثلثی، گوسی و زنگوله ای تعمیم یافته) با تعداد عضویت بهینه که با سعی و خطا تعیین شد استفاده گردید. نتایج حاصل از پیش بینی رسوب معلق نشان داد که بهترین پیش بینی با با ضریب همبستگی 96/0، ضریب کارایی 95/0 و میانگین مربعات خطای 12/4789 میلی گرم بر لیتر مربوط به الگوی ورودی 2 با متغیر های ورودی دبی جریان روز جاری (Qt) و تاخیر دبی جریان روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (Qt-1) و تاخیر رسوب معلق روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (St-1) می باشد. بررسی نتایج حاصل از مدل های شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی نشان داد که مدل شبکه عصبی-فازی تطبیقی در هر سه الگو عملکرد بهتری نسبت به شبکه عصبی مصنوعی در پیش بینی رسوب معلق روزانه داشته است.