چکیده ﺗﻐﯿﯿﺮ و ﺗﺨﺮﯾﺐ ﻃﺒﯿﻌﺖ تحت تأثیر فعالیتهای اﻧﺴان اﻓﺰاﯾﺶ یافته اﺳﺖ که از ﻧﺘﺎﯾﺞ ﻋﻤﺪه آن می‌توان به ﺗﻐﯿﯿﺮات ﺳﯿﻤﺎی ﺳﺮزﻣﯿﻦ اشاره کرد. اﯾﻦ تحقیق با هدف تعیین بهترین سناریو حفاظتی و احیا تغییرات کاربری اراضی آینده با تاکید بر اتصال لکه های پوشش گیاهی طبیعی در حوزه تجن انجام شد. پیش‌بینی اﺛﺮات اکولوژیکی ﻫﺮ ﯾﮏ از سناریوهای ﻣﺪﯾﺮﯾﺘﯽ ﺑﺮ اﺳﺎس ﻣﻘﺎدﯾﺮ سنجه‌ها تعیین و سپس بهترین سناریو بر اساس راه‌حل عکس ایده‌آل (TOPSIS) اﻧﺘﺨﺎب گردید. ﻧﺘﺎﯾﺞ سنجه‌های سیمای سرزمین نشان داد اجرای بهترین سناریوی حفاظتی و احیا در آﺑﺨﯿﺰ تجن ﺑﺎﻋﺚ کاهش ﺗﻌﺪاد ﻟﮑﻪ از 9900 لکه به 4657 لکه در ﭘﻮﺷﺶ ﮔﯿﺎﻫﯽ طبیعی گردیده است که نشانه‌ای از کاهش تجزیه و تکه‌تکه شدن سیمای سرزمین است. روﯾﮑﺮد ﻣﻮرد اﺳﺘﻔﺎده در اﯾﻦ ﻣﻄﺎﻟﻌﻪ اﻣﮑﺎن ﭘﯿﺶﺑﯿﻨﯽ ﻧﺘﺎﯾﺞ اﮐﻮﻟﻮژﯾﮏ تغییرات کاربری اراضی جهت دستیابی به اﻫﺪاف ارزﯾﺎﺑﯽ و ﻣﺪﯾﺮﯾﺖ ﯾﮑﭙﺎرﭼﻪ مناسب تر در آﺑﺨﯿﺰ را ﻓﺮاﻫﻢ ﻣﯽﻧﻤﺎﯾﺪ. تفاصيل المقالة

تبخیر-تعرق واقعی به عنوان یکی از مؤلفه های مؤثر در چرخه هیدرولوژی محسوب می گردد. از اینرو برآورد دقیق این مولفه در مقیاس حوضه آبریز میتواند نقش مهمی در مدیریت و برنامه ریزی منابع آب در دسترس دارد. در این مطالعه صحت مقادیر محصول تبخیر-تعرق واقعی پنج پایگاه جهانی شاملMOD16, MYD16, SSEBOP, GLEAM, GLDAS با استفاده از مقادیر تبخیر-تعرق بدست آمده از شبیه سازی مدل SWAT در حوضه آبریز سدکرخه در مقیاس ماهانه، برای سال های 2006، 2008 و 2011 که به ترتیب به‌عنوان سال های کم بارش، پربارش و نرمال انتخاب شده‌اند، مورد ارزیابی قرار گرفت. سپس امکان بهبود صحت مقادیر تبخیر-تعرق از طریق استفاده از روش‌های همادی ترکیب داده‌ها شامل میانگین‌گیری ساده و مدل های M5 و SVRدر هشت سناریو مختلف بررسی شد. نتایج نشان داد، محصولات تبخیر-تعرق واقعی پایگاه‌های جهانی علی‌رغم شناخت تغییرات مقادیر تبخیر-تعرق واقعی حوضه آبریز، در سطح معناداری 5 درصد دارای اختلاف معنادار با مقادیر خروجی مدلSWAT به عنوان مقادیر مشاهداتی هستند. نتایج این تحقیق نشان داد که اگرچه استفاده از روش میانگین گیری ساده تاثیر چندانی در بهبود صحت داده های پایگاه های جهانی ندارد، استفاده از دو روش همادی M5 و SVR با افزایش ضریب تبیین تا 8/0 باعث بهبود تخمین مقادیر تبخیر- تعرق واقعی حاصل از SWAT در سطح حوضه آبریز مورد مطالعه می‌شود. همچنین در سناریو برتر ترکیب داده‌ها، مدل حاصل از SVR میزان خطای مربوط به تخمین داده ها را به میزان 44 درصد نسبت به آنچه که از مدل GLEAM بدست می اید، کاهش داد. تفاصيل المقالة