به موازات رشد سریع جمعیت و افزایش نیاز های بشری، تأمین آب از اهمیت ویژه ای برخوردار شده است. استفاده و مدیریت بهینه منابع آب، مستلزم شناخت پدیده های هیدرولوژیکی می باشد که رواناب سطحی یکی از مهم ترین مراحل این چرخه به شمار می آید. برای اعمال سیاستهای مدیریتی و اتخاذ تصمیمات شایسته در بهره برداری از منابع آب، پیش بینی مقدار جریان های حاصل از بارندگی و مقادیر ورودی به مخازن سد ها و ... از نقش و جایگاه ویژه ای برخوردار می باشد. مدل های مختلف با ساختار های متفاوت می توانند در تخمین و پیش بینی جریان رودخانه مورد استفاده قرار گیرند و نتایج قابل قبولی ارائه نمایند. لذا در این تحقیق، ضمن بررسی مدل های مختلف، مدل hec-hms به همراه مدل محاسبه تلفات sma که قابلیت شبیه سازی پیوستـه جریان را دارد و اخیراً به آن اضافه شده است به عنوان یک مدل مفهومی مناسب انتخاب گردید و همچنین مدل یادگیـری فعـال (alm) به عنوان مدل فازی مناسب انتخاب شد و این مدل جهت شبیه سازی جریان روزانه رودخانه کـارون iii (حوضه آبریز سد کـارون iii) در محل ایستگاه هیدرومتری پـل شالـو در طی سالهای آبی 71-1370 تا انتهای 78-1377 مورد ارزیابی قرار گرفت. تاکنون هیچ تحقیقی مبنی بر پیش بینی جریان رودخانه ای با مدل alm انجام نشده است. برای کالیبراسیون و آموزش مدل ها از داده های دبی روزانه پنج سال نخست و برای صحت سنجی و آزمون از داده های سه سال انتهایی بهره گرفته شده است. در مدل مفهومی اثر دوره warm-up، کارایی مدل بدون تمایز بین انواع بارش و حالت اضافه نمودن مدل ذوب برف بررسی شده است. نتایج نشان داد که با اضافه نمودن مدل ذوب برف، نتایج مدل hec-hms بهبود یافته و مدل دبی های اوج را با دقت بیشتری تخمین می زند که نتایج بدست آمده برای مدل hec-hms به ترتیب برابر با r2= 0.84، nash-sutcliffe= 0.82، bias= 36cms، mpae= 36.5%، ptve= 11.3%، rmse=151.3cms و pw-rmse= 265cms می باشد. در مدل فـازی نیز مدل های متنوعی جهت شبیه سازی جریان استفاده شد. نتایج بدست آمده برای مدل بهینه alm که 32 قانون داشت و در پارامتر های ورودی آن از دما، بارش، رطوبت و فشار بخار باضافه تاخیر های زمانی آنها تا چهار روز استفاده شده بود برابر با r2= 0.33، nash-sutcliffe= 0.29، bias= 65.8cms، mpae= 95.5%، ptve= 22.3%، rmse=265cms و pw-rmse= 418cms می باشد. با مقایسه نتایج alm و مدل hec-hms به راحتی می توان دریافت که نتایج مدل مفهومی بسیار بهتر از فازی می باشد. نظر به اینکه مدل hec-hms به صورت مفهومی بوده و روابط و ارتباط بین اجزای مختلف حوضه را در نظر می گیرد لذا دور از انتظار نیست که نتایج آن بهتر از روش alm باشد که در بین متغیر های مختلف دنبال همبستگی با جریان می گردد تا شرایط مناسبی برای ایجادهمبستگی بین متغیر های مختلف با جریان بیابد و در حالیکه همبستگی متغیر های دما، بارش، رطوبت و فشار بخار با جریان رودخانه در حوضه کارون بسیار کم می باشد. از طرفی یکپارچه در نظر گرفتن کل حوضه در مدل alm در قیاس با مدل hec-hms که زیر حوضه ها را در نظر می گیرد عامل دیگری در ضعف آن نسبت به hec-hms می باشد. در مرحله بعدی اقدام به مدل سازی با روش alm در حالیکه جریان های با تاخیر های مختلف نیز به عنوان ورودی بودند استفاده گردید. نتایج به خاطر همبستگی بالای جریان رودخانه با تاخیر های آن به نحو چشمگیری بهبود یافت. مدل بهینه alm در شرایطی که جریان با تاخیر های مختلف جزء ورودی های مدل بودند دارای 16 قانون شد و نتایج آماری آنها شامل r2= 0.81، nash-sutcliffe= 0.81، bias= 5.5cms، mpae= 12.9%، ptve= 1.86%، rmse=137cms و pw-rmse= 297cms می باشد. مقایسه نتایج آماری و گرافیکی alm و hec-hms نشان می دهد که هر دو مدل با توانایی بالایی توانستند نتایج بسیار مناسب و درخور توجهـی در شبیه سازی روزانه جریان در حوضه کاملاً ناهمگون کارون iii و شرایط نامطلوب دشوار کننده مدل سازی ارائه نمایند. ولی با در نظر گرفتن فیزیکی بودن مدل مفهومی، کالیبراسیون دشوار و تعداد پارامتر های زیاد مورد نیاز آن، حصول نتایج مشابه توسط alm که استفاده و مدل سازی توسط آن بسیار ساده بوده می توان به مناسب بودن مدل alm پی برد. از طرفی مدل alm توانایی ویژه ای در شناخت پارامتر های موثر در پیش بینی جریان رودخانه ای و رتبه بندی پارامتر ها و حذف پارامتر های غیر ضروری را دارد و از همه پارامتر های ورودی استفاده نمی نماید. لذا با حداقل تعداد پارامتر های ورودی می توان به دقت مورد نظر دست یافت. بدین رو می توان مدل alm را به عنوان یک مدل جدید جهت پیش بینی و شبیه سازی جریان رودخانه ای معرفی نمود. همچنین در این پژوهش برای ارزیابی دقیق تر مدل ها، مدل مفهومی با سایر مدل های مفهومی معروف همچون srm، swat و ... و مدل alm با سایر مدل ها هوش مصنوعی مورد مقایسه و ارزیابی قرار گرفته اند و توانمندی آنها در قیاس با مدل های دیگر نیز به اثبات رسید

پایش ترکیبات کیفی آب در پهنه های آبی مثل کلروفیل-a، مواد معلق و مواد آلی زرد رنگ محلول در آب یک ضرورت شناخته شده برای متخصصین آب و محیط زیست است. اما بررسی تغییرات زمانی و مکانی ترکیبات کیفی آب با روشهای سنتی اندازه گیری میدانی، بسیار مشکل، وقت گیر و هزینه بر است. در چند دهه اخیر سنجش از دور به ابزار بسیار مفید و کارآمدی، در زمینه مطالعات کیفی آب تبدیل شده است. در حال حاضر تقریبا برخی از پارامترهای کیفی آب با این روش به طور معقول قابل اندازه گیری و کمی سازی هستند. با این وجود یکی از مهمترین چالشهای اصلی در سنجش از دور کیفی آب، یافتن و یا توسعه روشهای مدلسازی مناسب است به طوری که این روشها قادر باشند در پهنه های آبی مختلف پارامترهای کیفی آب را از تصاویر ماهواره ای با دقت معقول استخراج نمایند. در این پایان نامه عملکرد و دقت پنج مدل معکوس case 2 سنجنده meris، شامل megs، c2r، fubwew، alm و هیبرید alm-ann، در دریای خزر به منظور استخراج کلروفیل-a، رنگدانه کل، مواد معلق و مواد آلی زرد رنگ، با استفاده از داده های میدانی مورد ارزیابی و اعتبار سنجی قرار گرفت. نقش تصحیح اثرات مجاورتی با استفاده از پردازشگر icol ، بر میزان بهبود دقت مدلسازی این روشهای معکوس نیز در این منطقه بررسی شد. همچنین با استفاده از روشهای تجربی مختلف سعی شد الگوریتمهای مختلفی به منظور استخراج عمق سکی (شفافیت) از تصاویر meris توسعه یابد. در بخش ارزیابی مدلهای معکوس، انطباق داده ای میدانی با اطلاعات ماهواره ی بر اساس سه حالت مختلف برداشت اطلاعات (پیکسل مرکزی، میانگین 3x3 پیکسلی و میانه 3x3 پیکسلی) انجام شد. در این بخش، نتایج ارزیابی مدلهای معکوس در مورد استخراج کلروفیل-a و رنگدانه کل، نشان داد که بهترین مدل معکوس برای استخراج این پارامترهای کیفی در دریای خزر، مدل معکوس هیبرید alm-ann است. در مورد استخراج cdom، مدلهای معکوس را می توان به ترتیب اولویت به صورت alm، c2r، fubwew و megs رده بندی نمود. برای استخراج spm نیز نتایج ارزیابی مدلهای معکوس نشان داد، که مدل معکوس alm دارای بهترین عملکرد و مدل معکوس megs دارای ضعیف ترین عملکرد در مدلسازی spm در دریای خزر می باشند. همچنین نتایج ارزیابی مدلها در حالتهای مختلف پیکسلی نشان داد که میانگین جعبه پیکسلی 3x3، بهترین روش برای استخراج داده های کیفی از تصاویر ماهواره ای در مدلسازی chl-a، spm و cdom است. در مورد استفاده از پردازشگر icol، نتایج ارزیابی مدلها معکوس نشان داد که استفاده از این پردازشگر در مدلسازی کلروفیل-a و رنگدانه کل تنها باعث بهبود دقت مدلسازی alm می شود. در مورد مدلسازی cdom نیز استفاده از پردازشگر icol تنها باعث بهبود دقت مدلسازی c2r شده است. همچنین در مدلسازی spm، پردازشگر icol، دقت مدلسازی دو مدل c2r و fubwew را بهبود بخشیده است. از طرفی عملکرد مدلهای معکوس مختلف در راستای یک مقطع عرضی نیز مورد بررسی قرار گرفت. نتایج این بررسی نشان داد که هر پنج مدل معکوس تقریبا از رفتار مدلسازی مشابهی برخوردار هستند. با استفاده از این مقطع عرضی مرز بین آبهای ساحلی و آبهای آزاد نیز تعیین شد (حدود 8 کیلو متر). همچنین عملکرد دو مدل معکوس c2r و megs به منظور استخراج کلروفیل-a با استفاده از روابط بایو اپتیکال جدیدی که برای دریای خزر توسعه یافته بود، مورد ارزیابی و اعتبار سنجی قرار گرفت. نتایج اعتبار سنجی نشان داد که عملکرد مدل معکوس megs با استفاده از این روابط بایواپتیکال جدید، بهبود قابل ملاحظه ای یافته است. البته در مورد مدل معکوس c2r، اعمال این روابط جدید، تاثیر زیادی بر بهبود عملکرد مدلسازی کلروفیل-a نداشته است. نتایج قیاس این دو مدل اعتبار سنجی شده با مدل هیبرید alm-ann، بار دیگر نشان داد که مدل هیبرید alm-ann، بهترین مدل معکوس برای بازیابی کلروفیل-a در دریای خزر است. نتایج اعتبار سنجی با استفاده از روش shifting در مورد cdom و spm نیز نشان داد که این روش تاثیر قابل ملاحظه ای بر بهبود دقت مدلسازی مدلهای معکوس بخصوص c2r و alm دارد. در مورد مدلسازی عمق سکی با استفاده از داده های انعکاسی در toa و boa، نتایج نشان داد که روش رگرسیون خطی ساده می تواند مدل عمق سکی ساده و معقولی را برای دریای خزر ارائه نماید. با این وجود نتایج کلی مدلسازی عمق سکی بیانگر آن است که روش alm بهتر از بقیه روشهای تجربی است. سرانجام با استفاده از مدلهای معکوس مختلف، نقشه های توزیع مکانی غلظت ترکیبات کیفی آب در دریای خزر با استفاده از تصاویر meris تولید شد.

مدل سازی و پیش بینی تراز آب مخازن سدها از لحاظ کمیت آب موجود در پشت سد بسیارحائز اهمیت است و از طرفی مدلسازی و پیش بینی دمای آب مخزن سد در اعماق مختلف نیز از لحاظ کیفیت آب بسیار حائز اهمیت است. در این تحقیق تراز سطح آب و دمای آب در لایه های مختلف مخزن سد سپیدرود شبیه سازی می شود. در این تحقیق از نرم افزارce-qual-w2 برای مدل سازیهای کمی وکیفی مذکور استفاده می شود. داده های استفاده شده در مرحله کالیبراسیون تراز سطح آب مخزن سد مربوط به11/3/84 تا20/1/85 می باشد و در دوره صحت سنجی از داده های تراز آب مربوط به 20/1/85 تا16/7/85 استفاده شده است نتایج صحت سنجی نشان داد که ce-qual-w2 با درصد خطای 7.3 درصد توانست تراز سطح مخزن شبیه سازی کند. به عبارت دیگر این مدل توانایی شبیه سازی تراز آب را به نحو مطلوبی داراست. در ادامه تغییرات عمقی دمای آب مورد مدلسازی قرار گرفت. داده های استفاده شده برای کالیبراسیون و صحت سنجی مدل به ترتیب مربوط به11/3/84 تا20/1/85 و 20/1/85 تا16/7/85 بودند. نتایج صحت سنجی مدل نشان داد که مدلسازی به نحو بسیار مناسبی انجام شده است به نحوی که مدل توانایی تخمین دما با خطای 4.9 درصد را دارا می باشد. نتایج مدلسازی بیانگر عدم وجود لایه بندی حرارتی در مخزن سد سپیدرود در طول سال می باشد. به عبارت دیگر مخزن سد سپیدرود جزء مخازن دارای اختلاط کامل می باشد. بررسی عوامل موثر بر دمای آب نشان داد عواملی که باعث عدم وجود لایه بندی حرارتی در مخزن سد سپیدرود می شوند شامل سرعت بسیار بالای باد و زمان ماند کوتاه مخزن سد می باشد و همچنین بررسی ها نشان داد که دمای هوا و محل برداشت آب از سد اگرچه روی دمای مخزن اثر چشمگیری دارند اما بر روی لایه بندی حرارتی موثر نیستند. اما دمای آب ورودی به مخزن، بر روی لایه بندی حرارتی در المان های دور از سد موثر است اما با نزدیک شدن به سد به علت اختلاط شدید، لایه بندی مذکور بسیار ضعیف می شود.

هدف از این تحقیق، شبیه سازی و پیش بینی غلظت بار معلق رودخانه ی ساکرامنتو (کالیفرنیا) توسط روش اسپلاین رگرسیونی تطبیقی چند متغیره mars و ارزیابی نتایج آن با نتایج شبکه ی عصبی(anns) می باشد. در این تحقیق پس از جمع آوری داده های بار معلق و دبی (در مقیاس روزانه) رودخانه ی ساکرامنتو در دو ایستگاه ساکرامنتو و فریپورت، اقدام به شبیه سازی بار معلق توسط anns مختلف از جمله شبکه ی اتورگرسیو غیر خطی موازی(narx-parallel) و سری- موازی (narx-series parallel)، شبکه ی المن (elman)، شبکه پرسپترون چندلایه(mlp) و شبکه ی عصبی دارای تاخیر زمانی متمرکز (fftd)، شده و شبیه سازی های انجام شده بر روی داده های ورودی مختلف (دبی با تاخیر زمانی(q)، غلظت بار معلق با تاخیر زمانی (c)و استفاده ی توام از دبی و غلظت بار معلق با تاخیر زمانی(q,c)) انجام شد. در ضمن پس از شبیه-سازی توسط anns، تحت ساختار و شرایط اولیه ی مختلف، بهترین ساختار برای anns، انتخاب شدند. برای ارزیابی anns، از معیار های آماری و گرافیکی مانند rmse، mae، mbe، r، q-q دیاگرام و نمودار پراکندگی، استفاده شد. سپس رویanns منتخب، با توجه به معیار های آماری و گرافیکی، اقدام به انجام آنالیز حساسیت شد و سپس قابلیت anns تحت آنالیز حساسیت مورد ارزیابی قرار گرفت، در نهایت اقدام به پیش بینی با گام های زمانی مختلف رو به جلو شد و دقت anns مختلف در پیش بینی با گام های زمانی مختلف، مورد ارزیابی قرار گرفت. نتایج تحلیل آماری و گرافیکی شبکه های مختلف منتخب، به همراه نتایج آنالیز حساسیت و پیش بینی های با گام های زمانی مختلف، جهت تعیین بهترین anns در مدل سازی (c) در دو ایستگاه فریپورت و ساکرامنتو مورد استفاده قرار گرفت. در نهایت بهترین anns برای شبیه سازی (c) در ایستگاه های فریپورت و ساکرامنتو تحت ورودی های (q)، ورودی های (c)و ورودی های (q,c)، fftd و در یک مورد mlp بودند و برای مثال همبستگی(r) آن ها در شبیه سازی به ترتیب برای ترکیبات متغیر ورودی مذکور، در ایستگاه فریپورت 899/0 و 89/0 و 9/0 و در ایستگاه ساکرامنتو 63/0 و 924/0 و 884/0 بودند. پس از انجام مدل سازی شبکه ی عصبی، اقدام به شبیه سازی (c) تحت ورودی های مختلف، توسط روش mars شد. پارامتر های روش mars مورد کالیبراسیون قرار گرفت و نتایج شبیه سازی ها توسط mars نشان داد که روش mars می تواند با (r) 906/0 و 914/0 و 89/0 در ایستگاه فریپورت و 714/0 و 874/0 و 865/0 در ایستگاه ساکرامنتو، تحت ترکیبات متغیر ورودی مذکور، مقدار (c) روزانه در ایستگاه های فریپورت و ساکرامنتو را شبیه سازی کند. مقایسه ی روش mars و anns نشان داد که نتایج تقریبا برابری را نشان می دهد. از طرفی ایجاد یک مدل anns بسیار زمان بر است و نیز anns قابلیت شناسایی ورودی های موثر را دارا نیست، در حالیکه مرحله ی آموزش روش mars ساده تر از شبکه ی عصبی است و mars نه تنها قابلیت شناسایی متغیر های موثر و حذف متغیر های اضافی از مدل را داراست، بلکه قابلیت شناسایی اندرکنش بین متغیر های ورودی و اثر آن ها روی خروجی را داراست. باید توجه داشت که تمام مدل سازی های mars و anns در محیط matlab اجرا شده است. با توجه به نتایج این تحقیق و قابلیت ها و توانمندی های روش mars، می توان این روش را به عنوان یک روش جدید در شبیه سازی دینامیکی آلودگی ها در سیستم های آبی از جمله رودخانه ها معرفی نمود.

در گذشته برای ایجاد نقشه های رده بندی عوارض مختلف در سطح زمین از روش های مطالعه میدانی که بسیار وقت گیر و هزینه بر بود استفاده می شد. با ظهور ماهواره ها و برداشت تصاویر ماهواره ای، این مهم توسط تصاویر ماهواره ای و پردازش آنها انجام می شود. اما مشکل این است که دقت نتیجه های استخراج شده بستگی به عملکرد روش پردازش تصویر برای رده بندی دارد. روش های متداول رده بندی در گذشته توانسته اند به نحو مطلوبی این مهم را به انجام رسانند. با ظهور روش های جدید پیشرفته آماری و یادگیری ماشین، می توان امید داشت که این روش ها عملیات رده بندی تصاویر ماهواره ای را بهتر از روش های متداول انجام دهند. در این مطالعه جهت رده بندی کاربری اراضی مختلف از روش های پیشرفته آماری و یادگیری ماشین استفاده شده و عملکرد آنها با روش های متعارف مقایسه می شوند. بدین منظور از داده های تشعشع ابرطیفی استفاده می شود که درطول و عرض های جغرافیایی مشخصی جمع آوری شده اند. این داده ها شامل 176 متغیر توضیحی (باند ماهواره) و یک متغیر پاسخ 13رده ای است که نوع پوشش گیاهی در مختصات جغرافیایی منطقه مورد مطالعه را مشخص می کند. مقادیر متغیر توضیحی توسط سنجنده aviris برداشت شده است. برای استخراج داده ها، از تصاویر ماهواره ای land sat استفاده شده است. منطقه مطالعاتی در kfc ( kennedy flight center) ایالت فلوریدا آمریکا واقع شده است. روش های پیشرفته آماری مورد مطالعه در این پایان نامه، شامل ماشین بردار پشتیبان و جنگل تصادفی می باشند. روش ماشین بردار پشتیبان دارای 4 تابع کرنل مختلف است که هر یک از آنها دارای پارامترهای خاص خود می باشند. انتخاب نوع توابع کرنل و بهینه سازی مقادیر پارامترهای آن که با استفاده از جستجوی نقطه ای انجام می شود، دارای هزینه محاسباتی گزافی است. جنگل تصادفی، مجموعه ای از چندین درخت تصمیم است که ساخت آن وابسته به دو پارامتر تعداد درخت و تعداد متغیرهای مورد نیاز در رشد درخت می باشد که هزینه اجرای آن بسیار کمتر از روش ماشین بردار پشتیبان است. این دو روش ذکر شده جزء روش های پیشرفته هستند و روش های متداول آماری شامل تحلیل ممیزی درجه دوم، تحلیل ممیزی خطی است که در علوم مهندسی به ترتیب روش ماکزیمم درستنمایی، فاصله ماهالونبیس نامیده می شوند. مدل نهایی از مقایسه روش های پیشرفته و متداول آماری حاصل می شود. نتیجه مقایسه این 4 روش، مدل ماشین بردار پشتیبان با کرنل نرمال را مدل منتخب با دقت کلی 958/0 معرفی نموده که حساسیت بالایی برای تمامی رده ها دارد. به عبارت دیگر رده بندی برای تمامی 13 رده را بخوبی انجام داده است.

آلودگی منابع آب زیرزمینی و به طور کلی خاک ها، در سالهای اخیر تبدیل به یکی از جدی ترین مشکلات زیست محیطی در سراسر جهان شده است. از مهمترین این آلوده کننده ها، آلاینده های نفتی و به طور کل فرآورده هایی می باشند که در اثر نشت و یا تراوش در حین ذخیره سازی و یا انتقال، با نفوذ به خاک زیر سطح زمین، منابع آب زیرزمینی را آلوده می سازند. پتانسیل ورود گسترده این ترکیبات به خاک های زیرسطحی و منابع آب زیرزمینی، بررسی خصوصیات گسترش آنها را تبدیل به موضوعی حائز اهمیت نموده است. موفقیت در ارائه طرحی جهت احیاء و اصلاح محل های آلوده، بستگی به درک رفتار و توانایی پیش بینی گسترش این آلاینده ها در خاک زیر سطح زمین دارد. هدف از این تحقیق، بررسی فاکتورهای مهم و تاثیر گذار بر میزان گسترش آلودگی های نفتی در خاک های غیر اشباع و همچنین سفره های آب زیرزمینی و نیز بکارگیری موفق یک مدل عددی جهت شبیه سازی انتقال آلاینده های نفتی در آب و خاک زیر سطح زمین می باشد. جهت انجام تحقیق، از رویکرد مدلسازی عددی استفاده شده است. نتایج حاصل از مدلسازی های متعدد انجام گرفته نشانگر حساسیت قابل توجه جواب ها نسبت به تغییرات پارامترهایی همچون تاثیر مقادیر هدایت هیدرولیکی، گرادیان هیدرولیکی جریان در، ضرایب پخش و پراکندگی و ... می باشد. از نتایج بدست می توان در پیش بینی نحوه و میزان گسترش آلودگی نفتی ناشی از نشت و تراوش از یک منبع ذخیره و یا خطوط انتقال این فرآورده و همچنین اهمیت میزان تاثیر پارامترهای مختلف موثر بر انتشار آلودگی بهره جست. در نهایت نیز برخی راهکاری ژئوتکنیکی به منظور آلودگی زدایی از مناطق آلوده شده به آلودگی های نفتی مورد بررسی و کارایی آنها مورد ارزیابی قرار گرفته است.