وجود سیانوباکترها در مخازن سد لزوماً نشان دهنده سلامت یا عدم سلامت سد نیست. در حالی که سیانوباکترها بخشی طبیعی از بسیاری از اکوسیستم‌های آبی هستند، رشد بیش از حد آنها (که به آن شکوفایی جلبکی گفته می‌شود) می‌تواند مشکلاتی را ایجاد کند. برای ارزیابی سلامت سد، باید به عوامل مختلفی از جمله سطوح کلروفیل، وجود سیانوباکترها، سایر شاخص‌های کیفیت آب و همچنین عوامل محیطی مانند مواد مغذی، دما و شفافیت آب توجه کرد. نظارت منظم بر کیفیت آب و انجام اقدامات لازم برای کنترل مواد مغذی و سایر عوامل که می‌توانند منجر به شکوفایی جلبکی شوند، برای حفظ سلامت مخازن سد و جلوگیری از خطرات احتمالی برای انسان، حیوانات و اکوسیستم‌های آبی ضروری است.

در سال ۲۰۱۵، دقت مدل GFS از مدل‌های پیش‌بینی آب‌وهوای جهانی دیگر عقب افتاده بود. نمونه بارز آن، پیش‌بینی نادرست مسیر طوفان سندی توسط GFS بود که تا چهار روز قبل از رسیدن به خشکی، مسیر آن را به سمت دریا نشان می‌داد، در حالی که مدل مرکز پیش‌بینی‌های میان‌مدت هواشناسی اروپا (ECMWF)  ۷ روز قبل به درستی خشکی‌نشینی طوفان را پیش‌بینی کرده بود. گفته می‌شود دلیل افت دقت GFS، محدودیت منابع محاسباتی در سرویس ملی هواشناسی آمریکا (NWS) بود. در پاسخ به این مشکل، NWS ابررایانه‌های جدیدی را خرید که قدرت پردازش را از ۷۷۶ ترافلاپس به ۵.۷۸ پتافلاپس افزایش داد.

پیش‌بینی آب و هوا فرآیندی علمی برای تخمین شرایط جوی در آینده است. این فرآیند با استفاده از مدل‌های کامپیوتری پیچیده و داده‌های مختلف مانند مشاهدات سطحی و جوّی، داده‌های ماهواره‌ای و مدل‌های اقلیمی انجام می‌شود. پیش‌بینی آب و هوا می‌تواند برای بازه‌های زمانی مختلف از چند ساعت تا چند ماه یا حتی چند سال انجام شود. پیش‌بینی‌های کوتاه‌مدت برای برنامه‌ریزی روزمره و فعالیت‌های کوتاه‌مدت مانند سفر مفید هستند، در حالی که پیش‌بینی‌های بلندمدت برای برنامه‌ریزی‌های بلندمدت مانند کشاورزی و مدیریت منابع آب مفید هستند. در حال حاضر، تعدادی مدل پیش‌بینی آب و هوا در جهان وجود دارند که به دلیل شهرت و دقت بالا شناخته می‌شوند. برخی از مشهورترین و دقیق‌ترین مدل‌ها عبارتند از:

پیش بینی جریان آب ورودی به یک سد چه پیچیدگی هایی دارد و به چه پارامترهایی وابسته است؟ در مجموع، پیش‌بینی جریان آب ورودی به سد یک ابزار مهم برای مدیریت منابع آب، کنترل سیل، تولید برق‌آبی، تضمین ایمنی سد و توسعه پایدار منطقه است. پیش‌بینی جریان آب ورودی به سد یک فرایند پیچیده است که به عوامل مختلفی بستگی دارد. برخی از این پیچیدگی‌ها و پارامترهای وابسته عبارتند از:

انتخاب بهترین شاخص خشکسالی هیدرولوژیک به نیازهای خاص مطالعه و در دسترس بودن داده ها بستگی دارد. خشکسالی هیدرولوژیکی به کمبود آب در منابع آب سطحی و زیرزمینی مانند رودخانه ها، مخازن، سدها و دریاچه ها اشاره دارد. این نوع خشکسالی به طور مستقیم بر کیفیت و کمیت آب آشامیدنی، کشاورزی، صنعت و سایر مصارف انسانی تأثیر می گذارد. خشکسالی هیدرولوژیکی می تواند ناشی از عوامل مختلفی مانند کمبود بارندگی، افزایش تبخیر و تعرق، و تغییرات اقلیمی باشد. اما خشکسالی هواشناسی به کمبود بارندگی در یک دوره زمانی مشخص اشاره دارد. این نوع خشکسالی اولین مرحله خشکسالی است و می تواند منجر به خشکسالی هیدرولوژیکی و کشاورزی شود. خشکسالی هواشناسی می تواند ناشی از عوامل مختلفی مانند نوسانات اقلیمی، الگوهای جوی و تغییرات آب و هوایی باشد.

اگر یک منطقه بزرگ مثل یک حوضه آبریز سد برای یک دهه درگیر خشکسالی بر پایه شاخص هایی مثل SPEI تشخیص داده شود و این یک حوضه آبریز بسته باشد؛ چقدر طول میکشد تا اثرات این خشکسالی از سد از بین برود؟ یعنی کسری مخزن تا چند سال بعد از آن ممکن است بر روی سد باقی بماند؟ برای تخمین زمان لازم برای از بین رفتن اثرات خشکسالی بر سد در یک حوضه آبریز بسته، باید به چند عامل کلیدی توجه کرد:

تغییرات اقلیمی ناشی از فعالیت های انسانی به همراه عوامل استرس‌زای اجتماعی-اقتصادی آب، شدت خشکسالی را در سوریه، عراق و ایران افزایش داده است. از زمستان 2020 به بعد، منطقه بزرگی در غرب آسیا که هلال حاصلخیز را در اطراف رودخانه‌های فرات و دجله و همچنین ایران را در بر می‌گیرد، از باران‌های بسیار کم و دمای بالا رنج می‌برد. خشکسالی 3 ساله ناشی از آن اثرات شدیدی بر کشاورزی و دسترسی به آب آشامیدنی داشته است. در این منطقه خشک، بخش بزرگی از جمعیت به کشاورزی دیم، به ویژه کشاورزی گندم و دام وابسته است. در حالی که تغییرات نسبتاً زیادی در بارندگی سال به سال وجود دارد، این خشکسالی دومین بدترین خشکسالی در رکورد مشاهده شده بود که ناشی از افزایش دما بود. این در زمانی رخ داد که سایر عوامل اجتماعی-اقتصادی از جمله جنگ جاری در اوکراین با تأثیرات آن بر قیمت انرژی و مواد غذایی، و همچنین درگیری‌ها و ناآرامی‌های سیاسی، پیامدهای خشکسالی را تشدید می‌کنند.

مدیرکل دفتر تحقیق، توسعه و فناوری اطلاعات شرکت مدیریت منابع آب ایران با اعلام برگزاری یک نشست با محوریت توسعه، فراگیری و کاربرد هوش مصنوعی در صنعت مدیریت منابع آب گفت: در این نشست قرار است از نقشه راه کاربرد هوش مصنوعی در مدیریت منابع آب رونمایی شود. به گزارش پایگاه اطلاع‌رسانی وزارت نیرو(پاون)، مجتبی نوری در خصوص برنامه‌های آتی این شرکت در حوزه پژوهش اظهار داشت: در تاریخ ۴ و ۵ دی‌ماه سال جاری نشست ارائه دستاوردهای پژوهشی شرکت مدیریت منابع آب ایران و شرکت‌های زیر مجموعه برگزار خواهد شد.

مدل پیشرفته هوش مصنوعی، پیش بینی آب و هوای 10 روزه را با دقت بی سابقه ای در کمتر از یک دقیقه ارائه می دهد. آب و هوا بر همه ما تأثیر می گذارد، چه بزرگ و چه کوچک. می تواند نحوه لباس پوشیدن ما را در صبح دیکته کند، انرژی سبز به ما بدهد و در بدترین حالت طوفانی ایجاد کند که می تواند جوامع را ویران کند. در دنیای آب و هوای بسیار شدید، پیش بینی های سریع و دقیق هرگز مهمتر از این نبوده است. در مقاله‌ای که در Science منتشر شده است، GraphCast را معرفی می‌کنیم، یک مدل پیشرفته هوش مصنوعی که قادر است پیش‌بینی‌های آب و هوای متوسط را با دقت بی‌سابقه‌ای انجام دهد. GraphCast شرایط آب و هوایی را تا 10 روز قبل با دقت بیشتری و بسیار سریعتر از سیستم شبیه‌سازی آب و هوای استاندارد طلایی صنعت پیش‌بینی می‌کند - پیش‌بینی وضوح بالا (HRES)، تولید شده توسط مرکز اروپایی پیش‌بینی‌های هوای متوسط (ECMWF).

خشکسالی شدید ایران، عراق و سوریه «بدون تغییر اقلیم اتفاق نمی‌افتاد». یک مطالعه تازه نشان داده است که وقوع خشکسالی سه ساله و دمای طاقت فرسا در ایران، عراق و سوریه بدون تغییر اقلیم و گرمتر شدن زمین «تقریبا غیرممکن بود.» این بررسی را تیمی از اقلیم‌شناسان در گروه «انتساب آب و هوای جهانی» (دبلیو دبلیون اِی) انجام داده که یک ابتکار عمل جهانی برای تحلیل سریع رویدادهای شدید آب و هوایی است. براساس این مطالعه خشکسالی غرب آسیا که در ماه ژوئیه ۲۰۲۰ شروع شد عمدتا به دلیل هوای گرم‌تر از معمول و تبخیر سریع‌تر آب باران است. نویسندگان مطالعه تازه از جمله در امپریال کالج لندن می‌گویند که اگر دما بالا نرفته بود حتی نمی‌شد سه سال اخیر را خشکسالی به حساب آورد. «دبلیو دبلیو اِی» نوشت که بدون افزایش ۱.۲ درجه‌ای زمین از زمان شروع عصر صنعتی به دلیل سوزاندن سوخت‌های فسیلی، این خشکسالی که براساس معیارهای سازمان نظارت بر خشکسالی آمریکا اکنون «شدید» طبقه بندی می‌شود، شرایط «عادی» تلقی می‌شد.

با آخرین اجلاس آب دیجیتال IWA که در نوامبر برگزار می شود، Prabhushankar Chandrasekeran توضیح می دهد که چرا هوش مصنوعی و یادگیری ماشین ابزارهای ضروری برای بخش آب هستند. اجلاس دیجیتال آب IWA به آخرین پیشرفت‌ها در آب دیجیتال می‌تابد، و این فرصت را برای تامین‌کنندگان و شرکت‌ها فراهم می‌کند تا نحوه استفاده از ابزارهای دیجیتال توسط بخش آب را به اشتراک بگذارند و محیطی غنی برای بحث درباره اینکه دیجیتالی‌سازی ممکن است صنعت را به کجا ببرد، فراهم کند. چه مهارت هایی در آینده مورد نیاز خواهد بود و دنیای آب ممکن است چگونه به نظر برسد.

تالاب ها مجموعه ای از "منابع" ارزشمند را برای جامعه و محیط زیست فراهم می کنند. علاوه بر حفظ تعداد زیادی از گونه های گیاهی و جانوری، آنها می توانند کیفیت آب را بهبود بخشند. کاهش فرسایش و سیل؛ و حتی اثرات تغییرات آب و هوایی را تعدیل کند. ناگفته نماند که آنها اغلب مکان‌های زیبایی برای پیاده‌روی، پارو زدن، تماشای پرندگان و لذت بردن از فضای باز هستند. از منظر کاری که آنها انجام می دهند نگاه کنیم، ارزش تالاب ها کاملاً محسوس و در برخی موارد قابل اندازه گیری می شود. در دو قرن گذشته، ارزش تالاب‌ها چندان مورد توجه قرار نگرفته است، زیرا به روش‌های دیگری تخلیه، خاک‌ریزی، کانال‌کشی یا تخریب شده‌اند تا راه را برای مزارع، خانه‌ها، شهرها و صنعت باز کنند. از بین رفتن قابل توجه اکوسیستم های تالاب منجر به کاهش بسیاری از گونه ها، بدتر شدن کیفیت آب از جمله "مناطق مرده" در خلیج مکزیک و جاهای دیگر، آسیب بیشتر سیل و سایر مشکلات پرهزینه شده است. با احیای تالاب های گمشده، می توان این روندها را معکوس کرد و حتی بازارها را برای خدمات ارزشمند اکوسیستم آنها تحریک کرد.

سیل ویرانگر تابستان امسال در سراسر پاکستان منجر به کشته شدن بیش از 1400 نفر و زیر آب رفتن یک سوم کشور شده است. این سؤال را ایجاد می کند: کدام کشورها و جمعیت آنها در سراسر جهان در برابر خطر سیل آسیب پذیرتر هستند؟ این نقشه گرافیکی با استفاده از داده‌های یک مطالعه اخیر منتشر شده در نیچر، خطر سیل در سراسر جهان را ترسیم می‌کند و 1.81 میلیارد نفر را که مستقیماً در معرض سیل‌های 1 در 100 سال قرار دارند، نشان می‌دهد. این روش خطرات احتمالی ناشی از سیل داخلی و ساحلی را در نظر می گیرد.

داده های هیدرولوژیکی برای اطلاع از تجزیه و تحلیل سیل، و پیش بینی دقیق و مدیریت خطر سیل ضروری است. با ما همراه باشید تا در مورد چالش های مرتبط با داده های هیدرولوژیکی که می تواند بر دقت و قابلیت اطمینان مدل های هیدرولیک تأثیر بگذارد، بحث کنیم. این وبینار زنده 30 دقیقه ای چالش های اصلی مرتبط با داده های هیدرولوژیکی از جمله کیفیت، عدم قطعیت، تغییرات آب و هوا و مدیریت را پوشش می دهد. آدام پارکز دانش تخصصی و بهترین شیوه های خود را به اشتراک می گذارد و همچنین نشان می دهد که چگونه یکپارچه سازی و نوآوری این عمل را برای دسترسی بهتر و مدیریت داده های هیدرولوژیکی پیش می برد. این ارائه با پرسش و پاسخ زنده دنبال خواهد شد.

یک مطالعه جدید تأثیر تغییرات آب و هوایی را بر دسترسی به آب در یک سفره آب زیرزمینی کارستی 9000 کیلومتر مربعی در اسرائیل و کرانه باختری بررسی می‌کند و HydroGeoSphere را با یک مدل تعادل آب خاک-اپیکارست مرتبط می‌کند. مدل HydroGeoSphere در این مطالعه از قابلیت‌های دو دامنه‌ای برای بررسی نفوذ و تقسیم‌بندی بارش بر اساس پیش‌بینی‌های اقلیمی کوچک‌تر منطقه‌ای از جمله میزان بارش و نرخ تبخیر و تعرق بالقوه تا سال 2070 استفاده می‌کند. (5 سناریوی تغییر اقلیم)، نویسندگان همچنین سه سناریوی متمایز تقاضای آب زیرزمینی را در پیش‌بینی‌های آینده‌نگر در مورد دسترسی به آب گنجانده‌اند. نتایج حاکی از آن است که متوسط بلندمدت حجم تغذیه آب زیرزمینی در مقایسه با کاهش میانگین بارندگی به میزان 30 درصد، حدود 5 تا 10 درصد کاهش خواهد یافت. تأثیر کاهش‌یافته بر تغذیه، اثر ناهمگونی آشکار جریان آب زیرزمینی کارست (یعنی تغذیه ترجیحی همراه با ویژگی‌های انحلال کارست) و افزایش شدت رویدادهای بارندگی منفرد است [...]. با این حال، علیرغم کاهش نسبتاً متوسط در تغذیه، طول و شدت سالهای خشکسالی متوالی با مقادیر تغذیه کم احتمالاً افزایش خواهد یافت.

بخش 1: وارونگی فضای داده: تطبیق تاریخ، تجزیه و تحلیل عدم قطعیت و ارزیابی ارزش داده برای مدل های پیچیده

خلاصه: وارونگی فضای داده (DSI) مدتی است که وجود داشته است، اما تا حد زیادی نادیده گرفته شده است، به جز برخی در صنعت نفت. درک آن ساده و پیاده سازی آن آسان است. با این وجود، بسیار قدرتمند است.

فرض کنید که یک مدل پیچیده آب زیرزمینی با مدت زمان طولانی ساخته اید. احتمالاً شما این کار را انجام داده اید زیرا به دنبال یکپارچگی نمایش فرآیندهایی هستید که بر آب های زیرزمینی در منطقه مورد مطالعه خود تأثیر می گذارد. همین ایده‌آل باید شما را وادار کند که به دنبال یکپارچگی نمایش ویژگی‌هایی باشید که بر این فرآیندها تأثیر می‌گذارند. با این حال این ویژگی ها ناهمگن و اغلب بسیار نامشخص هستند. بنابراین آنها باید به صورت تصادفی نمایش داده شوند. نمایش تصادفی خواص هیدرولیک زیرسطحی و سایر ویژگی‌ها از تعیین کمیت عدم قطعیت‌های پیش‌بینی‌های مورد علاقه مدیریت پشتیبانی می‌کند - یک پیش نیاز ضروری برای تصمیم‌گیری آگاهانه است. با این حال، کاهش این عدم قطعیت ها از طریق تطبیق تاریخ، هنگام استفاده از یک مدل پیچیده، با مشکلات عملی شدیدی مواجه است.

این برنامه بر اساس سیستم همسان سازی داده‌های زمین جهانی ناسا (GLDAS-2.1) است که از مشاهدات آب و هوا مانند دما، رطوبت و بارندگی برای اجرای مدل سطح زمین استفاده می‌کند. این مدل تخمین می زند که چه مقدار از باران به رواناب تبدیل می شود، چه مقدار تبخیر می شود و چه مقدار به خاک نفوذ می کند. این متغیرهای خروجی که هر سه ساعت محاسبه می‌شوند، در میانگین‌های ماهانه جمع‌آوری می‌شوند و رکوردی از چرخه هیدرولوژیکی به ما می‌دهند که تا ژانویه 2000 برمی‌گردد. رطوبت خاک به اضافه برف ذخیره آب در هر مکان معین است. هر ماه که حجم ذخیره با توجه به شار آب تغییر می کند - شارژ زمانی اتفاق می افتد که بارندگی زیاد باشد، تخلیه رخ می دهد زمانی که تبخیر و تعرق و رواناب بیشتر باشد. 

سایت ارائه آمار و گزارش منابع آب کشور به آدرس www.NWDI.wrm.ir که توسط دفتر اطلاعات و داده های آب کشور در شرکت مادرتخصصی مدیریت منابع آب ایران توسعه یافته است اکنون در دسترس قرار گرفته است. از اهداف اساسی این سایت ارائه آمار خلاصه به صورت گرافیکی در قالب نمودار، جداول و تصاویر (نقشه) از آخرین وضعیت منابع آب کشور، شامل آب های سطحی و زیرزمینی، بدنه های آبی و تاسیسات انسان ساختی (سدها و...) است. همچنین بخش هایی در این سایت به منظور نمایه سازی شاخص های پیش بینی بارش و خشکسالی در کوتاه و بلند مدت ارائه شده است. تمام محتوای این سایت به صورت خودکار بروزرسانی می شود و امکان گزارش گیری از محتوای آن میسر می باشد.

ورود به NWDI

مدیریت پایدار چرخه آب در زمینه تغییرات آب و هوا و گرم شدن زمین بسیار مهم است. این شامل مدیریت چرخه‌های آب جهانی، منطقه‌ای و محلی - و همچنین چرخه‌های آب شهری، کشاورزی و صنعتی - برای حفظ منابع آب و روابط آنها با انرژی، غذا، اقلیم‌های کوچک، تنوع زیستی، عملکرد اکوسیستم و فعالیت‌های انسانی است. مدلسازی هیدرولوژیکی برای دستیابی به این هدف ضروری است، زیرا برای مدیریت منابع آب و کاهش بلایای طبیعی ضروری است. در دهه های اخیر، استفاده از تکنیک های هوش مصنوعی (AI) در هیدرولوژی و مدیریت منابع آب پیشرفت های قابل توجهی داشته است. در مواجهه با عدم قطعیت آبی-ژئو-هواشناسی، روش‌های هوش مصنوعی ثابت کرده‌اند که ابزار قدرتمندی برای مدل‌سازی دقیق فرآیندهای هیدرولوژیکی پیچیده و غیرخطی و استفاده مؤثر از منابع داده‌های دیجیتال و تصویربرداری مختلف، مانند گیج‌های زمینی، ابزار سنجش از دور، و در اینترنت اشیا (IoT) است. سیزده مقاله تحقیقاتی منتشر شده در این شماره ویژه کمک قابل توجهی به مدل‌سازی هیدرولوژیکی بلندمدت و کوتاه‌مدت و مدیریت منابع آب تحت محیط‌های متغیر با استفاده از تکنیک‌های هوش مصنوعی همراه با ابزارهای تحلیلی مختلف می‌کنند. این مشارکت‌ها که شامل پیش‌بینی هیدرولوژیکی، کنترل ریزاقلیم و سازگاری با آب و هوا می‌شود، می‌تواند تحقیقات هیدرولوژیکی را ارتقا دهد و سیاست‌گذاری را به سمت مدیریت پایدار و یکپارچه منابع آب هدایت کند.