مدل‏های پیش‏بینی صحیح و قابل اطمینان تراز آب زیرزمینی برای مدیریت منابع آب اهمیت دارند. در سال‏های اخیر استفاده از تحلیل موجک برای تجزیه سری‏های زمانی و ترکیب آن با شبکه‏های عصبی به صورت گسترده‏ای در مدل‏سازی پدیده‏های هیدرولوژیکی به کار رفته‏است. در پژوهش حاضر کاربرد مدل‏های شبکه عصبی، ترکیبی شبکه عصبی- موجک و رگرسیون خطی چندمتغیره در پیش‏بینی تراز آب زیرزمینی هفت حلقه پیزومتر واقع در دشت قم بررسی شده است. سه نوع مدل سازی با سه گروه از پیزومترها انجام شد. ابتدا پیزومترهای 1، 2 و 3 مورد بررسی قرار گرفت و از داده‏های سری زمانی تراز آب زیرزمینی ماهانه به مدت ده سال به عنوان ورودی مدل ها استفاده شد. مدل ترکیبی شبکه عصبی- موجک که از روش جمع زیرسری‏ها استفاده می کند، توانست پیش‏بینی قابل قبولی از تراز آب زیرزمینی تا 12 ماه آینده ارائه دهد؛ در حالی که پیش‏بینی مدل های شبکه عصبی و رگرسیون خطی چندمتغیره رضایت بخش نبود. برای مدل سازی پیزومترهای 4 و 5 از داده های بارندگی ماهانه نیز استفاده شد. پیش‏بینی 12 ماه آینده با مدل ترکیبی شبکه عصبی- موجک نشان داد خطای این مدل در مقایسه با مدل شبکه عصبی به میزان 30 و 23 درصد و در مقایسه با مدل رگرسیون خطی چندمتغیره 37 و 51 درصد به ترتیب برای پیزومترهای 4 و 5 کمتر است. نتایج نشان داد بارندگی اثر قابل توجهی روی تغییرات تراز آب زیرزمینی این دو پیزومتر ندارد؛ اگرچه در زیرسری‏های جزئیات حاصل از تجزیه موجکی، استفاده از بارندگی باعث بهبود نتایج شد. سپس توانایی مدل های ترکیبی موجک- شبکه عصبی تأخیر زمانی و موجک- رگرسیون برای پیش‏بینی یک ماه آینده تراز آب زیرزمینی پیزومترهای 6 و 7 ارزیابی شد. داده‏های استفاده شده برای تشکیل این مدل ها فقط تراز آب زیرزمینی ماهانه به مدت ده سال ‏بود. مدل ترکیبی شبکه عصبی- موجک با استفاده از موجک مادر meyer با دو سطح تجزیه، توانست یک ماه آینده را با ضریب های نش 993/0 و 974/0 به ترتیب برای پیزومترهای 6 و 7 پیش بینی کند. این مقادیر برای مدل ترکیبی موجک- رگرسیون به ترتیب 989/0 و 978/0 بود.

چکیده: سیلاب فاجعه بارترین حادثه طبیعی در کره خاکی ماست. این حادثه طبیعی را میِِ توان از دو دیدگاه مهار و مدیریت سیلاب بررسی کرد.مدیریت مقوله ای فراتر از مهار وکنترل سیلاب می باشد. با توجه به تجربیات جهانی مهار کامل سیلاب امری غیر ممکن است، وباید در مدیریت سیلاب سرمایه گذاری کرد. مدیریت غیر سازه ای بخشی از مدیریت سیلاب است که در آن برای مقابله با سیلاب سازه ای احداث نمی شود. از جمله بخش های مدیریت غیر سازه ای سیلاب پیش بینی زمان وقوع سیلاب و همچنین تعیین پارامترهای مربوط به آن مانند عمق سیل، سرعت جریان در نقاط مختلف و تعیین پهنه ی سیل گیر احتمالی در نقاط مختلف می باشد. در این تحقیق سعی شده است با استفاده از سیستم اطلاعات جغرافیایی(gis) پهنه بندی سیلاب در منطقه مورد مطالعه بررسی شود. برای این منظور با اخذ توپوگرافی منطقه با مقیاس 25000/1 و تعیین مسیر دقیق رودها از تصاویر ماهواره ای برای ورود بهgis انجام شد، سپس در محیط gis پردازش اولیه بر روی اطلاعات صورت گرفت و سیستم مختصات لایه ها تعریف شد، در مرحله بعد با استفاده از اکستنشنarchydro، مرز کلی حوضه و زیر حوضه های موجود و بسیاری از پردازش های دیگر انجام شد و با استفاده از اطلاعات استخراج شده tin، dem، نقشه میانگین شیب برای هر حوضه، نقشه آبراهه ها و نقشه جهت آبراهه ها تعیین شد و سپس با استفاده از اکستنشن hec-geo-rasاطلاعات مورد نیاز برای نرم افزار hec-rasشامل river center line، bank river، flow path، xs-cutline ، ineffective area و obstruction محاسبه شد. سپس با استفاده از نقشه کاربری ارضی مقادیر ضریب مانینگ وگروه های هیدرولوژیک خاک و همچنین نقشه توزیع شماره منحنیدر زیر حوضه ها و درصد مساحت هر کاربری در هر زیر حوضه مشخص گردید و به دنبال آن با انتقال اطلاعات بهhec-ras و وارد نمودن مقادیر ضریب زبری مانینگ در هر یک از مقاطع عرضی و تعریف آبراهه ها و سرشاخه های ورودی به رود اصلی و همچنین تعریف شرایط مرزی مدل hec-ras در شرایط ماندگار اجرا گردید. سپس با انتقال مدل به نرم افزارarc gis پردازش های لازم انجام گردید وبا هم پوشانی لایه های مختلف در gis از جمله لایه های عمق و سرعت در حالت های مختلف به بررسی مناطق خطرناک در هنگام سیل پرداخته شد و سپس با هم پوشانی لایه کاربری اراضی و لایه های عمق و سرعت، انواع کاربری هایی که در معرض خطر سیلاب قرار دارند مشخص شدند.

در بسیاری از مناطق، استخراج بی¬رویه و خارج از قاعده آب¬های زیرزمینی که معمولاً به مراتب بیش از میزان تغذیه آن می¬باشد، اثرات جانبی زیان¬بار فراوانی از جمله کاهش سطح آب زیرزمینی، خشک شدن چاه¬ها، کاهش آب و یا خشک شدن قنات، چشمه¬ها و نهرها، تنزل کیفیت آب، افزایش هزینه پمپاژ و نشست زمین را در پی خواهد داشت. با وجود انعطاف¬پذیری شبکه¬های عصبی در پیش¬بینی سری¬های زمانی هیدرولوژیکی، گاهی این شبکه¬ها در پیش¬بینی سری¬های زمانی به شدت نا ایستا و ناپایدار با مشکل مواجه می¬شوند. در این حالت اگر هیچگونه پردازشی بر روی داده¬ها صورت نگیرد شبکه قادر به پیش¬بینی و حل مسئله نخواهد بود. آنالیز موجکی را می¬توان در تجزیه یک سری زمانی مشاهده¬ای (از قبیل تراز آب زیرزمینی) به مولفه¬های مختلف، مورد استفاده قرار داد، به¬گونه¬ای که سری زمانی جدید می-تواند به عنوان ورودی شبکه عصبی استفاده شود. هدف از انجام این تحقیق مدل¬سازی تراز آب زیرزمینی حوضه آبریز شریف¬آباد با بهره¬گیری از مدل ترکیبی آنالیز موجک – شبکه عصبی می¬باشد. از داده¬های ماهانه تراز آب زیرزمینی 9 حلقه چاه مشاهده¬ای واقع در حوضه آبریز شریف¬آباد استان قم در مدل¬سازی استفاده شده است. دو معیار ریشه خطای مربع متوسط (rmse) و ضریب کارایی نش- ساتکلیف (e)، جهت مقایسه نتایج حاصل از مدل هیبرید آنالیز موجک- شبکه عصبی (wnn)، مدل رگرسیون خطی چند متغیره (mlr) و مدل شبکه عصبی مصنوعی (ann)، استفاده شده است. نتایج مطالعه نشان داده است که مدل پیشنهادی، پیش¬بینی دقیقتری را برای تراز آب زیرزمینی ماهانه، نسبت به دو مدل ann و mlr فراهم می¬نماید؛ به طوری که دقت مدل¬های ترکیبی wnn حدوداً 17 تا 60 درصد افزایش داشته است. ارزیابی نتایج مدل¬ها نشان داده است که آنالیز موجکی قادر است که نتایج مدل شبکه عصبی را تا حد قابل¬ملاحظه¬ای بهبود بخشد.

کیفیت آب¬های سطحی یک عامل موثر در سلامتی انسان و سیستم¬های زیست محیطی، به خصوص در مناطق شهری می¬باشد. چون رودخانه¬ها با عبور از شهر¬ها بسیاری از آلاینده¬های رها شده از فاضلاب¬های خانگی و صنعتی و پساب¬های کشاورزی را دریافت می¬کنند. بنابراین، وجود اطلاعات قابل اعتماد در مورد روند کیفیت آب، برای مدیریت آب موثر است. در مناطق نیمه¬خشک مانند ایران که با مشکلات کمبود آب به ویژه در مناطق پرجمعیت (به علت رشد سریع جمعیت) روبرو می¬باشد، مدیریت آب ضرورت بیشتری می¬یابد. در سال¬های اخیر ، به منظور افزایش دقت پیش¬بینی¬های هیدرولوژیکی، برخی از مدل¬های ترکیبی پیشنهاد شده است. این روش¬های جدید از ترکیب ویژگی محلی¬سازی تبدیل موجک و توانایی خود یادگیری شبکه¬های عصبی استفاده می¬کند. تبدیل موجک یک ابزار ریاضی می¬باشد که اطلاعات پنهان سری¬های زمانی را آشکار می¬کند و نمایشی کوتاه¬تر از داده¬های اصلی سری¬های زمانی را فراهم می¬کند. تحقیق حاضر یک کاربرد جدید از ترکیب شبکه عصبی و موجک می¬باشد که از سیگنالی چندمقیاسه برای پیش¬بینی پارامترهای کیفی آب رودخانه¬ها استفاده می¬کند. در تحقیق حاضر، یک روش جدید بر مبنای ترکیب موجک و شبکه عصبی، که ویژگی¬های فضایی و زمانی سری¬های زمانی کیفیت آب را درنظر می¬گیرد، پیشنهاد می¬شود. مدل¬های مطالعه شده در این تحقیق، عبارتند از: مدل شبکه عصبی اتورگرسیو غیرخطی، شبکه عصبی – موجک (جمع زیرسری¬های موثر – تأخیر زیرسری¬ها – زیرسری¬ها)، رگرسیون خطی چندمتغیره و ترکیب موجک و رگرسیون خطی. نتایج این تحقیق نشان داد که عملکرد مدل¬های شبکه عصبی به ویژه مدل جمع زیرسری¬های موثر بهتر از دیگر مدل¬ها می¬باشد. علاوه بر این، مدل¬های هوشمند بخوبی توانستند پدیده هیسترزیس را در پارامترهای سولفات و نسبت جذب سدیم شبیه¬سازی کنند، درحالیکه روش¬های خطی در شبیه¬سازی آن ناتوان بودند.

آب های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده تامین آب شرب و کشاورزی مطرح بوده است. مدل های قابل اطمینان جهت پیش بینی سطح آب زیرزمینی می توانند در مدیریت بهینه استفاده از منابع محدود آب زیرزمینی کمک شایانی نمایند. در این پژوهش توانایی شبکه عصبی مصنوعی و موجک و زمین آمار برای پیش بینی یک ماه آینده تراز آب زیرزمینی در نقاط مشخصی از دشت مشهد مورد ارزیابی قرار گرفته اند. داده های مورد استفاده جهت مدل سازی تنها شامل تراز آب زیرزمینی ماهانه ده پیزومتر واقع در اطراف شهر مشهد و به مدت 10 سال می باشد. ابتدا به مدل سازی تراز آب زیرزمینی به وسیله دو مدل شبکه عصبی و مدل ترکیبی شبکه عصبی- موجکی پرداخته شد. مقایسه نتایج این دو مدل نشان داد، مدل ترکیبی شبکه عصبی- موجکی با میانگین ضریب انطباق 0/83 ، میانگین قدر مطلق خطا 0/27 و جذر میانگین مربعات خطا 0/34 برای ده پیزومتر نتایج بهتری را نسبت به روش شبکه عصبی نشان می دهد. از این رو از مدل ترکیبی شبکه عصبی- موجکی جهت پیش بینی زمانی منطقه مورد مطالعه استفاده شده است. با استفاده از نتایج بخش پیش بینی زمانی، به پیش بینی مکانی تراز آب زیرزمینی به وسیله زمین آمار پرداخته شد. با توجه به نتایج بدست آمده در این بخش، مدل کروی مناسب ترین برازش را بر نیم تغییرنمای بدست آمده نشان داد. با مقایسه نتایج در بخش انتخاب بهترین روش میان یابی، نمودار روش کریجینگ با ضریب همبستگی 0/70 بهترین نتیجه را مشخص کرد. در انتها نیز با استفاده از روش زمین آمار نقشه های تراز آب زیرزمینی منطقه در دوره زمانی مورد مطالعه تهیه و با نتایج بدست آمده از پیش بینی زمانی و مکانی برای یک ماه آینده مقایسه گردید. نتایج بدست آمده حکایت از کاهش چشمگیر تراز آب زیرزمینی در منطقه مورد مطالعه دارد که نشان از برداشت بیش از حد از منابع آب زیرزمینی این منطقه است.

در طول یکصد سال گذشته، علت حدود 32 درصد از تخریب های گزارش شده در سدهای خاکی، پدیده تراوش و نشت از قسمت های مختلف بوده است. از اینرو بررسی و پیش بینی تغییرات تراوش در سدهای خاکی می بایست مورد توجه قرارگیرد. جهت تحقق این امر مدل های مختلفی در زمینه تخمین تراوش مورد استفاده قرار می گیرد، پیش بینی دقیق سری زمانی و یافتن مدلی که هرچه دقیق تر بتواند تراوش را تخمین بزند انگیزه محققان برای توسعه مدل های نو و کاربردی تر در زمینه تراوش در سدهای خاکی می باشد. یکی از روش هایی که در سالهای اخیر در زمینه پیش بینی میزان تراوش مورد توجه قرارگرفته، استفاده از شبکه های عصبی مصنوعی به عنوان روشی نوین و موثر در زمینه آنالیز سری های زمانی و مدل سازی است، همچنین تلفیق منطق فازی با شبکه عصبی منجر به ساخت مدل های نوینی تحت عنوان نروفازی شده است که کارایی بالایی در مدل سازی های مختلف داشته است. تحقیق حاضر به بررسی کارایی شبکه عصبی مصنوعی در مدل سازی تراوش در سدهای خاکی می پردازد، در این پژوهش داده های تراوش سنجی سد خاکی 15 خرداد به عنوان مطالعه موردی، برای ساخت و بررسی عملکرد مدل های شبکه عصبی و نروفازی استفاده شده است، در این پایان نامه یک مدل رگرسیون چند متغیره با خروجی تراوش و با سه ورودی (شامل آورد مخزن سد، سطح مخزن و تراز مخزن) ساخته و مورد آزمایش قرارگرفت، سپس برای تعیین میزان حساسیت مدل ها به ورودی های مختلف سه مدل جداگانه با حذف ترتیبی ورودی ها، ساخته و آزمایش گردید، نتایج نشان دهنده اهمیت بالای پارامترهای ورودی با ترتیب، آورد، تراز و سطح مخزن می باشد. سپس مدل سری زمانی تراوش ساخته و به کمک آن تراوش در یک بازه یک ماهه پیش بینی و با داد های واقعی مقایسه گردید. در این پژوهش برای اولین بار از مدل های ترکیبی نروفازی در پیش بینی پدیده تراوش استفاده شده است. نتایج مقایسه های انجام شده در این مطالعه نشان دهنده برتری مدل های هیبریدی نروفازی نسبت به سایر مدل ها، در تخمین پدیده تراوش می باشد.

آب های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده تامین آب شرب و کشاورزی مطرح بوده است. مدل های قابل اطمینان جهت پیش بینی سطح آب زیرزمینی می توانند در مدیریت بهینه استفاده از منابع محدود آب زیرزمینی کمک شایانی نمایند. در این پژوهش توانایی شبکه عصبی مصنوعی و موجک و زمین آمار برای پیش بینی یک ماه آینده تراز آب زیرزمینی در نقاط مشخصی از دشت مشهد مورد ارزیابی قرار گرفته اند. دادههای مورد استفاده جهت مدل سازی تنها شامل تراز آب زیرزمینی ماهانه ده پیزومتر واقع در اطراف شهر مشهد و به مدت 10 سال می باشد. ابتدا به مدل سازی تراز آب زیرزمینی به وسیله دو مدل شبکه عصبی و مدل ترکیبی شبکه عصبی- موجکی پرداخته شد. مقایسه نتایج این دو مدل نشان داد، مدل ترکیبی شبکه عصبی- موجکی با میانگین ضریب انطباق 0/83، میانگین قدر مطلق خطا 0/27 و جذر میانگین مربعات خطا 0/34 برای ده پیزومتر نتایج بهتری را نسبت به روش شبکه عصبی نشان می دهد. از این رو از مدل ترکیبی شبکه عصبی- موجکی جهت پیش بینی زمانی منطقه مورد مطالعه استفاده شده است. با استفاده از نتایج بخش پیش بینی زمانی، به پیش بینی مکانی تراز آب زیرزمینی به وسیله زمین آمار پرداخته شد. با توجه به نتایج بدست آمده در این بخش، مدل کروی مناسب ترین برازش را بر نیم تغییرنمای بدست آمده نشان داد. با مقایسه نتایج در بخش انتخاب بهترین روش میان یابی، نمودار روش کریجینگ با ضریب همبستگی 0/70 بهترین نتیجه را مشخص کرد. در انتها نیز با استفاده از روش زمین آمار نقشه های تراز آب زیرزمینی منطقه در دوره زمانی مورد مطالعه تهیه و با نتایج بدست آمده از پیش بینی زمانی و مکانی برای یک ماه آینده مقایسه گردید. نتایج بدست آمده حکایت از کاهش چشمگیر تراز آب زیرزمینی در منطقه مورد مطالعه دارد که نشان از برداشت بیش از حد از منابع آب زیرزمینی این منطقه است.