چکیده
در اثر تغییرات آب و هوایی رخدادهای ناگوار اقلیمی مانند خشکسالی در بسیاری از نقاط کرهی
زمین تشدید شده است. در این تحقیق، از شبکههای عصبی مصنوعی بهعنوان ابزاری توانمند در
مدل سازی فرآیندهای غیرخطی و نامعین، بهمنظور پیشبینی سیکل خشکسالی هیدرولوژیکی در 8
ایستگاه سینوپتیک، کلیماتولوژی و هیدرومتری استان لرستان که دارای 04 سال آمار ماهانه هستند،
استفاده شد. جهت این امر ابتدا با استفاده از آمار دبی ماهانه ایستگاههای هیدرومتری، شاخص 
خشکسالی هیدرولوژیکی SDI محاسبه شد. در این تحقیق جهت مدلسازی خشکسالی 
هیدرولوژیکی، سیگنالهای اقلیمی بزرگ مقیاس بهعنوان ورودی مدل و شاخص خشکسالی SDI
بهعنوان خروجی مدل در نظر گرفته شد. برای مدلسازی 04 درصد دادهها بهعنوان دادههای
مرحله آموزش، 31 درصد بهعنوان دادههای آزمایش Ùˆ 31 درصد دادهها برای صحتسنجی مدل 
در نظر گرفته شد. شبکههای مورد استفاده از نوع پس انتشار و تابع فعال سیگموئیدی با الگوریتم
پس انتشار خطا میباشند. نتایج این تحقیق نشان داد Ú©Ù‡ مدل شبکه عصبی مصنوعی با دقت خوبی 
قادر به پیشبینی خشکسالی هیدرولوژیکی میباشد. مدل تهیه شده در ایستگاههای دره تخت Ùˆ 
ونایی به ترتیب با ضریب تبیین 88 Ùˆ 00/8 درصد دارای بیشترین Ùˆ کمترین ضریب تبیین بودند. 
عالوه بر این تحلیل حساسیت مدلهای تهیه شده نشان داد Ú©Ù‡ سیگنال اقلیمی TSA بیشترین تأثیر 
را در وقوع خشکسالی هیدرولوژیکی استان لرستان دارد. مقایسه نتایج مدل شبکهی عصبی و داده-
های مشاهداتی بر دقت Ùˆ توانایی شبکهی عصبی در پیشبینی خشکسالی هیدرولوژیکی همه 
ایستگاههای مورد مطالعه در استان لرستان داللت دارد

چکیده
براساس گزارش ھیئت بین دولتی تغییر اقلیم (IPCC)ØŒ 
گرمایش سیستم آب Ùˆ ھوا امری بدیھی است، آنچنان Ú©Ú¾ در 
حال حاضر نیز از روی داده ھای مشاھداتی، افزایش متوسط 
دمای ھوا Ùˆ اقیانوس ھا، وسعت میزان ذوب برف Ùˆ یخ ھا Ùˆ 
ھمچنین بالا آمدن متوسط سطح آب دریاھا کاملا مشھود Ù…ÛŒ 
باشد.
بھ منظور ارزیابی تغییر اقلیم شھرستان ھای استان 
لرستان Ùˆ لحاظ آن در برنامھ ریزی ھای بلندمدت Ùˆ 
استراتژیک ØŒ مطالعھ تغییر اقلیم این شھرستانھا در افق 
Û±Ù¤Û°Û° شامل سالھای Û²Û°Û±Û³ تا Û²Û°Ù¥Û° میلادی انجام گرفت. در 
این مطالعھ از داده ھای دوره آماری ۱۹۸۷ تا ۲۰۱۲
ایستگاه ھای سینوپتیک این شھرستان ھا Ùˆ ھمچنین از 
نتایج٤ مدل اقلیمی گردش عمومی جو (-HADCM - INCM-IPCM
NCCCSM )Ú©Ú¾ ھر مدل با Û³ سناریو اجرا Ù…ÛŒ شود یعنی در 
مجموع از نتایج Û±Û² سناریوی اقلیمی بھره گیری شده است. 
فرایند ریزگردانی (Downscaling) در این پروژه با 
استفاده از مدل آماری LARS-WG انجام شده است.بر 
اساس نتایج این پروژه میزان بارش Ùˆ دماھای دھھ ھای 
آتی استان نسبت بھ دوره آماری موجود روندافزایشی نشان 
Ù…ÛŒ دھند.در نھایت روند خشکسالی ھای استان با استفاده 
از شاخص SPI نیز مشخص شده است.

توجه به اهمیت آب بعنوان یک کالای اقتصادی Ùˆ اینکه در آینده جنگ بین ملل Ùˆ یا تعامل آنها بـر سـر ایـن کـالای 
اقتصادی خواهد بود از مباحث روز است. جهت برخورد صحیح با این مسـئله و پاسـخگویی بـه مشـکلات آینـدگان و
ادای دین ضرورت حداکثر استفاده از این پتانسیل طبیعی و حیاتی امری اجتناب ناپذیر است و این نیز میسر نخواهد شد
مگر با اجرای طرحهای توسعه منابع آب شامل تأمین، ذخیره و انتقال آبهای سطحی به محلهای مصرف.
(شانظری، 1384)

در فایل موجود است

در فایل موجود است

مقدمه

تشخیص نوع جریان در انتخاب روش محاسبه تراز سطح آب سیلاب Ùˆ سرعت جریان ضروری است، بنابراین در 
ادامه فصل حاضر، ابتدا مختصری در مورد انواع جریان بحث خواهد شد Ùˆ سپس روش محاسبات هیدرولیکی هر 
یک از انواع جریان تشریح میگردد. 

-1 مقدمه
پیشبینی در هیدرولوژی بهمعنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد.
پیش بینی جریان رودخانه در منابع آب از اهمیت زیادی برخوردار است و میتواند در بهینهسازی مدیریت
آبخیز و مدیریت منابع آب، بسیار مؤثر باشد. روشهای پیشبینی مختلف سعی در ارتباط بین متغیرهای مستقل
و وابسته داشته است. رابطه بین متغیرهای چرخه هیدرولوژیک و رواناب مسئله مهمی در هیدرولوژی سطحی
میباشد و معمولا چالش اصلی برای هیدرولوژیستهاست. بدین لحاظ مهمترین عوامل مؤثر در میزان رواناب
در یک منطقه بارش، دما، رطوبت، فشار و جهت باد میباشد اما به علل کمبود اطلاعات ثبت شده و نبود
دانش کافی در مورد فرآیند فیزیکی تبدیل و تأثیر این پارامترها به مقادیر جریان، مورد توجه ترین متغیر
هواشناسی در پیشبینیهای بلندمدت، مقادیر بارش و دمای هوا میباشد.