دانلود پایان نامه ارشد با موضوع رسوب معلق

No Comments

ز تئوری مجموعه‌های فازی، پرداخت. همچنین در پیش بینی رواناب از روش K – نزدیک ترین همسایه استفاده نمود. نتایج این تحقیقات نشان داد که مدل‌های تدوین شده جهت پیش بینی بارش و رواناب، در سال‌های کم آبی عملکرد بهتری نسبت به سال‌های پر آبی داشته‌اند.
محموت14 و همکاران (2007) جهت پیش بینی جریان رودخانه براساس سیستم استنتاج تطبیقی فازی عصبی (ANFIS) مدلی ارائه نمودند. در این تحقیق رودخانه مندرس15 واقع در غرب ترکیه که از مهم ترین منابع آب حوضه آبریز بزرگ مندرس است، به عنوان منطقه مورد مطالعه انتخاب شده است. در مجموع 5844 داده روزانه که از سال 1985-2000 میلادی جمع آوری شده جهت تخمین جریان مورد استفاده قرار گرفته است. نتایج حاصل نشانگر عملکرد مناسب و دقت بالای مدل در برآورد جریان رودخانه است.
اورولیوآزودو و کارلوس ربرتو16 (2008) با استفاده از قوانین فازی و مدل شماره منحنی اداره حفاظت خاک آمریکا، مدلی برای تخمین رواناب در حوضه های آبریز گرمسیری در اقیانوس اطلس ارائه نمود. ارزیابی رواناب حاصله از روش های فازی و بولین17 نشان داد که رواناب حاصل از مدل فازی نزدیکتر به مقادیر مشاهداتی است که موید مناسب بودن تئوری فازی در مدل سازی پدیده های طبیعی است.
محمت علی18 و محموت (2009) براساس سیستم استنتاج تطبیقی فازی عصبی (ANFIS) و در نظر گرفتن پارامترهای موثر در مصرف آ ب شهری شامل عوامل آب و هوایی، درجه حرارت، بارش، جمعیت ، تعداد خانوار، محصول ناخالص ملی و نرخ تورم، مصرف آب ماهیانه شهر ازمیر ترکیه را مدلسازی نمود. نتایج حاصله نشان دهنده موفقیت سیستم استنتاج تطبیقی فازی عصبی (ANFIS) برای مدلسازی مصرف آب ماهانه است.
زکریا و جان19 (2009) با توجه به اینکه در بسیاری از حوضه های در آفریقای جنوبی داده های مشاهداتی شامل جریان رودخانه، سطح آبهای زیرزمینی ، بارش باران و داده های تبخیر دارای فواصل زیادی است و قابل اعتماد نیست، جهت تهیه مدل پیش بینی جریان رودخانه لتابا20 در آفریقای جنوبی از سیستم استنتاج فازی استفاده کردند. و نتایج حاصل با معیارهای آماری ارزیابی گردید.
اوزگار21 و همکاران (2009) به بررسی دقت و صحت سیستم استنتاج تطبیقی فازی عصبی در برآورد رسوب معلق در رودخانه پرداخته اند و از اطلاعات دو ایستگاه کایلس22 و سالار کاپروسو23 ، در حوضه آبریز کیزیلیماک24 ترکیه به عنوان منطقه مورد مطالعه استفاده کردند. نتایج به دست آمده از روش سیستم استنتاج تطبیقی فازی عصبی با پارامترهای آماری نظیر جذر میانگین مربع خطاها، ضریب همبستگی ارزیابی گردید که بیانگر عملکرد مناسب مدل در برآورد رسوب معلق است.

2- 4 مروری بر تاریخچه استفاده از شاخص استاندارد شده بارش در ادبیات فنی
بناکورسو25 و همکارانش (2003) با استفاده از اطلاعات اصلاح شده بارش در 46 ایستگاه باران سنجی و همچنین اطلاعات استخراج شده از عکس های ماهواره ای به پردازش خشکسالی با شاخص معرف SPI در سیسیل ایتالیا پرداختند. این اطلاعات بر اساس بارشهای 12 ماه، 24 ماهه و 48 ماهه انجام پذیرفته است. با استفاده از این اطلاعات و روش آنالیز فاکتورهای اصلی (PCA) و فاکتورهای اصلی منتقل شده در منطقه مورد نظر به بررسی مناطق هم رفتار پرداخته و در نهایت این اطلاعات بصورت نقشه در دامنه مکان ارائه شده است.
لوکاس و وسیلیادس26 (2004) به ارائه پهنه بندی میانگین خشکسالی با گامهای زمانی متخلف و شاخص SPI در منطقه تسالی در یونان پرداختند. آنها با اطلاعات موجود در 50 ایستگاه هواشناسی و طول تقریبی 30 سال آمار به ارائه نقشه های بلند مدت خشکسالی پرداختند و احتمال خشکسالی در دوره های مختلف را بصورت میانگین بدست آوردند.
لابدزکی و بک27 (2005) با استفاده از شاخص SPI، تعداد ماه ها در هر کلاس از شرائط اقلیمی در هلند را بصورت تقشه ارائه نمودند. اهمیت این تلاش در ارائه احتمالاتی وقوع هر کلاس در منطقه مورد نظر است. تعداد ایستگاههای مورد استفاده در این تحقیق، 31 ایستگاه در در فاصله سالهای 1954 تا 1998 میلادی می باشد. نتیجه تلاش این محققین ارائه یک نمای کامل از تغییرات و وضعیت اقلیمی در هلند است.
پائولو28 و همکاران (2005) با استفاده از اطلاعات 68 سال بارش در منطقه آلنتجو در جنوب پرتقال و زنجیره مارکو به سه پرسش پاسخ دادند، الف) زمان مورد انتظار در هر کلاس از اقلیم معین شده توسط SPI، ب) احتمال هر کلاس اقلیمی، ج) زمان بازگشت هر کلاس از تغییرات اقلیمی. نتیجه اینکه مدل ساخته شده پاسخ مناسبی را برای تخمین مورد نظر بهمراه دارد.
موریا29 و همکارانش (2006) با استفاده از یک مدل لگاریتمی خطی، مقدار و احتمال وقوع خشکسالی را پیش بینی کردند. مطالعات انجام شده از دقت مناسب این روش حکایت کردند. اطلاعات استفاده شده در این تحقیق دارای طول 22-23 سال می باشد.
مشرا و دسای30 (2006) به پیش بینی شاخص خشکسالی SPI با استفاده از یک شبکه عصبی برگشتی اقدام نمود. پائولو و پریرا31 (2007) با استفاده از زنجیره مارکو و شاخص SPI به ایجاد یک مدل تصادفی هشدار خشکسالی پرداخت. وی از اطلاعات 67 ساله منطقه آجالتو در جنوب پرتقال به پیش بینی وقوع خشکسالی در سه ماه آتی پرداختند. آنها پیشنهاد تکمیل نتایج قابل قبول این مطالعات را بر اساس روشهای آتی ارائه کردند.
کانسلایر32 و همکارانش (2007) با استفاده از دو روش احتمالاتی آنالیز کوواریانس و زنجیره مارکو به پیش بینی خشکسالی در سه ماه آتی اقدام نموده و نتایج را مورد ارزیابی قرار داده اند. هر دو روش قابلیت استفاده در سیستمهای هشدار خشکسالی دار
ا می باشد. منطقه مورد مدلسازی در سیسیل ایتالیا و اطلاعات مورد استفاده همانند مرجع 13 می باشد.
دیگر تحقیق مورد استناد توسط موریا33 و همکارانش (2008) انجام پذیرفته است. اطلاعات مورد استفاده از 14 ایستگاه بارانسنجی در جنوب پرتقال می باشد و یک مدل لگاریتمی خطی استفاده شده است. در این تحقیق از اطلاعات 2 ماه و یک ماه استفاده شده است و نتایج ارزیابی تقاطعی در خود ایستگاهها مناسب ارزیابی شده است.
همانطور که در تحقیقات فوق اشاره شد استفاده از سیستم های فازی در علوم مرتبط با مهندسی آب نظیر مدلسازی خشکسالی، مدیریت مخازن، برآورد رسوب، پیش بینی هوا، پیش بینی سیلاب، فرآیند بارش- رواناب و پیش بینی جریان رودخانه، کارایی مناسبی داشته است. بنابراین استفاده منطق فازی برای توسعه یک مدل پیش بینی خشکسالی توصیه می گردد.

  منابع پایان نامه ارشد با موضوعدانش آموختگان

فصل سوم:
روش شناسی تحقیق

3- 1 مقدمه
در این فصل، ابتدا معیارهای کمی و کیفی ارزیابی شدت خشکسالی ارائه شده است. لازم بذکراست در این تحقیق، شاخص SPI به علت سادگی محاسبات، استفاده از داده های قابل دسترس بارندگی و قابلیت محاسبه برای هر مقیاس زمانی دلخواه، بعنوان مناسب ترین شاخص برای تحلیل خشکسالی هواشناسی انتخاب شده است.
در ادامه، به بررسی ارتباط آماری تغییرات متغیرهای جوی و SPI در محدوده مورد مطالعه و نحوه انتخاب مولفه های مناسب جوی به منظور پیش بینی میزان شاخص استاندارد شده بارش در هر حوضه پرداخته می شود. در انتهای این فصل شرح مختصری از مبانی روش فازی شامل توابع عضویت، عملگرها، قواعد اگر – آنگاه ، فازی سازی و غیرفازی و روشهای آن و مقایسه با منطق کلاسیک ارائه گردیده است.

3- 2 معیارهای کمی و کیفی ارزیابی بارش و خشکسالی
شدت، تداوم، گستره و فراوانی از ویژگی های خشکسالی به شمار می روند که با استفاده از شاخص های ارزیابی خشکسالی تعیین می گردند. معیارهای کمی ارزیابی خشکسالی عمدتاً بر اساس پردازش حجم وسیعی از اطلاعات بارش، برف، جریانهای سطحی و غیره تهیه می شوند و به ارائه یک تصویر کلی از فرآیند دینامیک آب در منطقه ای خاص منجر می شوند. این اطلاعات معمولا به صورت گسسته و عددی و در مقیاسهای مختلفی ارائه می شوند. بعلاوه اینکه موضوع هر یک از این نمایه ها محدوده خاصی از اطلاعات و چرخه آب را در بر دارد. در ادامه به معرفی مختصر برخی از مهمترین پارامترهای مهم در این عرصه پرداخته می شود.
3-2-1 نمایه شدت خشکسالی پالمر34 (PDSI): این شاخص در سال 1965 توسط پالمر35 ابداع شد. مفهوم اساسی این نمایه بر اساس تغییرات دما، بارش و همچنین رطوبت خاک استوار می باشد. این شاخص در مقیاس زمانی ماهیانه به کار می رود و فاکتورهای اساسی مورد نیاز به منظور محاسبه این شاخص شامل دما، بارش، رطوبت خاک و تبخیر و تعرق هستند. این نمایه امروزه بیشتر توسط ارگانهای مرتبط با مدیریت بخش کشاورزی در کشورهای مختلف جهان برای ارزیابی شدت خشکسالی زراعی استفاده می شود. عمده استفاده از این شاخص نیز در راستای تخمین و برآورد کمکهای اضطراری کشاورزی نیز می باشد. اخیراً برآورد این شاخص در سطح ملی در ایران نیز در دستور کار سازمان هواشناسی کشور قرار گرفته است. لازم به ذکر است تا کنون کاربرد این نمایه در کشور به دلیل عدم برداشت اطلاعات رطوبت خاک بسیار محدود و عمدتاً در قالب طرح های تحقیقاتی صورت گرفته است.
3-2-2 نمایه درصدی از نرمال36 (PN): این شاخص در سال 1994 توسط وایلیکی37 و همکارانش ارائه شد و مفهوم اساسی آن تقسیم بارش واقعی بر بارش نرمال می باشد و تنها فاکتور مورد نیاز جهت محاسبه آن بارش می باشد. این نمایه در مقیاس زمانی ماهیانه به کار برده می شود.
3-2-3 نمایه دهکها (Deciles): این شاخص در سال 1967 توسط گیبس38 و ماهیر39 ارائه شد. این شاخص اساساً از تقسیم توزیع احتمال وقوع آمار ثبت شده درازمدت بارش بر بخشی از هریک از ده درصد توزیع به دست می آید. تنها فاکتور مؤثر در محاسبه این شاخص بارش می باشد و مقیاس زمانی مورد استفاده در محاسبه و کاربرد این شاخص نیز مقیاس ماهیانه می باشد.
3-2-4 نمایه استاندارد شده بارش40 (SPI): این شاخص در سال 1995 توسط مک کی41 و همکارانش ارائه شد. این شاخص بر اساس تفاوت بارش از میانگین برای یک مقیاس زمانی مشخص و سپس تقسیم آن بر انحراف معیار به دست می آید وتنها فاکتور مؤثر در محاسبه این شاخص، بارندگی می باشد. این شاخص را می توان در مقیاسهای زمانی 3، 6، 12، 24و 48 ماهه محاسبه کرد.. این نمایه بدلیل اینکه فرم بدون بعد داشته و نیاز به اطلاعات گسترده ای برای محاسبه ندارد یکی از پرکاربردترین نمایه های ارزیابی خشکسالی هواشناسیاست.
3-2-5 نمایه رطوبت محصول42 (CMI): این شاخص در سال 1968 توسط پالمر ابداع شد. مفهوم این شاخص براساس میانگین دما و مجموع بارش هر هفته در یک تقسیم اقلیمی نسبت به مقادیر CMI هفته قبل استوار است و با توجه به زمان و مکان دارای ضرایب وزنی می باشد. فاکتورهای اساسی مورد استفاده در این شاخص دما و بارش می باشند و در مقیاس زمانی هفتگی به کار می رود.
3-2-6 شاخص خشکسالی احیائی43 (RDI): این شاخص در سال 1996 توسط ویهورست44 ارائه شد. این شاخص شبیه به شاخص ذخیره آب سطحی میباشد و براساس فاکتورهای اقلیمی و هواشناسی، سطح آب رودخانه، بارش برف، جریانات سطحی، ذخائر آب وهمچنین دما محاسبه می شود و در مقیاس زمانی ماهانه بکار می رود.
3-2-7 شاخص بارش مؤثر45 (ERI): این شاخص در سال 1999 توسط وایلهیت46 و بی
ون47 به عنوان جدیدترین شاخص خشکسالی در سالهای اخیر ارائه گردید. این شاخص براساس تحلیل های کمی از بارش مؤثر روزانه استوار است. بنابراین تنها عامل مؤثر در آن بارش بوده و مقیاس زمانی آن روزانه است.
با توجه به اسقبال محققین از شاخص SPI و محتوی آماری دقیق این شاخص در ارزیابی های کمی بارش و خشکسالی مبتنی برآن، این روش به عنوان روش مبنا برای بررسی و ارزیابی خشکسالی در مناطق مورد نظر (پنج حوضه آبریز طالقان، کرج، ماملو، لتیان و لار) و ارائه روشی به منظور پیش بینی بارش مورد استفاده قرار گرفته است. در ادامه به مبانی این روش اشاره خواهد شد.

  پایان نامه با کلمات کلیدیوحدت وجود

3-3 نمایه استاندارد شده بارش 48
یکی از پارامترهای معتبر در خصوص تعیین رژیم بارش، نمایه استاندارد شده بارش می‌باشد. مک‌کی49 و همکاران (1995و 1993) این پارامتر را به منظور تعریف و پایش هواشناختی بارش ارائه دادند. امروزه مرکز اقلیم کلرادو، مرکز اقلیم منطقه ای غرب ایالات متحده و مرکز ملی مبارزه با خشکسالی ایالات متحده از این شاخص برای پایش شرایط فعلی خشکسالی در ایالات متحده سود می‌برند. تام50 دریافت که توزیع گاما، چگونگی سریهای زمانی اقلیمی بارش را به خوبی بیان میکند. توزیع گاما با تابع چگالی احتمال یا تناوبش تعریف میشود. در واقع شاخص SPI معرّف مقدار عددی انحراف معیاریست که یک پدیده‌ی بارشی از میانگین دارد. این شاخص به تحلیلگر امکان تشخیص میزان و کیفیت وقوع یک حادثه خشکسالی یا یک ترسالی را در مقیاس زمانی مشخص برای هر منطقه ای با سابقه آمار تاریخی مناسب ارائه می نماید. توزیع گاما با تابع چگالی احتمال یا تناوبش تعریف میشود:
(1-3)

در عبارت فوق، پارامترهای توزیع گاما و برای مقادیر x مثبت قابل تعریف می باشند و نیز تابع گاما برای مقدار می باشد. به عنوان مثال (شکل3-1) این توزیع را با مقادیر 2= و 1= نشان می دهد. این توزیع با یک دنباله کشیده شده در سمت راست و با کران پایین صفر، آن را به تابع تناوب بارش مشابه ساخته است. در ادامه به بررسی چگونگی محاسبه این شاخص در نقطه ای فرضی
پرداخته می شود.
محاسبه شاخص مورد نظر SPI منوط به گذراندن یک تابع چگالی احتمال گاما، بر توزیع تناوب بارش کل برای یک ایستگاه مشخص است. پارامترهای و برای هر ایستگاه و در هر مقیاس زمانی (3 ماه، 12 ماه، 48 ماه و غیره) و برای هر ماه قابل محاسبه می باشد. بر اساس تحقیقات تام (1966)، راه حل مناسب به منظور تخمین پارامترهای توزیع احتمالات گاما مطابق با گام های زیر می باشد:
(3-2)
(3-3)
که در آن:
(3-4)
X مقادیر بارش و n تعداد بارش های مشاهده شده است. پارامترهای بدست آمده در مرحله بعد برای محاسبه احتمال تجمعی یک بارش مشاهده شده در زمان و مکان مورد نظر استفاده میشود. در نهایت با مشخص شدن پارامترهای مربوطه، احتمال تجمعی گاما برابر است با:
(3-5)
با قرار دادن ، معادله صفحه فوق به صورت تابع ناقص گاما و به صورت زیر معادل می گردد:
(3-6)
باید توجه داشت که تابع گاما در صفر تعریف نشده است و در صورتی که توزیع بارش مقدار صفر را در بر داشته باشد، توزیع تجمعی بصورت زیر قابل ارائه است:
(3-7)
که در آنq احتمال وقوع حالت صفر است. اگر تعداد صفرها (m) در سری زمانی بارش باشد،

دیدگاهتان را بنویسید