زمینه و هدف: آب‌های زیرزمینی از مهم‌ترین منابع آبی به خصوص در مناطق خشک و نیمه‌خشک هستند. متأسفانه به علت ماهیت این منبع آبی، تصمیم‌گیری در خصوص کیفیت آن‌ها در سطح دشت دشوار است. به همین دلیل تکنیک‌های نوین مانند پهنه‌بندی به همراه روش‌های تصمیم‌گیری چند معیاره و فازی بدین منظور مورد استفاده قرار گرفته است. هدف از این تحقیق نیز پهنه‌بندی کیفی آب زیرزمینی دشت بیرجند با استفاده از روش‌های ANP و FANP است.روش بررسی: دشت بیرجند واقع در شرق ایران با عرض جغرافیایی ˚30 ‘32 تا ‘00 ˚33 شمالی و طول جغرافیایی ˚45 ‘58 تا ‘41 ˚59 قرار گرفته است. بدین منظور پارامترهای منیزیم، کلسیم، کلر، کل املاح محلول، پی‌اچ و سختی کل برای 18 چاه و 9 قنات در سطح دشت مورد استفاده قرار گرفت.یافته ها: نتایج نشان داد که پارامترهای کلر، منیزیم و پی‌اچ بیشترین اثر را بر کیفیت آب زیرزمینی در دشت بیرجند داشتند به طوری که به ترتیب 2/17، 1/16 و 9/15 درصد کیفیت آب آبخوان تحت تأثیر مقادیر این پارامترها قرار داشت. نتایج نشان داد که جنوب‌شرقی از کیفیت مناسب‌تری نسبت به سایر مناطق برخوردار بود در حالی که غلظت پارامترها در جنوب‌غربی این دشت در بالاترین حد بودند. نتایج روش ANP نشان داد که مناطق با کیفیت خیلی خوب، خوب، نسبتأ خوب، نسبتأ بد، بد و خیلی بد به ترتیب 26/5، 56/10، 52/54، 89/15، 57/10 و 18/3 درصد از آبخوان را شامل شدند. این نتایج براساس روش FANP به ترتیب برابر 97/5، 01/22، 85/28، 16/30، 54/9 و 47/3 درصد بودند.نتیجه گیری: در روش FANP تغییرات مکانی و عدم قطعیت در نظر گرفته شده و به همین دلیل مساحت مناطق با کیفیت نسبتأ خوب و نسبتأ بد به هم نزدیک شده است. با توجه به نتایج، پیشنهاد می‌شود تراکم چاه‌های شرقی بیشتر شود تا آب با کیفیت مطلوب‌تری برداشت گردد. Manuscript profile

زمینه و هدف: برآورد و پیش بینی پارامترهای کیفی آب زیرزمینی به منظور تصمیم گیری‌های مدیریتی یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می‌گردد. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ کیفیت آب گسترش یافته است. بیش‌تر این مدل‌ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن‌ها مشکل است و یا اینکه اندازه‌گیری آن‌ها محتاج صرف هزینه و زمان زیادی می‌باشد. در این میان مدل‌های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می‌نمایند، به‌عنوان گزینه‌ای برتر معرفی می‌شوند.روش بررسی: پژوهش حاضر به منظور شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت دزفول شامل SAR ، EC و TDS با استفاده از مدل‌های ANN+PSO و ANN+P-PSO و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام گرفته است. اطلاعات ورودی به مدل‌ها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذبی سدیم، اسیدیته، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمک‌های محلول، اسیدیته، سدیم، بی کربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم، نسبت جذبی سدیم و اسیدیته، از سال 1390 تا 1394 جمع آوری شده است.یافته‌ها: نتایج نشان داد بالاترین دقت پیش‌بینی پارامترهای کیفی SAR ، EC و TDS مربوط به مدل ANN+P-PSO می‌باشد به‌طوری‌که مقدار آماره‌های و کم‌ترین مقدار و بیش‌ترین مقدار را برای مدل مذکور دارد. مقدار RMSE در مرحله تست برای الگوریتم PSO در پیش‌بینی SAR ، EC و TDS به ترتیب برابر 09/0، 045/0 (میکرو زیمنس بر سانتی متر) و 053/0 (میلی‌گرم بر لیتر) به دست آمد. این آماره‌ برای الگوریتم P-PSO در پیش‌بینی SAR ، EC و TDS به ترتیب برابر 039/0، 031/0 (میکرو زیمنس بر سانتی متر) و 045/0 (میلی‌گرم بر لیتر) تعیین شدند.بحث و نتیجه‌گیری: نتایج نشان داد که الگوریتم P-PSO از دقت بیش‌تری نسبت به الگوریتم PSO برخوردار بود. همچنین با توجه به این‌که تفاوت آماری معنی‌داری بین داده‌های اندازه‌گیری شده و شبیه‌سازی شده وجود نداشت؛ پیشنهاد می‌شود از شبکه‌ عصبی مصنوعی برای شبیه‌سازی پارامترهای کیفی در منابع آب زیرزمینی استفاده شود. Manuscript profile

آزمایش های مزرعه ای به منظور شناخت شرایط موجود سامانه‌های زهکشی مفید هستند، اما محدودیت های قابل توجهی نیز دارند. از جمله این که، این آزمایش‌ها را نمی‌توان برای پیش بینی استفاده کرد. کاربرد مدل‌های شبیه‌سازی این محدودیت‌ها را تا حدود زیادی برطرف می‌کند. اما قبل از کاربرد چنین مدل‌هایی، درستی نتایج بدست آمده از آن‌ها باید با نتایج آزمایش های مزرعه ای مقایسه گردد. در این پژوهش از مدل شبکه عصبی مصنوعی (ANN) و مدل DRAINMOD برای پیش‌بینی سطح ایستابی استفاده شد. بدین منظور مزرعه 11-9Rاز مزارع نیشکر دعبل خزاعی انتخاب و پارامترهای ورودی مدل‌ها شامل نوسانات سطح ایستابی، حجم آب آبیاری، دبی زهکش‌ها، داده‌های اقلیمی منطقه، خصوصیات فیزیکی خاک و پارامترهای سیستم زهکشی از تاریخ 2/8/92 تا 2/7/93 برداشت گردید. نتایج نشان داد که بالاترین دقت در پیش بینی سطح ایستابی مربوط به مدل شبکه عصبی مصنوعی می‌باشد. به طوری‌که مقدار RMSE بین مقادیر اندازه گیری شده و شبیه سازی شده با مدل‌ شبکه عصبی مصنوعی و مدل DRAINMOD به ترتیب برابر 02/0 و 8/16 بدست آمد. Manuscript profile