سازه های آبخیزداری از جمله پروژه های پر هزینه ای می باشند که با اهداف کاهش فرسایش و رسوب، و کاهش سیل خیزی در حوزه های آبخیز احداث می گردند. از آنجا که ایجاد هر گونه سازه در بستر مسیل ها می تواند در تغییر رفتار سیل موثر باشد این تحقیق با هدف بررسی تأثیر ارتفاع سازه های اصلاحی بر ویژگی های سیل و آبراهه در حوزه آبخیز گرگاندوز صورت گرفت. بدین منظور از مدل hec-ras برای شبیه سازی جریان در سناریو های بدون احداث سازه، احداث 20 سازه 5/1، 10 سازه 3 و 8 سازه 75/3 متری استفاده گردید. نتایج نشان داد تأثیر احداث سازه های اصلاحی 5/1، 3 و 75/3 متری بر کاهش دبی اوج در مقایسه با سناریوی بدون احداث سازه، در قسمت بالای بازه مورد مطالعه صفر، در قسمت میانی در حدود 1 و در قسمت پایینی به ترتیب 49/2، 8/8 و 5/17 درصد بود. همچنین تأثیر احداث سازه های 5/1، 3 و 75/3 متری نشان داد حجم سیلاب نسبت به سناریوی بدون احداث سازه به ترتیب 16/1، 1/8 و 9/13 درصد کاهش می یابد. بررسی سرعت در آبراهه نشان داد با احداث سازه های بلند تر سرعت در طول آبراهه بیشتر کاهش می یابد که نشان می دهد قدرت فرسایش جریان در آبراهه کمتر می گردد. همچنین پارامتر تنش برشی که نشان دهنده میزان اصطکاک بین جریان و آبراهه است نیز نتایج سرعت را تأیید کرده و نشان داد با افزایش ارتفاع سازه، تنش برشی کاهش می یابد. حاصل ضرب تنش برشی در سرعت جریان بیانگر قدرت حمل رسوب توسط جریان است که بررسی شرایط جریان نشان داد با احداث سازه های بلندتر قدرت حمل رسوب آبراهه کمتر گردیده است و نه تنها خسارت کمتری به آبراهه وارد می گردد بلکه باعث می شود پشت سازه زودتر از رسوب پر شده و به شیب حد برسد. در مجموع سناریو های مختلف احداث سازه های اصلاحی نشان داد با افزایش ارتفاع سازه ها تأثیر آن ها بر ویژگی های سیل و بیشتر می شود و باعث کنترل بیشتر سیل می گردد.

فرسایش خاک مهمترین مشکل تخریب زمین در سرتاسر جهان است. بنابراین بررسی فرآیند فرسایش خاک و تولید رسوب و ارزیابی عوامل حاکم بر آن از ضروریات مدیریت صحیح منابع موجود در یک حوزه آبخیز است. از طرفی فرسایش شیاری یکی از انواع مهم فرسایش آبی است و فرآیندهای تشکیل آن بسیار پیچیده است. این تحقیق به شناسایی عوامل موثر بر فرسایش شیاری و ارائه یک مدل مناسب برای پیش بینی فرسایش شیاری بین این عوامل می پردازد. نخست شیارهای آزمایشی انتخاب شد، عوامل مورفولوژیک آن ها اندازه گیری و خصوصیات خاک منطقه و درصد پوشش گیاهی تعیین شد. سپس در بخش اول تحقیق روان آب شبیه سازی شده 12 لیتر بر دقیقه به مدت 10 دقیقه با دو تیمار خشک و مرطوب در هر شیار اعمال شد. مقادیر سرعت روان آب و غلظت رسوب در طول شیار بررسی و تفسیر شد. در بخش دوم با کمک سیستم استنتاج عصبی- فازی تطبیقی، مدل بهینه برآورد غلظت رسوب فرسایش شیاری در هر دو تیمار پیشنهاد شد. نتایج نشان داد سرعت روان آب در تیمار مرطوب نسبت به تیمار خشک بیشتر است. اولین روان آب جاری شده در تیمار خشک با وجود حداقل سرعت جریان حداکثر مقدار غلظت رسوب را دارد. همچنین سرعت جریان در طول زمان و افزایش طول شیار افزایش یافت، اما توانایی حمل جریان کاهش و مقدار رسوب معلق کمتر شد. به علاوه نتایج مدل سازی غلظت رسوب نشان داد که عوامل بافت خاک و پوشش گیاهی مهمترین عوامل موثر بر فرسایش شیاری هستند. همچنین درصد شیب و تنش برشی بحرانی در تیمار خشک رابطه زیادی با فرسایش شیاری نشان دادند. عوامل درصد شیب، رس، پوشش گیاهی و تنش برشی با ضریب تبیین 697/0 غلظت رسوب را برآورد کردند. در تیمار مرطوب نیز درصد آهک عامل موثر بر فرسایش شیاری شناخته شد و همراه با درصد شن و درصد پوشش گیاهی با ضریب تبیین برابر 463/0 در این تیمار مدل شدند.

بارش یکی از مهم ترین عوامل مورد استفاده در مطالعات منابع طبیعی و منابع آب می باشد. با توجه به نوسان ها و بی نظمی های موجود در سری زمانی بارش، پیش بینی پذیری و شناخت عوامل تأثیرگذار بر فرآیند بارش دارای اهمیت است. با وجود روابط غیرخطی، عدم قطعیت و عدم صراحت زیاد و ویژگی های متغیر زمانی و مکانی در سیستم گردش آبی، هیچ یک از مدل های آماری و مفهومی پیشنهاد شده به منظور الگوسازی دقیق بارش نتوانسته اند به عنوان یک مدل برتر و توانا شناخته شوند. یکی از روش هایی که در سال های اخیر در زمینه هیدرولوژی مورد توجه قرار گرفته است، استفاده از مدل های جعبه سیاه است. در این تحقیق از هوش مصنوعی با استفاده از دو روش سیستم استنتاج عصبی- فازی (anfis) و ماشین بردار پشتیبان (svm) جهت پیش بینی بارندگی استفاده گردید. برای هر روش ذکر شده دو ورودی متفاوت شامل 1- مقادیر ماهانه دما، فشار، سرعت باد، رطوبت نسبی در ایستگاه سینوپتیک گنبدکاووس و 2- مقادیر ماهانه بارش ایستگاه های هیدرومتری ارازکوسه، بهلکه، آق قلا و تمر به منظور پیش بینی بارندگی ماهانه ایستگاه گنبدکاووس استفاده گردید. در بین ساختارهای مختلف سیستم استنباط فازی- عصبی تطبیقی تابع عضویت گوسی نوع دو با خروجی خطی و دو تابع برای هر ورودی با استفاده از ترکیب ورودی 2، عملکرد بهتری نسبت به سایر ساختارها داشته است. در این ساختار مقادیر r2 و rmse به ترتیب 87/0، 06/7 است. از طرفی ماشین بردار پشتیبان نیز با ترکیب ورودی 2 با مقادیرr2 و rmse به ترتیب 91/0، 59/5 می تواند با دقت بالایی مقدار بارش را پیش بینی نماید. تحلیل نتایج روش های هوش مصنوعی نشان داده که ماشین بردار پشتیبان با ترکیب ورودی 2 توانایی بهتر و دقت بالایی برای پیش بینی بارش داشته است.