عباس خاشعی سیوکی

زمین لغزش از بلایای طبیعی است که هر ساله خسارات مالی و جانی زیادی به بار میآورد، اما در عین حال پیش بینیپذیری از ویژگیهای برجستة آن به شمار میآید. با پیش بینی وقوع زمین لغزش میتوان از بروز و گسترش خسارات ناشی از آن جلوگیری به عمل آورد. یکی از روش های پیش بینی این پدیده، مطالعة زمین لغزش های الگو در منطقه و پهنه بندی ناحیه یا حوضه آبخیز با توجه به آن الگوست. در این مقاله سعی شده است تا با مطالعه ویژگیهای لغزش الگو، کل حوضه آبخیز النگ دره که نشانه های بروز لغزش را به وضوح میتوان در قسمت های مختلف آن مشاهده کرد، از نظر خطر وقوع لغزش به روش تحلیل سلسله مراتبی (AHP)، روش FAHP و LNRF پهنه بندی کرد و ضمن مقایسة روش ها نقاط خطرساز را به منظور پایدارسازی آن تعیین کرد. نتایج تحقیق نشان میدهد که روش LNRF در مقایسه با دو روش دیگر تطابق بیشتری با منطقه دارد. در این روش، اعمال نظر کارشناسی در حداقل قرار دارد و در نتیجه امکان بروز خطا در آن کمتر است. در روش سلسله مراتبی به علت وجود متغیرهای بیشتر و اعمال نظر مستقیم کارشناس، امکان بروز خطا در امتیازدهی پارامترها وجود دارد. در روش FAHP نیز تعیین حدود حداقل و حداکثر مقادیر مؤثر در امتیازدهی پارامترها مستقیماً بستگی به نظر کارشناسی دارد خطای بیشتری در آن بروز مییابد. بنابراین پس از مقایسة سه روش فوق، مدل به دست آمده از روش LNRF که تطابق بیشتری با شرایط محیط مورد مطالعه دارد، به عنوان مدل نهایی انتخاب شد.

در سال های اخیر، افزایش جمعیت و به تبع آن، افزایش نیازهای آبی و کاهش کیفیت و آلودگی آب های زیرزمینی، به دلیل توسعة صنعت و کشاورزی، موجب توجه به کیفیت منابع آب زیرزمینی شده است. شناسایی و تهیة نقشة پهنه بندی مناطق آسیب پذیر آبخوان، یعنی مناطقی که در آنها امکان نفوذ و پخش آلاینده ها از سطح زمین به سیستم آب زیرزمینی وجود دارد، ابزار مدیریتی مناسبی برای پیشگیری از آل ودگی من ابع آب زیرزمینی است. در این پژوهش، برای تهیة نقشة پهنه بندی پتانسیل آسیب پذیری آبخوان دشت آستانه، در منطقة کوچصفهان از تواب ع استان مازندران، روش دراستیک ((DRASTIC به ک ار گرفته شد که یکی از کاربردی ترین روش ه ای هم پوش انی است. برای صحت سنجی مدل، از داده های غلظت نیترات در منطقه استفاده شد. در این منطقه، استفاده از آب های زیرزمینی برای کشاورزی و تأمین آب شرب اهمیت بسیاری دارد. از سوی دیگر، استفادة بی رویه ازکودهای شیمیایی، به ویژه کودهای نیتروژن دار، برای افزایش محصول و نداشتن دقت لازم در تصفیة فاضلاب شهری و صنعتی و رهاسازی آن از پارامترهای مؤثر بر افزایش مقدار نیترات در آب های زیرزمینی منطقه شمرده می شود. ازاین رو، بررسی آلودگی نیترات که یکی از مهم ترین مسائل زیست محیطی در آب های زیرزمینی است، به صورت منظم و دوره ای، بسیار مهم و ضروری خواهد بود. به همین علت، نیترات عامل اصلی آسیب پذیری این منطقه معرفی شد. نتایج نشان داد آسیب پذیری آبخوان دشت آستانه کوچصفهان در چهار محدوده ق رار دارد. 18/56% دشت دارای آسیب پذیری ک م، 51.29% دارای آسیب پذیری اندک تا متوسط، 28.46% دارای آسیب پذیری متوسط تا زیاد و 1/67% دارای آسیب پذیری زی اد اس ت. میزان همبستگی ب ین ش اخص دراس تیک (شاخص آسیب پذیری) با غلظت نیترات 80% به دست آمده است. در ادامه، با کمک چهار روش هوش مصنوعی، شامل شبکة عصبی مصنوعی، مدل فازی، مدل ماشین بردار پشتیبان و فازی- عصبی، مقدار نیترات تخمین زده شد. برای این منظور، داده های ورودی (پارامترهای دراستیک) و خروجی (مقدار نیترات اندازه گیری و پهنه بندی شده در سی حلقه چاه موجود در منطقه ) مدل و مقادیر نیترات مربوط، به دو دستة آموزش و آزمایش، تقسیم شد. نتایج نشان داد که تمامی مدل های هوش مصنوعی به کار گرفته شده تخمین مناسبی از مقدار نیترات می دهند اما، در این میان، مدل شبکة عصبی بهترین نتایج را دربر داشت؛ به طوری که بین نیترات محاسباتی و مقدار نیترات مشاهداتی همبستگی 98 درصدی دیده شد. در ادامه، با انتخاب مدل شبکة عصبی به منزلة مدل برتر، کوشش شد با کاهش پارامترهای ورودی، مقدار نیترات تخمین زده شود. درنهایت، مشخص شد که با پنج پارامتر محیط خاک، محیط غیراشباع، محیط اشباع، تراز آب، هدایت هیدرولیکی و حذف دو پارامتر تغذیه و توپوگرافی مقدار همبستگی نیترات تخمین زده شده با مقدار واقعی نیترات اندازه گیری شده برابر 0.90 است. درنتیجه، می توان تخمین مناسبی از مقدار نیترات و نیز آسیب پذیری این منطقه داشت. این نکته برتری روش های هوش مصنوعی در بررسی آسیب پذیری را، ور مقایسه با روش دراستیک، نشان می دهد. نتایج نشان داد که مدل های هوش مصنوعی روشی کارآ در تخمین آسیب پذیری آبخوان محسوب می شوند و نتایج دقیقی از برآورد پتانسیل آلودگی در منطقة مورد مطالعه می دهند.

آب زیرزمینی یکی از مهمترین منابع آب در مناطق خشک و نیمه خشک است. با توجه به کاهش سطح آب زیرزمینی بر اثر برداشت غیرمجاز در بیشتر دشت های ایران، دبی چاهها پس از مدت کوتاهی به میزان زیادی کاهش یافته و این مهم لزوم برنامه ریزی منابع اب را مورد توجه قرار می دهد. تعیین ضخامت آبرفت و نوع مصالح تشکیل دهنده ی آبخوان ها یکی از موارد ضروری جهت برنامه ریزی برای توسعه ی شهر و طراحی زیرساخت های آن می باشد. با توجه به اهمیّت عمق برآورد سنگ کف آبخوان ها جهت برآورد حجم و برنامه ریزی منابع آب در این تحقیق کارایی مدل های شبکه ی عصبی مصنوعی و سیستم های استنتاج فازی عصبی در میزان عمق سنگ کف و پهنه بندی آن در بخش های مختلف آبخوان مورد بررسی قرار گرفت. در این تحقیق از پارامترهای طول و عرض جغرافیایی، شوری، تراز سطح آب و زمین به عنوان ورودی ها استفاده شد و تلاش شد تا مدل مناسب برای پیش بینی سنگ کف تعیین گردد. نتایج این مطالعه نشان داد که مدل شبکه ی عصبی مصنوعی با ضریب تبیین 835/0 و میانگین مجذور خطای 88/49 متر با ورودی های تراز آب زیرزمینی، طول و عرض جغرافیایی دقت بالاتری نسبت به مدل های نروفازی در برآورد عمق سنگ بستر دارد

کمبود شدید منابع آب در استان خراسان جنوبی باعث شده که کشاورزان به استفاده از پساب تصفیه خانه های فاضلاب برای آبیاری مزارع روی آورند. ازآنجاکه بررسی تأثیر آبیاری با پساب بر شوری خاک مستلزم دسترسی به مشخصات شوری خاک پیش و پس از تأسیس تصفیه خانه می باشد و اطلاعات شوری خاک تنها در زمان حال در دسترس است، لذا برای اطلاع از روند تغییر شوری درگذشته گزینه ی استفاده از تصاویر ماهواره ای به عنوان یک پایگاه اطلاعاتی مفید و در دسترس انتخاب گردید. برای این منظور تصاویر مربوط به تصفیه خانه و زمین های کشاورزی اطراف برای سال های مختلف جمع آوری شد و با استفاده از نرم افزار سنجش ازدوری Pci-Geomatica فرآیند های لازم برای تحلیل تصاویر ماهواره ی انجام شد. ازآنجایی که تصاویر ماهواره ای دارای داده های خام می باشند و به تنهایی قابل تفسیر و بررسی نمی باشند، لذا به کارگیری شاخص های مربوط به شوری برای رسیدن به این هدف انجام شد. با بررسی همبستگی مقادیر به دست آمده از شاخص های مختلف با مقادیر واقعی EC، مشخص شد شاخصSI-1 با ضریب تبیین ۸۴/۰ بالاترین همبستگی را با مقادیر واقعی شوری دارد. سپس با برقراری رابطه ای معنادار بین این شاخص و مقادیر EC می توان رابطه ی جامعی برای استخراج داده های مربوط به شوری از روی تصاویر ماهواره ای به دست آورد. نتایج حاصل از این تحقیق نشان داد که آبیاری با پساب اثر مخربی بر شوری خاک نداشته و در اکثر موارد موجب کاهش 3% تا 5% شوری خاک در نقاط نمونه برداری شده است.

امروزه تعیین اثر تغییراقلیم برجنبه های مختلف زندگی بشریت کاملا مشهود است. در چنین شرایطی تعیین دوره پایه که تاثیرات تغییراقلیم نسبت به این دوره تعیین می شود بسیار حائز اهمیت می باشد. بدین منظور در این تحقیق، با استفاده از مدل های GCM ، به ارزیابی دوره های پایه انتخابی برای ایستگاه سینوپتیک بیرجند پرداخته شد. برای انجام تحقیق، تعداد 27دوره پایه حاصل از 35مدل گزارش پنجم تغییراقلیم با دوره های مشابه حاصل از ایستگاه بیرجند مقایسه شدند. همچنین ماه هایی که بیشترین درصد اختلاف با نتایج مشاهداتی برای متغییر مورد نظر دارند مشخص شد. نتایج نشان داد که برای بارش دوره های طولانی مدت ولی برای دمای بیشینه وکمینه دوره هایی مانند 1980-1960 نتایج رضایتبخش ارائه می نمایند. با این حال در هر سه متغییر هواشناسی، دوره 1990-1960 و دوره های 31 ساله بهترین دوره ها از نظر تطابق با داده مشاهداتی می باشد. در بین ماه های سال نیز ماه های گرم جولای تا سپتامبر در مورد بارش و ماه های سرد دسامبر تا فوریه در مورد دمای کمینه و دمای بیشینه بیشترین درصد خطا نسبت به بقیه ماه ها را دارند.

امروزه تغییر آب وهوا یکی از دلایل اصلی نگرانی های مرتبط به آب است. علت این امر آن است که امکان دارد این تغییر سبب خشک سالی یا سیلاب های شدید، کوتاه و طولانی مدت در آینده شود. در این تحقیق سعی شد بهترین مدل GCM از بین مدل های تغییر اقلیم به منظور تعیین دمای کمینه، دمای بیشینه و بارش برای ایستگاه سینوپتیک بیرجند در دوره های آتی مشخص شود. بدین منظور تعداد 35 مدل GCM برای هریک از متغیرهای دمای کمینه، دمای بیشینه و بارش تعیین شد و با نتایج ایستگاه سینوپتیک بیرجند مقایسه گردید. نتایج نشان داد که مدل NorESM1-M به دلیل دارا بودن مقدار RMSE برابر 091/0 و مدل GISS-E2-R نیز با دارا بودن مقدار PBIAS پایین می تواند مدل انتخابی مناسب برای تحقیقات در مورد بارش باشد. در مورد دمای بیشینه و دمای کمینه نیز به ترتیب مدلGISS-E2-R  با مقدار RMSE برابر 664/0 و مدل CSIROMKMK3.6با داشتن مقادیر RMSE برابر 778/0 بیش ترین شباهت را به داده های ایستگاه سینوپتیک بیرجند دارد. از مقایسه ی داده های مدل-ها با داده ی ایستگاه سینوپتیک، بیش ترین درصد خطای نسبی مقادیر بارش، دمای کمینه و دمای بیشینه به ترتیب برای ماه های اول (ژانویه)، دوم (فوریه) و پنجم (می) مشخص شده است. همچنین در مقایسه ی قطعیت مدل های GCM، متغیرهای بارش، دمای بیشینه و دمای کمینه به ترتیب در ماه های پنجم (می)، سوم (مارس) و اول (ژانویه) نسبت به بقیه ی ماه ها کم ترین قطعیت را دارند.