محمدرضا گلابی

بنابر اهمیت روز افزون تامین آب در کشور، مدیریت منابع آب از اهمیت والایی برخوردار است. پیش بینی بارندگی به عنوان یکی از مهمترین پارامترهای اقلیمی از اهمیت و یژه ای در استفاده از منابع برخوردار است. برای پیش بینی بارش می توان از سری های زمانی استفاده کرد. تحقیق حاضر در سه ایستگاه منتخب (اهواز، آبادان، دزفول) از استان خوزستان به منظور مقایسه دقت مدل های باکس- جنکینز صورت گرفته است. برای این منظور از داده های بارندگی ماهانه سه ایستگاه هواشناسی استان به مدت 48سال، (1340-1387)، استفاده شده است. با استفاده از روش رگرسیون داده های ناقص برآورد و همگنی داده ها توسط آزمون توالی ها بررسی شد. با استفاده از مدل های باکس -جنکینز سری زمانی بارش بررسی و بهترین مدل برازش داده شد .صحت و دقت مدل ها براساس آمارهای AIC و تحلیل نمودار توابع خود همبستگی و خود همبستگی جزئی تأیید گردید. مدل مناسب بارش فصلی اهواز 12(2،1،0) (0،1،2)ARIMA و آبادان 12 (0،1،1) (0،1،2)ARIMA و دزفول 12(0،1،1) (1،1،2) ARIMAبدست آمد. نتیجه این مطالعه نشان می دهد که این مدل ها از دقت تقریبا خوبی برای پیش بینی بارش فصلی برخوردار بودند.

دراین تحقیق کارایی انرژی محصول گندم در دشت مهیار شهرستان شهرضا، با کمک رویکرد تحلیل پوششی داده (DEA) مورد بررسی قرار گرفت. نتایج نشان داد، نهادهآب مصرفی با 5/79% بیشترین و نیروی انسانی با 24/0% کمترین سهم مصرفانرژیرابهخوداختصاص داده اند. بهره وری انرژی، خالص افزوده انرژی و نسبت انرژی ستانده به نهاده در این کشت به ترتیب 048/0، 34/79 و 63/1 برآورد شد. نتایج بدست آمده از تحلیل پوششی داده های انرژی گویای این بود، در مدل بازگشت به مقیاس ثابت، 23% و در مدل بازگشت به مقیاس متغیر، 36% از کل واحدها، کارایی 100 درصد داشته و دیگر واحدها با درجه ها مختلفی از ناکارایی روبرو بوده اند. میانگین کارایی فنی، کارایی فنی خالص و کارایی مقیاس به ترتیب 26/90، 14/95 و 43/94 برآورد شد. همچنین میانگین کارایی فنی واحدهای ناکارا بر پایه مدل بازگشت به مقیاس ثابت 87% محاسبه شد، به این معنا که 13% از منابع می تواند با بالا بردن کارایی این واحدها ذخیره شود.

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.