بهنوش فرخزاده؛ سپیده چوبه؛ حمید نوری؛ مسعود گوذرزی
چکیده
تغییر کاربری به همراه تغییر اقلیم، بهعنوان یک عامل جانبی اثرات مستقیم و غیر مستقیم بر سیلاب دارد. بنابراین، پیشبینی اثر تغییر اقلیم و کاربری اراضی بر وضعیت سیلاب و رواناب دهههای آتی، راهگشای مقابله با این پدیده خواهد بود. جهت بررسی تغییرات اقلیمی دهه 2020 حوزه آبخیز بالیقلوچای، برونداد مدل HadCM3 تحت سناریوهای A2 و B1 بهوسیله مدل ...
بیشتر
تغییر کاربری به همراه تغییر اقلیم، بهعنوان یک عامل جانبی اثرات مستقیم و غیر مستقیم بر سیلاب دارد. بنابراین، پیشبینی اثر تغییر اقلیم و کاربری اراضی بر وضعیت سیلاب و رواناب دهههای آتی، راهگشای مقابله با این پدیده خواهد بود. جهت بررسی تغییرات اقلیمی دهه 2020 حوزه آبخیز بالیقلوچای، برونداد مدل HadCM3 تحت سناریوهای A2 و B1 بهوسیله مدل آماری LARS-WG ریزمقیاس شد. نتایج نشاندهنده افزایش 8.78 تا 12.86 درصدی بارش متوسط سالانه دهه 2020 میباشد. افزایش همزمان دمای حداقل و حداکثر منطقه مطالعاتی در تمامی ماهها موجب افزایش 0.66 درجه سانتیگرادی دمای متوسط سالانه در دهه 2020 خواهد شد. پس از بررسی تغییرات کاربری اراضی در گذشته، دو سناریو جهت پیشبینی اثر تغییرات کاربری اراضی در دهههای آتی بر سیلاب منطقه طراحی شد که در سناریوی اول فرض بر ثابت ماندن وضعیت فعلی و سناریوی دوم بر فرض ادامه روند گذشته میباشد. نتایج نشاندهنده کاهش نه درصدی مراتع و افزایش پنج درصدی اراضی کشاورزی در دهههای 2020 میباشد. جهت شبیهسازی سیستم هیدرولوژیکی دهههای آتی، از مدل HEC-HMS استفاده شد. نتایج نشاندهنده افزایش دبی اوج و حجم سیلاب در ماه آوریل و کاهش آن در ماههای مارس، می و جوئیه بوده است. بهطوری که در صورت تغییر کاربری اراضی همراه با تغییر اقلیم این تغییرات شدیدتر خواهد بود.
مهدی سپهری؛ سید عباس عطاپور فرد؛ علیرضا ایلدرومی؛ حمید نوری؛ صبا گودرزی؛ محمد مهدی آرتیمانی؛ مرتضی سلگی
چکیده
برآورد دبی اوج بهعنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازههای آبی و اقدامات بیومکانیکی در حوزههای آبخیز دارد، بهطوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روشهای هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، ...
بیشتر
برآورد دبی اوج بهعنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازههای آبی و اقدامات بیومکانیکی در حوزههای آبخیز دارد، بهطوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روشهای هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، GRNN، ترکیب خوشهبندی FCM و ANFIS) دبی بیشینه رودخانه یلفان در محل ایستگاه هیدرومتری برآورد شود. به این منظور، در این دو مدل هشت متغیر که شامل بارندگی مربوط به روز وقوع سیل، بارندگیهای پنج روز قبل، دبی پایه در روز وقوع سیل و CN حوضه بهعنوان پارامترهای ورودی و دبی پیک بهعنوان خروجی در نظر گرفته شده است. سپس، با استفاده از روش هوش مصنوعی و پیش پردازش دادهها، ساختار بهینه مدلها با استفاده از دادههای ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی، به روش سعی و خطا تعیین شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه (MLP) عملکرد بهتری در برآورد دبی سیلاب نسبت به مدل ترکیبی ANFIS+FCM ،MLP+SOFM ،GRNN در حوضه یلفان دارد.