حسن ترابی پوده

بررسی تغییرات آبدهی رودخانه ها به منظور مدیریت و برنامه ریزی منابع آب بسیار مهم می باشد. در تحقیق حاضر با توجه به اهمیت موضوع بررسی و شناخت روند تغییرات جریان در ایستگاه های هیدرومتری استان لرستان حوزه رودخانه دز در سه مقیاس ماهانه، فصلی و سالانه با استفاده از روش TFPW-MK مورد بررسی قرار گرفت. داده های مورد استفاده شامل داده های 25 ایستگاه هیدرومتری منتخب در دوره 40 ساله آماری(1388-1348) در محدوده مورد مطالعه می باشد. در این تحقیق ابتدا شیب خطی روند در داده های نمونه با استفاده از روش TSA تخمین و سپس با استفاده از روش TFPW اثر ضریب خودهمبستگی از داده ها حذف گردید و در نهایت روند تغییرات جریان با استفاده از آزمون من کندال(MK )مورد بررسی قرار گرفت. نتایج این تحقیق نشان می دهد که در اکثر ایستگاه ها (20 ایستگاه از 25 ایستگاه)، روند تغییرات جریان عمدتا نزولی بوده و در 40 سال گذشته کاهش میزان جریان در سطح 10 درصد معنی دار است.

سیل از جمله پدیده های طبیعی است که هر ساله خسارات جانی و مالی زیادی را در دنیا به بار آورده و مشکلات عدیده ای را بر سر راه توسعه ی اقتصادی و اجتماعی کشورها ایجاد می نماید. از این رو جهت کاهش خسارات، کنترل و هدایت این پدیده، برآورد دبی سیلابی و شناسایی عوامل مؤثر بر آن بسیار حائز اهمیت می باشد. در این پژوهش، به منظور برآورد دبی سیلابی حوضه ی آبریز کشکان واقع در استان لرستان از مدل های هوش مصنوعی هیبریدی نوین شامل شبکه عصبی مصنوعی- تفنگدار خلاق، شبکه عصبی مصنوعی-عنکبوت بیوه سیاه و شبکه عصبی مصنوعی- ازدحام مرغ در طی دوره ی زمانی 1400-1390 استفاده شد. برای ارزیابی عملکرد شبیه سازی از شاخص های آماری ضریب تعیین (R2)، میانگین مطلق خطا (MAE)، ضریب کارایی نش- ساتکلیف (NSE) و درصد بایاس (PBIAS) استفاده گردید. نتایج نشان داد که بطور کلی مدل های هوش مصنوعی هیبریدی عملکرد بهتری نسبت به مدل منفرد در برآورد دبی سیلابی دارند. نتایج نشان داد مدل شبکه عصبی مصنوعی- تفنگدار خلاق نسبت به سایر مدل ها از دقت بیشتر و خطای کمتری برخوردار است. در مجموع نتایج نشان داد استفاده از مدل های هوش مصنوعی هیبریدی در برآورد دبی سیلابی موثر بوده و می تواند به عنوان راهکاری مناسب و سریع در مدیریت منابع آب مطرح شود.

اندازه گیری بار رسوبی در رودخانه ها معمولاً به اندازه گیری بار معلق محدود می شود؛ در نتیجه بهینه کردن منابع و کمینه کردن خسارت های ناشی از جریان در رودخانه ها از اهمیت بالایی برخوردار است. این تحقیق با هدف شبیه سازی سه بعدی جریان رودخانه کشکان در فصل بهار 1398 با استفاده از نرم افزار Mike3D.2018 انجام گرفت. برای این منظور با توجه به تهیه رقوم ارتفاعی (حاصل از نقشه برداری) از بستر و سیلاب دشت رودخانه مورد مطالعه به طول 1200 متر با مقیاس 1:1000 جهت انجام مدل سازی عددی به نرم افزار HEC-RAS5.0.7 معرفی و وارد است. از داده های ایستگاه هیدرومتری کشکان-پلدختر برای برآورد سیلاب، رسوب معلق و رسوب انتقالی طی دوره های بازگشت 25، 200، 1000 و 1250 سال مورد استفاده قرار گرفت. نتایج مدل نشان داد که سیلاب در مقاطع عرضی مختلف 1200 و 1100 به بیشترین میزان و در مقاطع عرضی 50 و 350 در کمترین میزان بوده است. رسوب کل با استفاده از رابطه یانگ 45/207 میلیون تن در روز و بار معلق را با خطای 87/11+ درصد شبیه سازی نموده و از مقایسه مقادیر با مقادیر مشاهداتی مشاهده شد که شبیه سازی در ایستگاه هیدرومتری کشکان پلدختر عملکرد بهتری نشان داد. هم چنین نتایج نشان داد که حجم رسوبات معلق انتقالی در فروردین ماه (31/5132779) نسبت به سایر ماه های دی (55/9890)، بهمن (73/41083)، اسفند(75/149629) و اردیبهشت (15/112617) زیادتر بوده و هم چنین میزان رسوب در این ماه نسبت به متوسط رسوبات انتقالی در رودخانه کشکان حجم بسیار بالایی را داشته است.

خشکسالی یکی از پدیده های آب و هوایی است که در همه ی شرایط اقلیمی و در همه ی مناطق کره ی زمین به وقوع می پیوندد. پیش بینی خشک سالی نقش مهمی در طراحی و مدیریت منابع طبیعی، سیستم های منابع آب، تعیین نیاز آبی گیاه  ایفا می نماید. در این پژوهش جهت تخمین شاخص بارش استاندارد 12 ماهه ی چهار ایستگاه باران سنجی دلفان، سلسله، دورود و بروجرد واقع در استان لرستان از مدل شبکه ی عصبی موجک استفاده شد و نتایج آن با سایر روش های هوشمند از جمله شبکه ی عصبی مصنوعی مقایسه گردید. برای این منظور از پارامتر بارش در مقیاس زمانی ماهانه در طی دوره ی آماری (1372-1392) به عنوان ورودی و شاخص بارش استاندارد به عنوان پارامتر خروجی مدل ها انتخاب گردید. معیارهای ضریب همبستگی، ریشه ی میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر دو مدل قابلیت خوبی در تخمین شاخص بارش استاندارد دارند، لیکن از لحاظ دقت، مدل شبکه ی عصبی موجک عملکرد بهتری نسبت به شبکه ی عصبی مصنوعی از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل شبکه ی عصبی موجک می تواند در زمینه تخمین خشکسالی موثر باشد.