درباره این پروژه:

عنوان دقیق تر این پروژه عبارت است از:

بررسی ارتباط خشکسالی اقلیمی با افت کیفیت آب زیرزمینی، با استفاده از روش طبقه بندی پردازش گاوسی شاخص‌های SPI و GRI، به منظور صحت یابی پیش بینی بلند مدت رقوم بارش و سطح آب، به دو روش حالت ثابت زنجیره مارکف (MC) و شبکه عصبی مصنوعی پس انتشار خطا (ANN-BP).

در این مطالعه، به منظور ایجاد یک بستر تصمیم سازی و کاهش عدم اطمینان مبانی مهندسی مدیریت منابع آب، و بخصوص مدیریت بهینه منابع آب شرب زیرزمینی، از روش زنجیره مارکف و مشخصا استخراج رقوم شرایط ثابت بلند مدت اقلیمی روش MC برای دو شاخص هواشناسی SPI و آب زیرزمینی GRI، و همچنین از روش موازی شبکه عصبی مصنوعی پس انتشار (BP) در محیط کدنویسی پایتون برای دست یابی به رقوم بارش سالیانه و سطوح آب زیرزمینی در شش سال 1395 تا 1400 در 609 دشت مطالعاتی کشور ایران استفاده شد؛ سپس ارقام محاسبه شده به روش هوش مصنوعی به منظور دستیابی به پراکنش مکانی، در محیط سیستم اطلاعات جغرافیایی به همراه ارقام درصد بهینه شده روش شرایط ثابت اقلیمی زنجیره مارکف، پهنه بندی شد. از خلاصه آماری سلول های رستری نقشه های حاصله به منظور اجرای روش طبقه بندی پردازش گاوسی (GPC) تا تأیید صحت پیش بینی بهره گرفته شد. با توجه به مطالعات پیشین مبتنی بر استخراج روابط کاهش کیفیت آب در آبخوان های کشور به علت وقوع دوره های خشکسالی آب زیرزمینی (شاخص GRI) در محیط GIS با استفاده از الحاقی ArcSDM، از نتایج پژوهش اخیر به منظور پیش بینی خطر تغییر پارامترهای استاندارد شیمیایی آب شرب در سفره های زیرزمینی در دشت های کشور ایران بر پایه داده های پیش بینی خشکسالی های هواشناسی (شاخص SPI) و ارتباط آن با خشکسالی آبخوان (شاخص GRI) بهره گرفته شود. محاسبات در اینجا بر پایه رقوم حاصل از محاسبات پیشین داده های پایه بارش و سطوح آب در آبخوان و همچنین ارقام شاخص های خشکسالی آن در گستره 609 دشت کشور و در بازه 1373 تا 1394 برای حدأکثر ایستگاه های سینوپتیک و چاه های مشاهداتی آب زیرزمینی ایران بوده است. انتظار می رود در انتهای این مطالعه، با تأیید هر یک از روش های پیش بینی، آبخوان های در معرض خطر بالاتر مشخص شده و همچنین حدود مشخصی از کشور ایران که در معرض تنش های شدید خشکسالی اقلیمی بیشتری قرار دارند تشخیص داده شود. ارزیابی دو روش موازی پیش بینی با تحلیل فرآیند گاوسی امکان اعتبار یابی هر یک از موارد مذکور و در نتیجه کارایی بیشتر تصمیمات مدیران منابع آب را منجر خواهد شد.در نهایت روش محاسبات، گزارش روش و مواد بکار رفته در تحلیل ها، در قالب یک گزارش 102 صفحه ای به همراه تمام داده های محاسباتی آمده است.

 

تشریح مفاهیم کلی پروژه:

از جمله نیازهای اساسی در برنامه ریزی های پایدار منابع آب، پیش بینی مقدار آب برای بارگذاری های کشاورزی، صنعتی و شهری است. در نواحی خشک و نیمه خشک که جریانات سطحی دائمی در تغذیه منابع آب زیرزمینی چندان مطرح نمی باشد، بارش به عنوان یک پارامتر مهم در بهبود و یا در صورت وقوع خشکسالی‌ها، در افت کیفیت آب سفره ها نقش ایفا می کند. در هنگام خشکسالی‌ها، تغییر مقدار آب در دسترس، و یا کمبودهای منابع آب بهره برداری مشخصا منجر به تنش در بخشی از جامعه تولید شده که عموما این بخش، منابع آب زیرزمینی می باشند. به بیانی دیگر کمبود بارش علاوه به کاهش تغذیه سفره، به شکل تصاعدی می تواند منجر به استفاده بی رویه از ذخایر ثابت سفره ها و در نتیجه سبب تغییرات کیفیت آب در آبخوان ها گردد. از این رو، لازم است توان آبی هر منطقه در گام های زمانی مختلف برای برنامه ریزی های کارآمد از طریق روش های مناسب و مطمئن پیش بینی گردد.

بسیاری از پدیده های طبیعی و ازجمله خشکسالی، شامل عناصری هستند که آنها را نمی توان به سادگی کنترل یا پیش بینی نمود؛ اما این پیش بینی در صورتی امکان پذیر است که اطلاعاتی در مورد گذشته آنها موجود باشد. بر اساس قوانین احتمال، برخی پدیده‌های تصادفی شانس بیشتری برای وقوع دارند؛ در صورتی که شانس وقوع برخی دیگر کمتر است. همچنین، گاهی از بین n حالت ممکن، تنها یکی از حالت ها می‌تواند رخ دهد؛ در ضمن امکان رخ دادن هیچ کدام از حالت ها بر حالت های دیگر برتری ندارد. برای محاسبه شانس وقوع پیشامدها لازم است مدل مناسبی انتخاب شود. بررسی این حالات نامعین را دانش احتمال بر عهده دارد. روش های سری زمانی؛ به ویژه زنجیره مارکف، از جمله روش های پیش بینی احتمالاتی است. زنجیره مارکف با روش های ساده ریاضی(مانند ضرب آرایه‌ها) حل احتمالات مربوط به فرآیندهای وابسته را بسیار آسان نموده است. مدل زنجیره مارکف دارای دو مزیت است: اول اینکه پیش بینی ها بلافاصله پس از انجام مشاهدات قابل دسترسی هستند؛ دوم اینکه آنها پس از پردازش داده های هواشناختی به حداقل محاسبات نیاز دارند. همچنین، مرتبه کمتر زنجیره مارکف به دو دلیل ترجیح داده می شود: اول، تعداد پارامترهایی که برآورد می شود، حداقل هستند؛ بنابراین، برآورد بهتری به دست می آید. دوم، استفاده های بعدی از مدل برازش داده شده برای محاسبه دیگر کمیت ها همانند احتمالات طول دوره خشک ساده تر هست.

به موازات روش زنجیره مارکف، شبکه های عصبی مصنوعی نیز به عنوان ابزارهای جدیدی که در سیستم های غیرخطی و نامعین مطرح است؛ که روابط بین اجزا و پارامترهای سیستم‌هایی که به خوبی شناخته شده و توصیف پذیر نمی باشند، قادر به تحلیل و شبیه سازی است. پیش بینی پدیده بارندگی و تغییرات رقوم سطح آب در آبخوان ها به عنوان یک عامل اساسی افت و بهبود وضعیت کیفیت آب شرب در نواحی خشک و نیمه خشک، یکی از این نوع سیستم ها می‌باشد. شبکه عصبی مصنوعی مدل ساده شده ای از سیستم عصبی طبیعی بوده و همانند مغز با پردازش روی داده های تجربی، قابلیت یادگیری دارد. در واقع شبکه ها با انجام محاسبات روی داده های عددی یا مثال‌ها، قوانین کلی را فرا می گیرند و به همین دلیل به آنها سیستم های هوشمند گفته می شود. مزیت شبکه عصبی یادگیری مستقیم از روی داده ها بدون نیاز به برآورد مشخصات آماری آنها است. شبکه عصبی بدون در نظر گرفتن هیچ فرضیه اولیه و دانش قبلی از روابط بین پارامترهای مورد مطالعه، قادر به پیدا کردن رابطه بین مجموعه ورودی ها و خروجی ها برای پیش بینی هر خروجی متناظر با ورودی دلخواه می باشد.

کاستن از عدم اطمینان ناشی از استخراج (پیش بینی) رقوم سطح آب در آبخوان ها و مجموع بارش سالیانه به روش های آماری و به منظور ایجاد بسترهای تصمیم سازی مدیریت کلان، تنها با صحت یابی نتایج آن پیش بینی میسر است. یکی از راه های تحلیل درستی نتایج، بهره گیری از روش های موازی و همسو نظیر موارد مذکور و در امتداد آن استفاده از روش های آماری برازش توزیع به جهت کشف روند ها می باشد. روند غیر تصادفی در یک پدیده طبیعی می تواند به علل مختلف رخ دهد که در هر صورت منجر به خطا در خروجی مدل پیش بینی و در نتیجه اتخاذ تصمیمات مدیریتی سو می گردد. به عنوان یک راه حل در کشف قیاسی بهترین روش حدس مقادیر آتی از یک پدیده هیدرولوژیکی، می توان از روش طبقه بندی پردازش گاوسی استفاده کرد.

در نظریه احتمال و آمار یک فرآیند گاوسی، یک مدل آماری که در آن مشاهدات در دامنه پیوسته رخ می‌دهد، به عنوان مثال زمان و یا فضا است. در یک فرآیند گاوسی هر نقطه از فضای ورودی یک متغیر تصادفی با توزیع آماری نرمال است. علاوه بر این هر مجموعه متناهی از این متغیرهای تصادفی دارای توزیع گاوسی چند متغیره است. توزیع فرآیند گاوسی، توزیع مشترک از تمام این متغیرهای تصادفی (شمارا و نامحدود) است. فرآیند گاوسی برای مدل کردن‌های آماری مفید است، زیرا این فرآیند از مزایای ذاتی توزیع نرمال استفاده می‌کند.

 

مدیر سایت: بهزاد سرهادی

شماره تلفن: 09190622992

شناسه تلگرام مدیر سایت: SubBasin@

نشانی ایمیل: behzadsarhadi@gmail.com

(سوالات تخصصی را در گروه تلگرام ارسال کنید)

_______________________________________________________

×

 براي پيوستن به بزرگترين گروه تلگرام علوم و مهندسي آب با امکان تبادل نظر بين اعضاء کليک کنيد

کتاب کاربرد مدل QUAL2KW

کتاب کاربرد GIS در منابع آب

کتاب محاسبه سيل طرح