نام خانوادگی: قزل سفلو نام: مجتبی عنوان پایان نامه: تجزیه و تحلیل روند کمی و کیفی آب رودخانه های استان آذربایجان شرقی با روشهای ناپارامتری استاد راهنما: دکتر یعقوب دین پژوه استاد مشاور: دکتر محمدعلی قربانی مقطع تحصیلی: کارشناسی ارشد رشته: مهندسی کشاورزی گرایش: مهندسی منابع آب دانشگاه: تبریز دانشکده: کشاورزی تاریخ فارغ التحصیلی: بهمن 1389 تعداد صفحات: 165 کلید واژه: مان-کندال ، خودهمبستگی ، روند ، تخمین گر شیب sen ، کیفیت آب ، رودخانه ، دبی جریان. چکیده: در این مطالعه روند جریان آب رودخانه های استان آذربایجان شرقی در سه مقیاس ماهانه ، فصلی و سالانه مورد آزمون واقع شد. همچنین روند تغیرات کیفی آب این رودخانه ها مورد بررسی واقع گردید. روش مورد استفاده آزمون ناپارامتری مان-کندال اصلاح شده (با حذف کامل اثر ساختار خودهمبستگی داده ها) بود. سه سطح معنی داری 1% ، 5% و 10% در نظر گرفته شد. برای این منظور از اطلاعات ده ایستگاه هیدرومتری در دوره آماری 1387-1362 استفاده شد. شیب خط روند با روش تخمین گر sen تخمین زده شد. روند تغییرات سیزده پارامتر کیفی آب به شرح ، ، ، ، ، ، ، ، ، ، درصد سدیم، مجموع آنیون ها و مجموع کاتیون ها مورد بررسی واقع شد. نتایج نشان داد که در مقیاس سالانه 40 درصد ایستگاه ها دارای روند جریان آب منفی معنی دار (1/0> p) بودند. درمقیاس فصلی بیشترین روند منفی جریان آب متعلق به فصل پاییز بود. در این فصل حدود 70 درصد ایستگاه ها روند نزولی معنی داری(1/0 p<) را تجربه کرده اند. در مقیاس ماهانه روند جریان اکثر ایستگاه ها منفی بود. نتایج بررسی روند متغیرهای کیفی آب نشان داد که در ایستگاه هایی که روند جریان آب منفی بود غلظت اکثر عناصر کیفی آب دارای روند مثبت معنی دار بوده است. در حالت کلی نتایج نشان داد که جریان آب رودخانه های استان آذربایجان شرقی از نظر کمی روند نزولی داشته و کیفیت آب نامطلوب تر شده است.

با توجه به اهمیت پیش بینی جریان رودخانه در مدیریت منابع آب روش های مختلفی برای مدل کردن جریان رودخانه ها بکار برده شده است. تا بتوان با بکارگیری این مدل در مدیریت خشکسالی و سیلاب، خسارات ناشی از آنها را به حداقل ممکن رساند. در این مطالعه مدل شبکه عصبی و مدل هیبرید موجکی- شبکه عصبی برای پیش بینی جریان روزانه ایستگاه ونیار پیشنهاد گردیده است. برای استفاده از مدل هیبریدی سری زمانی به 12 زیر سری تجزیه شده و این زیر سری ها بعنوان ورودی به شبکه عصبی وارد می گردند. نتایج بدست آمده از مدل تلفیقی موجک- شبکه عصبی با نتایج حاصل از کاربرد شبکه عصبی مقایسه شد. و ملاحظه گردید که روش هیبریدی موجک- شبکه عصبی تعداد روزهای بیشتری را با همبستگی قابل قبولی نسبت به روش شبکه عصبی پیش بینی می کند. در بخش بعدی این مطالعه همپوشانی فیلتر میانگین متحرک با زیر سری های تقریبی حاصل از تجزیه جریان روزانه بررسی گردید که نتایج همبستگی بسیار بالای این دو فیلتر را نشان داد. در قسمت دیگری از این تحقیق میزان در برگیری زیرسری های جزئی حاصل از تجزیه موجکی توسط دوره بازگشت های مختلف بررسی گردید، بصورتیکه هر کدام از دوره بازگشت های سیگنال جریان روزانه ایستگاه ونیار، یک سری از زیر سری های جزئی را در بر می گیرند. و از این قسمت می توان دریافت که هر کدام از زیرسری های حاصل از تجزیه چه دوره بازگشت هائی را در تفکیک نموده اند. در بخش آخر این مطالعه در صد واریانسی را که هر زیر سری جزئی به خود اختصاص داده بود محاسبه شد. و میزان پراکندگی که هر زیر سری جزئی از سیگنال جریان در بر گرفته بود مشخص گرد

هدف اصلی این تحقیق تخمین میانگین دبی جریان روزانه رودخانه کارون با استفاده از روش آنالیز موجک متقاطع می باشد. برای این منظور از داده های میانگین دبی جریان روزانه در محل ایستگاه بهشت آباد و اطلاعات بارش روزانه مربوط به 17 ایستگاه هواشناسی در طول دوره آماری 2008-1999 استفاده گردید. از موجک مختلط مورلت به عنوان تابع آنالیزگر استفاده شد. تجزیه موجک برای هر یک از سری های بارش روزانه و دبی جریان روزانه بصورت جداگانه انجام گرفت. فاز اولیه و اختلاف فاز زیر سری های حاصل از تجزیه موجک و ثابت های واسنجی محاسبه شد. سپس بازسازی سری های ساختاری انجام پذیرفت و میانگین مولفه های ساختاری بازسازی شده محاسبه گردید. افق های پیش بینی 1 روزه، 2 روزه،... و7 روزه برای پیش بینی های کوتاه مدت انتخاب شد. سپس معادلات مدل به ازای هر افق پیش بینی انتخاب شده استخراج گردید. ارزیابی عملکرد مدل با معیارهای r و rmse انجام گرفت. افزون بر این، برای پیش بینی دبی جریان روزانه رودخانه مذکور از دو روش شبکه های عصبی مصنوعی و روش تلفیقی موجک-شبکه های عصبی مصنوعی نیز استفاده شد. نتایج نشان داد که روش موجک متقاطع برای پیش بینی های 1 روزه دقت بالایی دارد. با افزایش افق پیش بینی از دقت مدل کاسته می شود. این مطالعه نشان داد که مدل تلفیقی موجک-شبکه های عصبی مصنوعی بهترین مدل پیش بینی دبی جریان روزانه در حوضه آبریز رودخانه منتخب می باشد.

شبیه سازی هیدرولوژی حوضه های آبریز اغلب برای، تخمین دبی اوج، حجم سیلاب و رواناب حاصل از بارندگی ها، طراحی سدها و سازه های آبی صورت می گیرد. از طرفی، محدودیت هایی که در روشهای اندازه گیری مولفه های سیکل هیدرولوژی و دسترسی به داده های مورد نیاز وجود دارد، استفاده از مدل های ریاضی را ضروری می سازد. شبیه سازی بهتر فرآیند های هیدرولوژیکی مستلزم این است که داده های ورودی مدل های هیدرولوژیکی بتوانند به خوبی شرایط واقعی حوضه آبریز را بیان کنند. این امر ضرورت استفاده از مدل هایی که برخی از پارامتر های خود را با پردازش لایه های اطلاعاتی بدست می آورند روشن می کند. مدل hspf با پارامتر های یکپارچه، قطعی و بر پایه فیزیکی، قادر است فرایند های هیدرولوژیکی را به طور پیوسته در حوضه های آبریز و شبکه رودخانه ها شبیه سازی کند. این مدل که به اطلاعات هواشناسی با گام زمانی ساعتی نیاز دارد، تاکنون در بسیاری از نقاط جهان مورد استفاده قرار گرفته است. هدف این تحقیق، کاربرد مدل hspf در برآورد دبی متوسط روزانه، دبی های اوج، حجم جریان ماهیانه و سالیانه و پارامتر های سیکل هیدرولوژی حوضه آبریز صوفی چای که در قسمت جنوبی کوه سهند در استان آذربایجان شرقی واقع شده است، می باشد. داده های آماری سال های میلادی 2002 تا 2006 بارندگی و آب سنجی برای این حوضه موجود بوده بطوریکه ایستگاه هیدرومتری تازه کند در خروجی آن واقع شده است. داده های موجود سالهای 2002 تا 2004 برای واسنجی مدل و داده های سال های 2005 و 2006 برای صحت سنجی شبیه سازی مدل مورد استفاده قرار گرفتند. نتایج این تحقیق نشان داد می توان با روش های آماری مناسب و تقلیل گام زمانی اطلاعات موجود در ایستگاه های هواشناسی کشور، زمینه استفاده از مدل هایی نظیر مدل hspf را برای شبیه سازی هیدرولوژیکی حوضه های آبریز ایران فراهم کرد. در واقع عدم وجود اطلاعات هواشناسی با گام زمانی کوچکتر در ایستگاه های هواشناسی کشور نباید منجر به نادیده گرفتن مزایای مدل هایی نظیر مدل hspf شود. همچنین نتایج این تحقیق نشان می دهد که مدل hspf در شبیه سازی دبی های روزانه، حجم جریان ماهیانه و سالیانه دقت مناسبی دارد.

در دهه های اخیر در کشور ما، نیاز به پیش بینی دقیق و سریع رواناب به علت افزایش تعداد سیلاب ها به شدت افزایش یافته است. بنابراین توسعه و اجرای روش های مناسب برای پیش بینی رواناب از روی داده های بارش بسیار ضروری به نظر می رسد. ولی با توجه به کمبود داده های مورد اعتماد در حوضه های آبریز، ارائه مدل هایی که بتواند این نقیصه را جبران نموده و تا حدودی ژئومورفولوژیک حوضه را نیز وارد مدلسازی نماید احساس می گردد. یکی از این اقدامات، در جهت یافتن یک ارتباط قوی بین هیدروگراف واحد با ساختار فیزیکی آن، مدل هیدروگراف واحد لحظه ای ژئومورفولوژیکی giuh می-باشد. این مدل، حوضه را به صورت یک سیستم خطی فرض کرده و مستقل از عمق جریان و یا واقعه بارش می باشد و روشی سریع برای برآورد دبی سیلاب ها بخصوص در حوضه های فاقد آمار می باشد. اما در دهه های اخیر، مطالعات بیشتر به سمت روش های الهام گرفته از طبیعت همچون شبکه های عصبی مصنوعی و برنامه ریزی بیان ژن سوق داده شده است. هدف از این تحقیق ترکیب دو مدل شبکه عصبی مصنوعی و برنامه ریزی بیان ژن با مدل هیدروگراف واحد لحظه ای ژئومورفولوژی و تولید دو مدل شبکه عصبی ژئومورفولوژیکی (gaan) و برنامه ریزی بیان ژن ژئومورفولوژیکی (ggep) بعنوان مدل جدید جهت پیش بینی فرآیند بارش – رواناب در حوضه صوفی چای می باشد. در تحقیق حاضر با استفاده از این ابزارها، ارتباط بین بارش، رواناب و تاثیرخصوصیات ژئومورفولوژیکی بر روی این فرآیند پیچیده، استخراج و بررسی شد و در آن از 4 واقعه بارش – رواناب جهت آموزش و 2 واقعه جهت تست عملکردشان مورد استفاده قرار گرفت. همچنین در استخراج روابط در مدل ggepعلاوه بر صوفی چای، از اطلاعات چهار حوضه دیگر شامل دیزناب، لیقوان، کمانج و سهزاب بهره گرفته شد. مقایسه مقادیر محاسباتی با مقادیر متناظر مشاهداتی، نشان داد هر سه مدل، قابلیت شبیه سازی خصوصیات کلی هیدروگراف را دارند ولی دو مدل فراکاوشی gann و ggepبه دلیل استفاده از مقادیر رواناب در گام های زمانی پیشین بعنوان ورودی باعث افزایش عملکرد بهتر آنها در تخمین دبی اوج و زمان رسیدن به اوج، نسبت به مدل giuh شده است. با وجود نزدیکی نتایج دو مدل gann و ggep به یکدیگر، مدل ggepبدلیل تولید یک رابطه صریح و ساده ریاضی، بعنوان مدل نهایی حوضه مربوطه انتخاب گردید.

افزایش روزافزون نیازهای آبی، اهمیت مدیریت منابع آب را در حوضه های آبریز بیش از پیش نمایان ساخته است. رفتارحوضه های آبریز متأثر ازپارامترهایی همچون بارش، رواناب، پوشش برف، خصوصیات فیزیوگرافی، پوشش گیاهی، وجود سدها و مخازن، رودخانه ها و ... هستند که رفتار حوضه ها را تحت تأثیر قرار می دهند، برای شناسایی ارتباط دقیق این پارامترها با یکدیگر می توان روند تأثیرگذاری تک تک این پارامترها و همچنین همه آنها را روی حوضه های آبریز بررسی کرد. اخیرا مدل های مختلفی بدین منظور توسعه یافته اند که می توان به مدل تحلیل پویایی سیستم یا vensim و مدل های هوشمند همچون برنامه ریزی ژنتیک اشاره نمود. مدل تحلیل پویایی سیستم ( vensim ) به عنوان روشی که بر اساس تفکر سیستماتیک بنا نهاده شده و برای مطالعه سیستم های پیچیده است. روش تحلیل پویایی سیستم یک روش شبیه سازی شیءگرا و بر پایه بازخورد می باشد. از مدل vensim برای شبیه سازی رفتاری حوضه ی آبریز تحت شرایط هیدرولوژیکی گوناگون می توان استفاده نمود. برنامه ریزی ژنتیک عبارت از کاربرد الگوریتم ژنتیک در برنامه های کامپیوتری به منظور تکامل بخشیدن به برنامه های کارا و مفید در حل مسائل است. یک برنامه به جای متغییرهای تصمیم رویه ای را برای حل مسائل ارائه می کند. مدل برنامه ریزی ژنتیک قادر به ارائه روابط بین پارامترها است، که در سایر مدل های هوشمند چنین قابلیتی وجود ندارد. بنابراین می توان در محیط های دینامیکی زبان های مختلف برنامه نویسی حالت دینامیکی آن را بررسی نمو . در نهایت به وسیله مدلی که بدست می آید می توان تأثیر تک تک پارامترها را بر روی حوضه های آبریز و رفتار متقابل آنها را در برابر یکدیگر بررسی نمود. با افزایش یا کاهش هر یک از پارامترها از جمله تبخیر، بارش، رواناب و ... چه تأثیری در بقیه پارامترها ایجاد شده است و در نهایت راه کار های مناسب برای حل مشکلات ارائه شده است.

یتیم از نظر لغوی یعنی یکتا و بی همتا و در اصطلاح فقها، یتیم به کودکی اطلاق می شود که پیش از بلوغ پدرش را از دست داده باشد. اسلام، مسئله ایتام را به عنوان یک مسئله اساسی مطرح کرده و حقوقی اعم از حقوق اقتصادی (غنائم و خمس و انفال (فئ)، انفاق و صدقه، اطعام، ارث)، حقوق عاطفی (عدم طرد یتیم و تخریب روحی و عاطفی، احسان به ایتام، احترام به ایتام، جلوگیری از گریه یتیم)و حقوق اجتماعی برای آنها در نظر گرفته است. حمایت از ایتام نتائج زیر را به دنبال خواهد داشت: لطافت و نرمی قلب، رفتن به بهشت، محبوب ترین خانه ها، آمرزش گناهان، تکمیل ایمان، آینده سازی برای ایتام سرپرست، نیکی و روشنی در قیامت. مصلحت کودکان اقتضا می کند که اشخاص از طریق نهادهایی موظف به اداره امور و اعمال حقوقی آنان باشند. از جمله این نهادها در فقه اسلامی می توان ولایت، حضانت و التقاط را نام برد. ولایت عبارت است از اختیار و اقتداری که شرع و قانون به جهتی از جهات برای اداره امور غیر به شخص می دهد، به کسی که واجد این صلاحیت است ولی گفته می شود. حضانت به فتح حاء، سرپرستی بر طفل و دیوانه و انجام آنچه که به مصلحت وی است از قبیل نگهداری و گذاردن در رختخواب و برداشتن و شستن لباس او و مانند آن می باشد. برداشتن و حفاظت از طفلی که جانش در معرض خطر باشد، بر هر مسلمانی، واجب است؛ به این اقدام در فقه اسلامی التقاط و به طفلی که بی سرپرست مانده لقیط و به کسی که او را نگهداری می کند ملتقط می گویند. در حقوق ایران نیز برای حمایت از اطفال بی سرپرست، در سال 1353 شمسی قانونی به نام "قانون حمایت از اطفال بدون سرپرست" به تصویب رسید که در آن حقوق و تکالیف متقابلی برای اطفال بی‏سرپرست و سرپرست‏ها پیش‏بینی شده است. با عنایت به ماده 1 این قانون، به زوجین اختیار داده شده است تا در صورت تمایل یا توافق یکدیگر کودکی را به فرزندی قبول کنند.

باتوجه به کمبود منابع آبی و افزایش نیازها ، اولویت بندی تخصیص آب سدها و تعیین الگوی کشت بهینه از اهمیت بالایی برخوردار می باشد. فرایند تحلیل سلسله مراتبی_فازی می تواند عوامل کمی و کیفی را به صورت سیستماتیک در مدل تصمیم گیری وارد نماید. به این ترتیب که نخست ساختار مساله تصمیم گیری طراحی شده، سپس گزینه های مختلف براساس معیارهای مطرح در تصمیم گیری باهم مقایسه گردیده و در نهایت اولویت انتخاب هر یک از آنها مشخص می شود. در این مطالعه ساختار سلسله مراتبی جهت تعیین اولویت بندی تخصیص آب سد ستارخان اهر واقع در استان آذربایجانشرقی به استفاده کنندگان از آب سد با اهداف متفاوت طراحی و سه معیار(اقتصادی، اجتماعی و زیست-محیطی)، شش زیرمعیار(درآمد ناخالص، سطح زیر کشت، اشتغال زایی، جمعیت، شوری آب و سختی آب) برای پنج گزینه(کشاورزی، شرب، صنعت، تفریحی-زیست محیطی و کنترل سیل) استفاده از سد در نظر گرفته شد. هم چنین دشت اهر واقع در پائین دست سد ستارخان بدلیل ویژگی خاص و نیاز منطقه جهت تعیین الگوی کشت بهینه انتخاب شده و معیارهای انتخاب نوع کشت شامل تبخیر و تعرق گیاه، بافت خاک، روش آبیاری، هزینه کاشت وداشت و برداشت، حجم آب مصرفی، درآمد، نیاز محلی و قیمت واحد محصول جهت اولویت بندی مورد استفاده قرار گرفته است. پس از ترسیم درخت سلسله مراتبی و تشکیل ماتریس مقایسات زوجی برای معیارها و زیرمعیارها و گزینه ها، محاسبات برای تعیین وزن گزینه ها انجام شد که نتایج نشان داد که معیار اقتصادی با وزن جزیی چهل و دو صدم نسبت به دو معیار دیگر بیشترین اهمیت را دارد. افزون بر آن تخصیص آب به بخش کشاورزی با وزن نهایی پنجاه و هفت صدم در اولویت اول قرار گرفت و در تعیین الگوی کشت نتایج نشان داد که نیاز محلی با وزن هجده صدم بیشترین و روش آبیاری با وزن دو صدم کمترین اهمیت را دارد. هم چنین، از بین محصولات رایج منطقه باغات و قلمستان با وزن نهایی پنجاه صدم در اولویت اول قرار گرفت.

یکی از عوامل تعیین کننده در محیط زیست، میزان نزولات جوی است که در واقع حیات بشری وابسته به آن است. مقدار آبی که هر محیط جغرافیایی دریافت می کند نسبت به مکان دیگر متفاوت است. در این میان آنچه ضروری و مهم است، تعیین مکان و زمان بارش و استفاده از این اطلاعات جهت نیل به مقاصد مهمی از جمله جمع آوری و مدیریت منابع آب، تامین آب برای اهداف کشاورزی، صنعتی ومصرفی جوامع انسانی می باشد. در این پژوهش با هدف بررسی زمان و مکان بارندگی در سطح شهرستان تبریز، اقدام به تجزیه و تحلیل های آماری بارندگی در ایستگاه های تبریز، باسمنج، کنـدوان، اسکـو، سهلان، هروی، سد نهند، اسفهلان، لیقوان، سعید آباد و ایستگاه سهند طی سالهای 1378 تا1388شد. برای این منظور ابتدا ایستگاه های مذکور با سه روش تحلیل خوشه ای سلسله مراتبی، خوشه بندی فازی و شبکه عصبی کوهنن طبقه بندی گردید. سپس با استفاده از این سه روش بارش شهرستان تبریز پهنه بندی شد. نتایج نشان داد که بارش شهرستان تبریز طبق این سه روش از لحاظ مقدار و زمان دریافت بارش به سه گروه مجزا قابل تفکیک است که به تبع آن بعضی از ایستگاه ها دارای بارش متوسط، برخی دارای بارش کم و تعدادی دیگر دارای بیشترین بارش بودند.

وقوع بارش های رگباری حاصل شرایط سینوپتیکی و محیطی است. در این پژوهش به منظور پیش بینی بارش های رگباری شهر تبریز، از داده¬های روزانه 33 سال (1980تا2013) این شهر، شبکه¬های عصبی مصنوعی و نقشه¬های سینوپتیکی استفاده شده است. نتایج نشان می¬دهند که در منطقه مورد مطالعه در بیشتر موارد، اوج بارش¬های رگباری به ترتیب در ماه¬های اردیبهشت، فروردین و خرداد رخ می¬دهند. فصل بهار نیز هم از لحاظ بارش کل و هم بارش رگباری، پربارش¬ترین فصل سال محسوب می¬شود. همچنین علت وقوع بارش¬های رگباری در فصول مختلف متفاوت است. اکثر بارش¬های رگباری در فصل گرم در نتیجه¬ی ناپایداری¬ محلی و در فصل سرد در نتیجه نفوذ جبهه سرد به منطقه اتفاق می¬افتند. در این پژوهش برای پیش¬بینی بارش رگباری به دلیل غیر خطی بودن آن از شبکه¬های عصبی مصنوعی استفاده شده است. در این مطالعه با استفاده از داده¬های بارش رگباری، دما، رطوبت و سرعت باد پیش¬بینی بارش رگباری انجام شده است. با استفاده از شبکه¬های عصبی مصنوعی با مدل mlp و یک لایه پنهان پیش-بینی صورت گرفته است، که داده¬های بارش رگباری پیش¬بینی شده با چنین ساختاری ، بیشتر با واقعیت انطباق دارد. ضریب همبستگی بین مقادیر واقعی و پیش¬بینی شده بارش رگباری توسط این مدل برابر 0/90 و ضریب تبیین برابر 0/79می¬باشد. به طور کلی نتایج بدست آمده حاکی از عملکرد مطلوب شبکه-های عصبی مصنوعی در پیش¬بینی بارش رگباری می¬باشد. در کل مقایسه نتایج میزان خطا در روش شبکه¬های عصبی با روش¬های رگرسیون حاکی از برتری مدل شبکه¬های عصبی مصنوعی در پیش¬بینی بارش رگباری می¬باشد. نتایج این پژوهش می¬توانند برای مقاصد مهمی از جمله مدیریت منابع آب، تامین آب برای فعالیت های کشاورزی و صنعتی، مصارف جوامع انسانی، مشخص کردن زمان وقوع سیلاب ها و جلوگیری از خسارات شدید کارایی داشته باشند.

شبیه سازی فرآیند بارش-رواناب نقش بسیار مهمی را در برنامه ریزی های شهری، محیط زیستی، کاربری اراضی، مدیریت منابع آب و سیل و نیز کاهش اثرات خشکسالی در سیستم های منابع آب می تواند ایفا کند. هدف این رساله ارائه شیوه ای از مدلسازی هیدرولوژیکی به صورت مدل خطی متغیر در زمان است که در کنار لحاظ نمودن تغییرات زمانی در مدلسازی در برگیرنده ویژگی های تغییرات مکانی نیز بوده و قابل اعمال در هر مطالعه موردی باشد. بر این اساس در این تحقیق ترکیبی از دو نگرش مفهومی نیمه توزیعی (بخش خطی و متغیر در مکان مدل سازی) و سیستمی یا جعبه سیاه (بخش متغیر در زمان مدل سازی) در بررسی مدلسازی فرآیند بارش ـ رواناب با استفاده از ابزار هوش محاسباتی مورد توجه قرار گرفته و در محاسبه و پیش بینی تغییرات آتی پارامتر معرف مشخصات حوضه آبریز(کاربری اراضی/ پوشش گیاهی ) در مورد حوضة آبریز شاخة جنوبی رودخانه ایل مورد استفاده قرار گرفته است. بر اساس نگرش مفهومی نیمه توزیعی بکار گرفته شده در این تحقیق با تقسیم حوضه آبریز به زیر حوضه ها و اعمال مدل مخزن خطی به آنها مجموعه ای از مدل های همگن خطی به دست می آید که میزان بارش بر روی هر یک از آنها می تواند متفاوت باشد ولی بر هر یک به طور یکنواخت توزیع شده است. بر این اساس دو مدل ژئومورفولوژیکی به نام های مدل تصحیح یافته مدل guhn و مدل آبشار مخازن نا مساویuecr ارائه می شود. دو پارامتر زمان تاخیر مخزن خطی k و پارامتر زمان تاخیر کانال خطی t در این مدل ها بکار رفته است. پارامتر k دلالت بر انتقال بارش به رواناب بر روی زمین داشته در حالیکه پارامتر t مربوط به انتقال رواناب در طول مسیر رودخانه ها و آبراهه ها می باشد. برای لحاظ نمودن تأثیر داده های دبی مشاهداتی سایر ایستگاه های داخل حوضه آبریز و یا به عبارت دیگر کالیبراسیون دو ایستگاهه در مدلسازی از روش بهینه سازی nsga-ii استفاده شده است. کاربرد روش بهینه سازی nsga-ii در چهار چوب کالیبراسیون دو ایستگاهه در زمینه مدلسازی هیدرولوژیکی رویداد- پایه از جمله نو آوری های این پژوهش می باشد. مدلسازی دو ایستگاهه با بهینه سازی همزمان ایستگاههای بالادست و پایین دست می تواند منجر به انتشار اثرات شرایط و پارامترهای زیرحوضه های بالادست به زیرحوضه های پائین دست شده، مفهوم و تفسیر فیزیکی پارامترهای مدل را افزایش دهد. کاربرد جدیدی از دو استراتژی کالیبراسیون در زمینه مدلسازی هیدرولوژیکی رویداد- پایه تحت عنوان استراتژی کالیبراسیون نیمه گرده ای و استراتژی کالیبراسیون نیمه توزیعی با لحاظ نمودن خصوصیات ژئوموفولوژیکی و عدم لحاظ نمودن آنها در این تحقیق ارائه شده است. در مجموع نتایج کلی نشان دهنده برتری استراتژی کالیبراسیون نیمه گرده ای نسبت به استراتژی کالیبراسیون نیمه توزیعی است. در بخش نگرش سیستمی این تحقیق، داده های اندازه گیری حدود سی سال جهت استخراج و تجزیه و تحلیل رویدادهای بارش-رواناب مورد استفاده قرار گرفته است. در این بخش، از مدل uecr بر اساس استراتژی کالیبراسیون نیمه گرده ای استفاده شده است. نتایج بدست آمده نشان می دهد که مدل پیشنهادی حساسیت بیشتری نسبت به تغییرات زمانی پارامتر k داشته و تغییرات طولانی مدت آن می¬تواند به عنوان معیاری از تغییر پوشش گیاهی و کاربری اراضی در طی زمان باشد. نتیجتاً در این تحقیق برای اولین بار جهت شناسایی و پیش بینی تغییرات درخصوصیات حوضه آبریز اقدام به مدلسازی تغییرات سری زمانی پارامتر k از طریق دو رهیافت شبکه عصبی- پایه شامل یک مدل شبکه عصبی ساده و یک مدل ترکیبی شبکه موجکی- عصبی wann صورت گرفته است. بر این اساس متغیر های ورودی مناسب در مدلسازی که شامل ترکیبی از پارامتر زمان تأخیر حوضه، تبخیرتعرق و دما است با استفاده از روش تابع اطلاعات مشترک mi تعیین شده است. با مقایسة دو مدل شبکه عصبی- پایه (یعنی شبکه عصبی ساده و wann)، ملاحظه می شود مدل wann بسیار کاراتر از شبکه عصبی ساده می باشد. نتایج کلی تایید کننده این مطلب است که بررسی تغییرات دراز مدت پارامتر k می تواند یک روش معقول برای ارزیابی و پیش بینی تغییر کاربری اراضی و پوشش گیاهی حوضه آبریز باشد.

در این تحقیق، یک مدل نیمه توزیعی بر اساس هیبرید مدل ولترا و سیستم های هوشمند جهت شبیه سازی فرآیند بارش- رواناب پیشنهاد و توسعه داده می شود. بدین منظور، قابلیت مدل پیشنهادی نیمه توزیعی هیبرید در شبیه سازی رویدادهای بارش- رواناب حوضه آبخیز ناورود واقع در شمال کشور (استان گیلان) مورد بررسی قرار گرفت. ابتدا حوضه آبخیز به دو زیرحوضه تجزیه شده و شبیه سازی بارش- رواناب هر کدام از آنها با مدل غیرخطی ولترا انجام و درنهایت روندیابی جریان سطحی بین زیرحوضه ها با استفاده از مدل هوشمند شبکه عصبی صورت گرفت. برای تسهیل حل مدل ولترا و کاهش پارامترهای آن از تحلیل موجک استفاده گردید. در نهایت، عملکرد مدل پیشنهادی با مدل نیمه توزیعی هوشمند (شبکه عصبی) و مدل گرده ای ولترا با استفاده از معیارهای عملکرد ضریب همبستگی، خطای زمان اوج، درصد خطای دبی پیک، ضریب کارائی، درصد خطای حجم کل و جذر میانگین مربعات خطا مقایسه گردید.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.