سیلاب ها بخشی طبیعی و اجتناب ناپذیر زندگی در سراسر جهان می باشند و پیش بینی دقیق و قابل اعتماد سیلاب عاملی تعیین کننده برای مدیریت موثر و زمان واقعی رودخانه شامل کنترل سیلاب، هشدار سیل، بهره برداری از مخازن و تعیین نظام حقوقی رودخانه ها می باشد. سه عنصر اصلی یک سیستم پیش بینی سیلاب شامل مولفه های پایش سیلاب، پیش بینی سیلاب و اعلان هشدار می باشد. بدیهی است که مدل های پیش بینی قلب تپنده یک سیستم پیش بینی بوده و تاثیری قابل توجه بر خطای پیش بینی نهایی دارد. به منظور بهبود عملکرد سیستم پیش بینی و کاستن از خطای دوره پیشبینی، محقق می تواند دو شیوه را مد نظر قرار دهد. در شیوه اول می تواند توجه خود را معطوف به اجزاء خاص در مراحل ساخت مدل کند و یا آنکه مدل را به همراه تمامی عدم قطعیت های بیشمار آن بپذیرد و سپس با تعیین رفتار خطای خروجی از طرق ممکن و اضافه کردن آن به خروجی مدل، تخمین بهتری را بدست آورد. مقصود از داده گواری یا روزآمدسازی داده ها برآوردن این هدف می باشد. در این تحقیق پس از توصیف بعضی عبارات مثل شبیه سازی به همراه یا بدون مدل روزآمدسازی و همچنین واسنجی منفرد و ترکیبی، دو مدل مختلف mike11، به عنوان مدل هیدرودینامیک، و مدل شبکه عصبی مصنوعی، به عنوان مدل داده محور، در نقش مدل های پایه جهت شبیه سازی سیلاب استفاده شده اند. علاوه بر این، سه مدل مختلف تابع انتقال، شبکه های عصبی (mlp and rbf) و فیلتر کالمن استاندارد نیز برای روزآمدسازی نتایج شبیه سازی مدل mike11 مورد استفاده قرار گرفته اند. مدل روزآمدسازی بکار رفته در mike11 یک مدل دو پارامتری تابع انتقال (u2tf) که قادر به تشخیص دو نوع خطای متفاوت بین نتایج شبیه سازی شده و مشاهده شده، شامل خطای مقدار و خطای فاز، بوده و از خطای نوع سومی که تفاوت غیریکنواخت حوالی نقطه حداکثر سیلاب است و به خطای شکل معروف است، صرفنظر می کند. این تحقیق یک مدل 3 پارامتری تابع انتقال (u3tf) را برای بهبود بخشیدن بیشتر مقادیر شبیه سازی شده حوالی نقطه حداکثر سیلاب پیشنهاد می دهد. به منظور ارزیابی و سنجش کارایی مدل های روزآمدسازی مختلف، یک مجموعه داده های با کیفیت مطلوب مورد نیاز است. از آنجایی که هدف نهایی بکارگیری مدل های روزآمدسازی بر روی شبکه آب سنجی رودخانه خشک شیراز می باشد، سعی بر آن است تا اطلاعات استفاده شده برای آزمایشات بر اساس داده های واقعی رودخانه، شامل یک بازه 20 کیلومتری رودخانه با شیب طولی 1 متر در کیلومتر باشد. بعلاوه مدل fldwav برای تولید هیدروگراف بالادست و پایین دست به صورت سری زمانی شامل 2880 نقطه به فواصل زمانی 15 دقیقه ای بکار گرفته شده است. همچنین به منظور ارزیابی انعطاف پذیری مدل روزآمدسازی پیشنهادی چهار منبع خطا شامل خطای تصادفی همبسته زمانی، جابجایی زمانی به میزان 30 دقیقه، خطای مقیاس و ضریب زبری متغیر با عمق برای تولید داده ها در نظر گرفته شده است. در ارتباط با مدل روزآمدسازی جدید ارائه شده در این تحقیق، شاخص های خطای محاسبه شده به وضوح برتری مدل 3 پارامتری را در برابر مدل 2 پارامتری نشان می دهند. علاوه بر این، واسنجی ترکیبی مدل ها باعث پایداری بیشتر پارامترهای واسنجی می گردد. همچنین مقایسه ارزیابی عملکرد مدل mike11 در ترکیب با مدل شبکه عصبی در برابر شبکه عصبی منفرد، نشانگر برتری مدل ترکیبی ، به خصوص ترکیب mike11 با شبکه عصبی mlp، در تقلید رفتار خروجی شامل مقادیر متعیّن و تصادفی می باشد. برای زمان تقدم های کوتاه نتایج فوق کاملا" قابل رقابت با نتایج مدل mike11 ترکیب شده با مدل تابع انتقال می باشد. بعد از تبدیل معادلات سن ونان به فرم معادلات حالت سیستم، فیلتر کالمن برای روزآمدسازی خروجی مدل بکار رفته است. نتایج نشان می دهند که علیرغم همسانی نتایج با شیوه های دیگر، استفاده از فیلتر کالمن باعث افزایش قابل توجه زمان محاسباتی می گردد. به طور خلاصه می توان اذعان داشت که مدل سه پارامتری تابع انتقال پیشنهادی در دو مقوله دقت و کارایی، گزینه مناسب و قابل اعتمادی برای پیش بینی سیلاب انطباق پذیر برای حوزه های آبریز در کنار هر مدل شبیه سازی هیدرولیکی و یا هیدولوژیکی می باشد. در تحقیقات آینده، بررسی کارایی مدل mike11 در ترکیب با مدل های هیدرولوژیکی مورد توجه قرار خواهد گرفت.

شبکه های عصبی مصنوعی به طور فزاینده ای برای پیش بینی پارامترها و مدیریت بهینه منابع آب در حال استفاده هستند. یکی از دلائل گرایش به این شبکه ها رفتار غیرخطی و پیچیده پارامترهای منابع آب سطحی و زیرزمینی از یکطرف و قابلیت انعطاف پذیری بالای شبکه های عصبی مصنوعی در حل اینگونه مسائل از طرف دیگر می باشد. در اکثر مقالات کار شده در این مورد استفاده از شبکه عصبی مصنوعی feedforward با الگوریتم آموزش پس انتشار مورد بررسی قرار گرفته است. در این مقاله سعی شده است از سایر شبکه های عصبی مانند شبکه های شعاع مبنا و بازگشتی جهت تخمین پارامترهای هیدرولیکی آبخوان استفاده کرده و نتایج حاصل از آن را با داده های مشاهداتی واقعی و همچنین عملکرد شبکه feedforward مقایسه نموده و کارایی شبکه های فوق را مورد مقایسه و بررسی قرار دهیم. همچنین تاثیر تغییر الگوریتم پس انتشار و استفاده از سایر الگوریتم های موجود نیز مورد بررسی و مقایسه قرار گرفته اند. در نهایت داده ها توسط تکنیک تحلیل مولفه های اصلی کاهش بعد داده شده و روند آموزش و صحت سنجی تکرار می گردد. نتایج بدست آمده بیانگر آنست که شبکه های مختلف عصبی مصنوعی و الگوریتم های مورد استفاده همگی تخمین های قابل قبولی از پارامتر های مورد نظر داشته اند و لیکن هرکدام محدودیت هایی که لازمه خصوصیات ذاتی آنهاست نیز بروز داده اند. همچنین تکنیک تحلیل مولفه های اصلی، زمان آموزش شبکه را به مقدار قابل ملاحظه ای کاهش می دهد.

آب و نقش محوری آن در حیات و فعالیت های انسان در شرایط دنیای امروز بر کسی پوشیده نیست. محدود بودن توان منابع آب در کشورمان، حفاظت، حراست و بهره برداری بهینه از آن را به منظور تأمین نیازهای آبی آیندگان طلب می کند. ضرورت مدیریت یکپارچه منابع آب در نتیجه ی افزایش رقابت در مصارف آب، رشد سریع جمعیت و بالا رفتن امید برای یک زندگی بهتر بیش از پیش احساس می شود. در راستای پیاده سازی هر چه مهم تر این مدیریت، اصلی ترین مرحله یعنی ارزیابی یکپارچه منابع آب ضرورت می یابد. ارزیابی یکپارچه سیستم های منابع آب یک بخش مهم و بایسته ی انجام مدیریت منابع آب است که به وسیله ی نشانگرها انجام می شود؛ توانایی ارائه پدیده های پیچیده در کالبد نشانگرهایی قابل درک، قابل قیاس و عینی برای ذی نفعان از یک سو و ایجاد معیارهای عینی برای تحلیل تغییرات در طی زمان و مکان ازسوی دیگر، نشانگرها را به ابزاری کارآمد برای ارزیابی پایداری محیطی و ایجاد ارتباط موثر میان ذی نفعان تبدیل نموده است. بنابراین شناخت و به کارگیری مدل های تولید نشانگر ها به منظور ارزیابی امری ضروری است. چارچوب های فیزیکی به عنوان معروف ترین چارچوب های انتخاب نشانگر که ارتباط متقابل فیزیکی میان محیط زیست و انسان و اثرات این ارتباط را مورد بررسی قرار می دهند، شناخته شده اند. از برجسته ترین مدل های چارچوب فیزیکی، می توان به مدل مفهومی dpsirاشاره کرد، مدل dpsir می تواند به عنوان یک چارچوب تحلیلی در زمینه ارزیابی مسائل منابع آب مورد استفاده قرار گیرد. این مدل امکان یک ارزیابی یکپارچه از مشکلات را بواسطه بررسی نیروهای محرک و فشارهای وارده بر محیط آبی، وضعیت منتجه محیطی و اثرات آن و نیز پاسخ های اتخاذ شده و بهم پیوستگی درونی هر یک از مولفه ها، امکان پذیر می سازد. در این تحقیق مشکل اصلی پایداری منابع آب در دشت مرودشت به عنوان یکی از قطب های اصلی کشاورزی کشور با استفاده از مدل مفهومی dpsir و ایجاد مجموعه ای از نشانگرها جهت پایش وضعیت، مورد ارزیابی قرارگرفته است. در این راستا ابتدا با شبیه سازی از یک رویکرد مشارکتی، مشکلات مربوط به منابع آب دشت شناسایی و مشکلات دارای اولویت تعیین گردید. در گام بعدی مشکل اصلی مربوط به منابع آب دشت با استفاده از مدل مفهومی dpsir تشریح و مجموعه ای از نشانگرهای پیش نویس در مطابقت با ساختار مدل، به گونه ای که بیانگر وضعیت سیستم باشد، ارائه شده است. فهرستی از معیارهای متداول در انتخاب نشانگرها تهیه و نشانگرهای پیشنهادی بر اساس یک سیستم ارزیابی با این معیارها مقایسه شده و نشانگرهایی که به بهترین شکل معیارهای انتخاب را برآورده نموده اند، به عنوان مجموعه اصلی نشانگرها شناسایی شدند. در نهایت این نشانگرها جهت پایش وضعیت منابع آبی دشت و ارزیابی روندها مورد استفاده قرارگرفت. در واقع این پژوهش از یک روش شناسی جهت شناسایی مشکلات کلیدی منابع آب و ارزیابی این مشکلات بواسطه ریشه یابی عللی که سبب بروز مشکلات شده و پیامدهایی که این مشکلات به دنبال داشته است با استفاده از نشانگرها استفاده کرده است، به گونه ای که با استفاده از آن ها از یک سو بتوان روند تغییراتی را که سبب بروز مشکلات می شوند مورد پایش قرارداده و از طرف دیگر شکاف های اطلاعاتی موجود را شناسایی نموده تا در جهت رفع آن ها اقدام گردد. بنابراین تمرکز اصلی دراین مطالعه بر فرآیند انجام شده می باشد تا اینکه روی نتایج تأکیدگردد.