Journal of Water and Soil Science
علوم آب و خاک
jwss
Agriculture
http://jstnar.iut.ac.ir
0
user
2476-3594
2476-5554
10.47176/jwss
fa
jalali
1396
3
1
gregorian
2017
6
1
21
1
online
1
fulltext
fa
بهینه یابی برآورد میزان رسوب معلق در مناطق خشک مطالعه موردی: حوضه فخرآباد مهریز (یزد)
Determination of the Optimal Method to Estimate the Suspended Sediment Load in Arid Regions. Case Study: Fakhrabad basin of Mehriz (Yazd)
عمومی
Ggeneral
پژوهشي
Research
<p dir="RTL" style="text-align: justify;">فرسایش خاک، بی ­شک یکی از مهمترین مسائل و مشکلات موجود در عرصه های طبیعی کشور است و آثار مخربی در اکوسیستم ­های مختلف به جای می­گذارد. با توجه به اینکه محاسبه مقادیر رسوب از طریق ایستگاه های رسوب سنجی و اندازه ­گیری­ های مستقیم فرسایش فرایندی هزینه­ بر و مشکل است، یافتن روش<span dir="LTR">­</span>هایی برای برآورد دقیق میزان رسوبدهی حوضه­ های آبخیز بویژه در مناطق خشک و فراخشک به دلیل شرایط حساس اکولوژیکی ضروری می نماید. یکی از روش هایی که تا به امروز در این مناطق نسبت به سایر روش های برآورد رسوب بیشتر مورد استفاده قرار گرفته است روش های رگرسیونی سنجه رسوب می باشد. لذا در این تحقیق مقادیر رسوب مشاهداتی 48 واقعه (دبی و رسوب متناظر) در یک دوره 23 ساله حوضه فخرآباد- مهریز با مقادیر برآوردی از روش های سنجه چند خطی، حد وسط دسته ­ها، منحنی سنجه حد وسط دسته­ ها با ضریب اصلاحی <span dir="LTR">QMLE</span>، <span dir="LTR">SMEARING</span> و ضریب اصلاحی <span dir="LTR">FAO</span> و همچنین با نتایج حاصل از روش شبکه عصبی مصنوعی (<span dir="LTR">ANN</span>) مورد مقایسه قرار گرفته و صحت هر یک از این روش­ها مورد آزمون قرار گرفت. بررسی حاصل از آزمون های مجذور میانگین مربع خطا ها (<span dir="LTR">RMSE</span>)، ضریب تبیین (<span dir="LTR">R<sup>2</sup></span>) و معیار ناش (<span dir="LTR">ME</span>) کارایی بالاتر روش شبکه عصبی (<span dir="LTR">ANN</span>) را نسبت به سایر روش های مذکور نشان دادند. نتایج آزمون­ های مذکور برای روش شبکه عصبی مصنوعی به عنوان روش بهینه به ترتیب 3/203، 86/0 و 66/0 را نشان دادند. نتایج حاصل مبین این است که در استفاده از هر روشی برای برآورد رسوب معلق جریان در مناطق خشک و فراخشک به دلیل ماهیت داده های مشاهداتی و همچنین رژیم خاص جریان ها که اغلب به صورت موقت و فصلی می باشند باید جانب احتیاط را رعایت نمود. در عین حال بررسی نتایج این تحقیق گویای انعطاف­پذیری بالاتر مدل­ های شبکه عصبی مصنوعی است که آنها را به ابزار مناسبی جهت مدلسازی در شرایطی که با فقر داده مواجه هستیم مبدل می سازد<span dir="LTR">.</span> </p>
<p style="text-align: justify;">Soil erosion is undoubtedly one of the most important problems in natural areas of Iran and has destructive effects on different ecosystems. Considering that calculation of the sediment rate in sediment stations and direct measurements of erosion process is costly and difficult, it is critical to find ways to accurately estimate the amount of sediment yield in catchments especially in arid and hyper arid areas because of their high ecological sensitivity. One of the most commonly used methods in these areas is the sediment rating regression method. Therefore, in this study sediment observed data for 48 events (the corresponding discharge and sediment) in a 23-year period from Fkhrabad basin (Mehriz) were compared to the estimated data obtained from Multi-line rating method, extent middle class, middle class rating curve with correction factor QMLE, SMEARING correction coefficient FAO and Artificial Neural networks (ANNs). Finally, the accuracy of these methods were assessed using different evaluation criteria such as Root Mean Square Error (RMSE), coefficient of determination (R2) and the standard Nash (ME). Results showed that ANN outperformed the other methods with the RMSE, R2 and ME of 203.3, 0.86 and 0.66, respectively. The results suggest that these methods should be used cautiously in estimating the suspended sediment load in arid and hyper arid regions due to the nature of the observed data and temporal and seasonal flow systems in these regions. It was also indicated that the artificial neural network models have higher flexibility than other methods which makes them to be useful tools for modeling in poor data conditions.<span dir="RTL"></span><br>
</p>
منحنی سنجه رسوب, مدلسازی, ضرائب اصلاحی, شبکه عصبی مصنوعی
Sediment rating curve, Modeling, Correction coefficients, Artificial neural Networks
113
125
http://jstnar.iut.ac.ir/browse.php?a_code=A-10-2975-2&slc_lang=fa&sid=1
M.
Hayatzadeh
مهدی
حیات زاده
mhayatzadeh@gmail.com
000319475328460026614
000319475328460026614
Yes
1. Dept. of Watershed Management, Faculty of Agric. and Natural Resour., Ardakan Univ., Ardakan, Iran.
1. گروه آبخیزداری دانشکده کشاورزی و منابع طبیعی ، دانشگاه اردکان
M. R.
Ekhtesasi
محمدرضا
اختصاصی
mr_ekhtesasi@yazd.ac.ir
000319475328460026615
000319475328460026615
No
2. Dept. of Watershed Management, Faculty of Natural Resour. and Desert Studies, Yazd Univ., Yazd, Iran.
2. گروه آبخیزداری دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد
H.
Malekinezhad
حسین
ملکی نژاد
hmalekinezhad@yazd.ac.ir
000319475328460026616
000319475328460026616
No
2. Dept. of Watershed Management, Faculty of Natural Resour. and Desert Studies, Yazd Univ., Yazd, Iran.
2. گروه آبخیزداری دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد
A.
Fathzadeh
علی
فتح زاده
afathzadeh@yazd.ac.ir
000319475328460026617
000319475328460026617
No
1. Dept. of Watershed Management, Faculty of Agric. and Natural Resour., Ardakan Univ., Ardakan, Iran.
1. گروه آبخیزداری دانشکده کشاورزی و منابع طبیعی ، دانشگاه اردکان
H. R.
Azimzadeh
حمیدرضا
عظیم زاده
hazimzadeh@yazd.ac.ir
000319475328460026618
000319475328460026618
No
3. Dept. of Environmental Sci., Faculty of Natural Resour. and Desert Studies, Yazd Univ., Yazd, Iran.
3. گروه محیط زیست دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد