زمینه و هدف: کاهش سطح تراز آبی دریاچه ارومیه و اثرات آن بر محیط پیرامون این دریاچه از موضوعات و چالش‌های مهم ملی و بین‌المللی در دو دهه اخیر بوده است. براساس مطالعات صورت گرفته یکی از مهمترین عامل اثرگذار بر این روند کاهشی، افزایش برداشت به-ویژه جهت امور کشاورزی بوده است. برهمین اساس هدف پژوهش حاضر شبیه‌سازی وضعیت آینده منابع آب حوضه دریاچه ارومیه، تحت تأثیر مساحت کاربری‌های کشاورزی جهت برنامه‌ریزی بهتر آینده منابع آب این حوضه می‌باشد.روش پژوهش: به این منظور، نخست داده‌های تصاویر ماهواره‌ای لندست در بازه زمانی سال 2000 الی 2020 به کمک الگورتیم SVM در نرم‌افزار ENVI5.3 طبقه‌بندی و صحت طبقه‌بندی با استفاده از الگوریتم Kappa Coefficient سنجیده شد. در ادامه آمارها و اطلاعات مربوط به تغییر الگوی کشت (از زراعی به باغی) و منابع آب ورودی به دریاچه ارومیه محاسبه گردید. درگام بعد با استفاده از دو روش LCM, CA-MARKOV شبیه‌سازی تغییرات کاربری اراضی برای سال 2030 و 2040 انجام شد و در نهایت پس از مشخص نمودن میزان تغییرات هریک از کاربری‌ها، میزان آب مورد نیاز جهت امور کشاورزی در حوضه آبریز با استفاده از مدل NETWAT شبیه‌سازی شد.یافته ها: نتایج حاصل از بررسی‌ها نشان داد که مساحت دو کاربری کشاورزی آبی و باغ به ترتیب از 1450 و 395 کیلومترمربع در سال 2000 به بیش از 3600 و 1650 کیلومترمربع در سال 2040 افزایش خواهد یافت. همین امر باعث افزایش میزان آب مورد نیاز جهت امور کشاورزی از 1500 میلیون مترمکعب در سال 2000 به بیش از 4100 میلیون مترمکعب در سال 2040 خواهد شد.نتایج: به کاربری کشاورزی آبی از سال 2000 تا 2020 به میزان Km2 1253.05 افزوده شده که طبق پیش‫بینی به روش مارکوف این میزان در سال 2040 به Km2 2049.54 می‫رسد، که میزان مصرف آب را 1 میلیارد و 473 میلیون مترمکعب افزایش می‫دهد. به کاربری باغات از سال 2000 تا 2020 به میزان Km2 688.02 افزوده شده که طبق پیش‫بینی به روش مارکوف این میزان در سال 2040 به Km2 1276.14 می‫رسد، که میزان مصرف آب را 703 میلیون مترمکعب افزایش می‫ دهد. به کاربری دیم از سال 2000 تا 2020 به میزان Km2 367.06 افزوده شده که طبق پیش‫بینی بروش مارکوف این میزان در سال 2040 به Km2 531 می‫رسد، که میزان مصرف آب را MCM 253 افزایش می‫دهد. تفاصيل المقالة

زمینه و هدف: عدم قطعیت پارامترهای صحرایی، نویز در داده های مشاهداتی و شرایط مرزی نامشخص از مهم‌ترین عوامل محدود کننده در مدل‌سازی جریان و انتقال آلودگی در محیط‌های متخلخل است. روش بررسی: در این تحقیق، دشت میاندوآب به‌عنوان مطالعه موردی برای شبیه سازی تراز آب زیرزمینی و غلظت کلراید انتخاب شد. برای مدل‌سازی زمانی انتقال آلودگی از روش‌های هوش مصنوعی استفاده شد. در روش پیشنهادی، ابتدا سری های زمانی تراز آب زیرزمینی و غلظت کلراید در پیزومترهای مختلف با استفاده از روش آستانه موجک رفع نویز شدند. در ادامه اثر نویز و رفع نویز در سری های زمانی تراز آب زیرزمینی و غلظت کلراید در مدل‌های هوش مصنوعی موردبررسی قرارگرفت. برای این منظور، 14 پیزومتر مختلف با استفاده از شبکه عصبی مصنوعی و سیستم عصبی-فازی تطبیقی برای تخمین غلظت کلراید در یک ماه بعد، آموزش و اعتبارسنجی شدند. یافته ها: نتایج نشان داد که روش آستانه موجک برای رفع نویز سری های زمانی می تواند تا 25 درصد کارایی مدل‌های هوش مصنوعی را افزایش دهد. همچنین توانایی مدل عصبی-فازی تطبیقی در هر دو مرحله آموزش و صحت سنجی به دلیل کارایی منطق فازی برای غلبه بر عدم قطعیت پدیده از شبکه عصبی مصنوعی بیش تر بوده است. بحث و نتیجه گیری: استفاده از رفع نویز موجکی سری های زمانی به عنوان پیش پردازش داده ها در پیش بینی زمانی جریان آب زیرزمینی و انتقال آلاینده ها، کارایی مدل های هوش مصنوعی را افزایش می دهد. تفاصيل المقالة

مدل سازی دقیق فرآیندهای هیدرولوژیکی از قبیل بارش– رواناب می‌تواند اطلاعات مهمی از یک حوضه آبریز برای مدیریت منابع آب فراهم کند. اخیراً در این راستا، مدل‌های مختلف جعبه سیاه برای شبیه سازی چنین پدیده پیچیده‌ای به کاررفته اند. مدل‌های داده محور وابستگی زیادی به کمیت وکیفیت داده‌ها دارند و داده‌های دارای نوفه کارایی مدل‌ها را تحت تاثیر قرار داده ورفع نوفه از داده‌ها با استفاده از یک روش مناسب می‌تواند منجر به کارایی بهترمدل‌های داده محور شود. لذا دراین مقاله ابتدا با استفاده ازروش رفع نوفه موجکی اقدام به رفع نوفه بد ازسری‌های زمانی روزانه کرده و سپس با افزودن نوفه خوب به این داده‌های رفع نوفه شده و تشکیل مجموعه‌های آموزشی مختلف، شبیه سازی بارش – رواناب برای ایستگاه پل آنیان واقع درحوضه آبریز زرینه رود در بالا دست سد بوکان، با استفاده از مدل‌های جعبه سیاه ANNو ANFIS انجام شده است. همچنین برای بررسی دقت مدل پیشنهادی، نتایج این مدل سازی‌ها با مدل های کلاسیک جعبه سیاه ARIMA و MLR مورد مقایسه قرار گرفته است. نتاج نشان می‌دهند که اعمال هم زمان رفع نوفه موجکی و افزودن نوفه خوب در مدل سازی با ANN بهبود 23 درصدی و در مدل سازی با ANFIS باعث بهبود 14درصدی، در مرحله آزمایش مدل‌ها شده است. تفاصيل المقالة