در مسائل مدیریت منابع آب زیرزمینی ارزیابی آسیب‌پذیری آبخوان‌ها به منظور حافظت از این منابع در برابر آلودگی، از اهمیت بالایی برخوردار است. یکی از راه‌کارهای مهم و اولیه برای جلوگیری از آلودگی آب‌های زیرزمینی، شناسایی مناطق آسیب‌پذیر آبخوان و استفاده از نتایج آن برای مدیریت کاربری اراضی است. در این تحقیق، آسیب پذیری آبخوان آبرفتی دشت رامهرمز در برابر آلودگی، به کمک سیستم اطلاعات جغرافیایی و مدل دراستیک ارزیابی شده است. در مدل دراستیک نقشه هفت خصوصیات هیدروژئولوژیکی مؤثر بر آلودگی آب‌های زیرزمینی (عمق تا سطح ایستابی، تغذیه خالص آبخوان، محیط آبخوان، محیط خاک، توپوگرافی، منطقۀ غیراشباع و هدایت هیدرولیکی) با استفاده از سامانه اطلاعات جغرافیایی با یکدیگر ترکیب، و نقشه آسیب‌پذیری آبخوان تهیه گردید. تلفیق لایه ها با سه روش دراستیک- دراستیک، دراستیک- فرآیند سلسله مراتبی و فرآیند سلسله مراتبی- فرآیند سلسله مراتبی انجام شد. از داده‌های نیترات برای صحت سنجی مدل به‌دست‌آمده، استفاده گردید. نتایج نشان می دهد که قسمت وسیعی از دشت دارای آسیب پذیری کم تا متوسط بوده و تنها قسمت های جنوب شرق دارای آسیب پذیری زیاد می باشد. همچنین نتایج دو روش دراستیک- دراستیک، دراستیک- فرآیند سلسله مراتبی نسبت به روش فرآیند سلسله مراتبی- فرآیند سلسله مراتبی جواب‌های بهتری را در منطقه موردمطالعه داشته اند. مقادیر همبستگی میان شاخص کیو (Q) و غلظت نیترات در روش های دراستیک- دراستیک، دراستیک- فرآیند سلسله مراتبی و فرآیند سلسله مراتبی- فرآیند سلسله به ترتیب 97/0، 96/0 و 81/0 به دست آمد که تأییدی بر نتایج حاصل‌شده است. Manuscript profile

با توجه به مفهوم بیابان‌زایی که عبارت است از تخریب اراضی در نواحی خشک نیمه‌خشک و نیمه مرطوبِ خشکِ ناشی از عوامل متعددی چون تغییرات اقلیمی و فعالیت‌های انسانی، این پدیده مدت‌هاست که یک مشکل جدّی اقتصادی، اجتماعی و زیست‌محیطی در بسیاری از کشورها شناخته شده است. در این تحقیق با استفاده از مدل مدالوس شدت بیابان‌زایی اراضی مناطق غربی شهر اهواز ارزیابی گردید. از داده های اقلیم، پوشش گیاهی، خاک و کاربری اراضی منطقه بعنوان معیارهای مؤثر در تعیین شدت بیابان‌زایی استفاده شد. در ابتدا هر معیار به صورت لایه اطلاعاتی وارد محیط GIS گردید و پس از پردازش، اقدام به وزن دهی معیارهای مذکور گردید. با تلفیق نقشه های رستری معیارها، با استفاده از میانگین‌گیری هندسی، شاخص حساسیت به بیابان زایی (ESAI) بدست آمد. بر اساس این شاخص نقشه نهایی حساسیت منطقه به بیابان‌زایی تهیه شد. نتایج نشان داد که منطقه از نظر تقسیم‌بندی‌های روش مدالوس، به لحاظ شدت بیابان زایی در چهار تیپ بحرانی کم (C1)، بحرانی متوسط (C2)، بحرانی زیاد (C3) و خیلی زیاد (C4) قرار دارد. نتایج همچنان نشان داد که 11% منطقه در کلاس بحرانی کم، 30% آن در کلاس بحرانی متوسط، 25% در کلاس بحرانی زیاد و 29% در کلاس بحرانی خیلی زیاد قرار دارد. معیار اقلیم با مقدار شاخص 2/6 بیشترین تأثیر را در بیابان‌زایی منطقه دارد که علت آن وزش بادهای شدید و افزایش تعداد روزهای طوفانی و گرد و غباری است. شاخص کاربری اراضی با ارزش عددی 1/5 کمترین اثر را دارد و علت آن، غیرقابل استفاده بودن اراضی منطقه و اجرای طرح های بیابان‌زدایی در منطقه است. Manuscript profile

با توجه به پیشرفت های صورت گرفته در فناوری سنجش‌ازدور، جمع آوری اطلاعات از وضعیت کیفی منابع آب سطحی به وسیله این فناوری ضمن کاهش هزینه و زمان نمونه برداری های سنتی، می تواند تمامی پهنه های آب سطحی را مورد پایش قرار دهد. در این مطالعه قابلیت تصاویر ماهواره سنتینل-2 جهت برآورد غلظت پارامترهای اسیدیته، بیکربنات و سولفات موردبررسی قرار گرفت. ابتدا تصاویر ماهواره سنتینل-2 پیش پردازش شد و سپس باندها و شاخص های طیفی مناسبی جهت شناسایی ارتباط معنی دار میان مقادیر هر پارامتر کیفیت آب و تصاویر با استفاده از روش رگرسیون چند متغیره تعیین گردید. در مرحله بعد با به‌کارگیری دو مدل شبکه عصبی مصنوعی ANN و مدل سیستم استنتاج فازی-عصبی تطبیق یافته ANFIS، ارتباط میان تصاویر ماهواره سنتینل-2 و پارامترهای کیفیت آب به تفکیک مدل‌سازی شده و سپس دقت آن ها به ازای مقادیر واقعی محاسبه گردید. نتایج نشان داد که در مدل‌سازی پارامتر سولفات با استفاده از ماهواره سنتینل-2، مدل ANFIS به ترتیب با خطای نسبی و جذر میانگین مربعات خطا RMSe برابر 0.0773 و 0.8014 نسبت به مدل شبکه عصبی مصنوعی با خطای نسبی و RMSe برابر 0.1581 و 1.2477 دقت بالاتری دارد؛ درحالی‌که در مدل‌سازی پارامترهای اسیدیته و بیکربنات، نتایج حاصل از مدل شبکه عصبی مصنوعی با خطای نسبی به ترتیب برابر با 0.0064 و 0.0556 و RMSe برابر با 0.0702 و 0.2691 برای هر دو پارامتر بهتر از مدل سیستم استنتاج فازی-عصبی تطبیق یافته با خطای نسبی به ترتیب برابر با 0.0165 و 0.0722 و RMSe برابر با 0.1975 و 0.3307 است. درنهایت با اعمال مدل های تهیه‌شده بر روی تصاویر ماهواره ای، نقشه وضعیت کیفی هر پارامتر در طول قسمتی از رودخانه کارون تهیه گردید. Manuscript profile

برای رسیدن به امنیت آبی و غذایی پایش به‌هنگام، دقیق و با قابلیت تکرار پذیری سطوح زیر کشت لازم و ضروری است. در این راستا تحقیق حاضر با هدف ارزیابی قابلیت تلفیق تصاویر سنتینل1 و سنتینل2 جهت تفکیک سطوح زیر کشت گندم، کلزا، نخلستان‌ها و اراضی کشت تابستانه در منطقه شمال شرق اهواز انجام شد. برای رسیدن به هدف تحقیق، براساس داده‌های در دسترس سه گروه ترکیبات سری زمانی ایجاد شد. گروه اول شامل ترکیب سری زمانی سنتینل1و2 به همراه شاخص NDVI برای کل دوره مورد بررسی، گروه دوم ترکیبات سری زمانی سنتینل1 و2 براساس دوره اوج سبزینگی و گروه سوم ترکیبات از ترکیب تک تصاویر سنتینل1 و 2 در دوره اوج سبزینگی ایجاد شدند. سپس با استفاده از الگوریتم‌های یادگیری ماشین حداکثر احتمال و ماشین بردار پشتیبان اقدام به طبقه‌بندی تصاویر شد و نقشه‌های موضوعی سطوح زیر کشت به این ترتیب تهیه شد. درنهایت صحت نتایج بدست آمده با استفاده از شاخص‌های صحت کلی و ضریب کاپا ارزیابی شد. براساس نتایج بدست آمده مشخص شد که ترکیب سری زمانی تصاویر سنتینل1 و2 به‌همراه شاخصNDVI برای کل دوره مورد بررسی (ترکیب شماره 3) به روش ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت منطقه مورد مطالعه دارای بالاترین دقت کلی و ضریب کاپا بوده که بترتیب 22/91 درصد و 89/0 می‌باشد. همچنین نتایج بدست آمده بیان‌گر این واقعیت بود که الگوریتم ماشین بردار پشتیبان برای ترکیبات سری زمانی بالاترین دقت کلی و ضریب کاپا را دارد و برای روش‌های تک تصویر الگوریتم حداکثر احتمال دارای بالاترین دقت کلی و ضریب کاپا می‌باشد. براساس یافته‌ها نتیجه‌گیری می‌شود که ترکیبات سری زمانی تصاویر سنتینل2 و الگویتم ماشین بردار پشتیبان جهت استخراج سطوح زیر کشت دارای صحت بالایی نسبت به روش تک تصویر هستند و تلفیق قطبش VH سنتینل1 به سری زمانی سنتینل2 سبب افزایش صحت به میزان 5 درصد می‌شود. Manuscript profile

One of the most important Limitation General Circulation Models , Large scale are being simulation of climatic variables. So should With Various method are downscaled, The ability to have identified a study area. Choose a suitable GCM model for the study area Very important role In the simulation parameter (precipitation) is intended for future. In this research of CMIP5 Models Contains BCC-CSM1.1.M , MPI-ESM-MR and MPI-ESM-LR was used In order to evaluate three models in the baseline period And determine the best model In order to fit into the study area .The first the Historical and Observation data are divided in to two Periodes: the first half (1983-1992) the period baseline and the second half(1994-2003) the period Validation. Index verification Mean absolute error and MAE Skill score Calculate between models and observation data in the evaluation period before and after Downscaling seasonal in Software Matlab For all Pixels Khuzestan Province. Results show that Befor applying the change factor method BCC-CSM1.1.M Model Error was Less than the other two models , and The other two were similar in terms of error rate. After applying change factor, BCC-CSM1.1.M Model the improvement was driven self and MPI-ESM-MR and MPI-ESM-LR models were ranked as second and third suitable models. So most trusted after the downscaling change factor method for the future under the scenario RCP4.5 for Khuzestan Province was assigned to BCC-CSM1.1.M model. Manuscript profile