هواشناسی کشاورزی
مهدی امیرآبادی زاده؛ مهدیه فروزانمهر؛ مصطفی یعقوب زاده؛ سعیده حسین ابادی
چکیده
افزایش غلظت گازهای گلخانهای در اتمسفر باعث تغییرات زیادی در مؤلفههای اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالش‌های بشر در بهره‌برداری و مدیریت منابع آب است، همچنین شرایط کنونی آب و هوای جهانی نشان دهنده افزایش خطرات ناشی از پدیده خشکی در بسیاری از ...
بیشتر
افزایش غلظت گازهای گلخانهای در اتمسفر باعث تغییرات زیادی در مؤلفههای اقلیمی کره زمین شده است که این تغییرات در پارامترهای اقلیمی به صورت افزایشی یا کاهشی است. امروزه تغییر اقلیم یکی از چالش‌های بشر در بهره‌برداری و مدیریت منابع آب است، همچنین شرایط کنونی آب و هوای جهانی نشان دهنده افزایش خطرات ناشی از پدیده خشکی در بسیاری از مناطق جهان در آینده است. مدل‌های گردش کلی جوی یکی از مهم‌ترین و پرکاربردترین روش‌ها در مطالعات تغییرات اقلیمی در مقیاس منطقهای میباشد. یکی از اولویتهای اصلی ریزمقیاس‌نمایی آماری انتخاب پیش‌بینی‌کنندهها به عنوان ورودی به مدل ریزمقیاس‌نمایی در پژوهش میباشد. برای انتخاب پیشبینیکنندههای مهم از بین 26 متغیر جو بالا، از چهار الگوریتم یادگیری ماشین شامل لاسو، ستیغی، GBM، SPSA در ریزمقیاس‌نمایی آماری دمای بیشینه در ایستگاه بیرجند استفاده گردید و عملکرد این روش‌ها با سه شاخص نش-ساتکلیف نسبی، کلینگ-گوپتا و بازده حجمی در بخش صحتسنجی مورد بررسی قرار گرفت. نتایج نشان داد که بیشترین میزان اهمیت برای مؤلفه سرعت نصف‌النهاری نزدیک سطح و کمترین مقدار آن در مؤلفه سرعت مداری در ارتفاع 500 هکتو پاسکال میباشد که مقادیر آن به‌ترتیب 2/73% و 15% تعیین شد. همچنین نتایج شاخصهای ارزیابی عملکرد نش- ساتکلیف نسبی و کلینگ-گوپتا، نشان دادند که الگوریتم SPSA دارای عملکرد بهتری از سایر الگوریتمها درانتخاب پیش‌بینی‌کنندهها و به تبع آن ریزمقیاس‌نمائی دمای بیشینه میباشد. مقایسه میانگین و واریانس خروجی ریزمقیاس شده توسط الگوریتمهای مورد استفاده و دادههای مشاهداتی در بخش صحتسنجی نشان داد که الگوریتمSPSA نسبت به سایر الگوریتمها در باز تولید میانگین و واریانس دمای بیشینه مشاهداتی در ایستگاه سینوپتیک بیرجند دارای توانایی بیشتری میباشد.
علوم آب
محمد فولادی نصرآباد؛ مهدی امیرآبادی زاده؛ محسن پوررضا بیلندی؛ مصطفی یعقوب زاده
چکیده
مدل‌سازی بارش-رواناب یکی از ابزارهای کلیدی در هیدرولوژی برای دستیابی به خصوصیات سیلاب، مانند میزان دبی اوج و زمان رسیدن به دبی اوج است. در این تحقیق مدل IHACRES در قالب بسته نرم‌افزاری hydromad و در بستر R، برای شبیه‌سازی جریان حوضه رودخانه شور قائن مورداستفاده قرار گرفت و عملکرد آن در شبیه‌سازی رواناب با روش‌های ARMAX و EXPUH در بخش خطی مدل، ...
بیشتر
مدل‌سازی بارش-رواناب یکی از ابزارهای کلیدی در هیدرولوژی برای دستیابی به خصوصیات سیلاب، مانند میزان دبی اوج و زمان رسیدن به دبی اوج است. در این تحقیق مدل IHACRES در قالب بسته نرم‌افزاری hydromad و در بستر R، برای شبیه‌سازی جریان حوضه رودخانه شور قائن مورداستفاده قرار گرفت و عملکرد آن در شبیه‌سازی رواناب با روش‌های ARMAX و EXPUH در بخش خطی مدل، بررسی شد. برای انجام شبیه‌سازی با مدل مذکور، از دادههای بارش، دبی جریان و دما در مقیاس ماهانه طی سالهای 1377 تا 1398 استفاده شد. پارامترهای مدل IHACRES با استفاده از تابع هدف KGE، واسنجی شدند. در گامهای واسنجی و صحتسنجی مدل در شبیه‌سازی مقدار دبی اوج و زمان رسیدن به دبی اوج ، از معیارهای ارزیابی NS، KGE و استفاده گردید. مقدار این معیارها در روش EXPUH به ترتیب برابر 86/0، 93/0، 86/0 و در روش ARMAX برابر 7/0، 85/0 و 73/0 محاسبه‌شد که نشان دهندهی عملکرد بهتر روش EXPUH نسبت به روش ARMAX میباشد. درگام مربوط به صحتسنجی نیز، معیارهای ارزیابی در روش‌های EXPUH و ARMAX به‌ترتیب برابر 51/0، 63/0، 54/0 و 55/0، 73/0 و 65/0 برآورد شد که نشان‌دهنده عملکرد بهتر مدل با روش ARMAX نسبت به روش EXPUH است و همچنین مدل با روش ARMAX در شناسایی دبی‌های اوج از نظر مقدار و از نظر زمان وقوع عملکرد دقیق‌تری از خود نشان داد. درمجموع نتایج تحقیق، نشان‌دهنده این مطلب است که مدل IHACRES در منطقه موردمطالعه، با استفاده از روش ARMAX نسبت به روش EXPUH عملکرد دقیق‌تری داشته است.
جواد رمضانی مقدم؛ مصطفی یعقوب زاده؛ احمد جعفرزاده
چکیده
فرآیند ریزمقیاس نمایی آماری با هدف ارتقای شبیه‌سازی‌های مدل‌های GCMs و کاربست نتایج آن‌ها در مقیاس محلی انجام می‌شود. در این بین انتخاب متغیرهای ورودی ریزمقیاس نمایی اولین گام مهم این فرآیند میباشد. از آنجا که هدف اصلی ریزمقیاس نمایی بهبود شبیه‌سازی مدل‌های اقلیمی میباشد، بسیاری از مطالعات روش‌های متنوعی را برای انتخاب متغیرهای ...
بیشتر
فرآیند ریزمقیاس نمایی آماری با هدف ارتقای شبیه‌سازی‌های مدل‌های GCMs و کاربست نتایج آن‌ها در مقیاس محلی انجام می‌شود. در این بین انتخاب متغیرهای ورودی ریزمقیاس نمایی اولین گام مهم این فرآیند میباشد. از آنجا که هدف اصلی ریزمقیاس نمایی بهبود شبیه‌سازی مدل‌های اقلیمی میباشد، بسیاری از مطالعات روش‌های متنوعی را برای انتخاب متغیرهای ورودیِ ریزمقیاس نمایی مورد ارزیابی قرار داده‌اند.این مطالعه درنظر دارد تا با استفاده از آزمون‌های مقایسه‌ای جامع، عملکرد شبکه عصبی را در فرآیند ریزمقیاس نمایی بارش روزانه تخت تأثیر چهار روش انتخاب متغیر PCA، CA، SRA و ParCA در اقلیم‌های متفاوت مورد ارزیابی قرار دهد. بدین منظور در ابتدا دادههای مشاهداتی 30 ساله مربوط به ایستگاه‌های بیرجند (اقلیم خشک- کویری) و اردبیل (اقلیم سرد- نیمه‌خشک)، حدفاصل سالهای 2004-1977 گرداوری شد. به‌منظور شبیه‌سازی رفتار مؤلفههای اقلیمی متأثر از پدیده تغییر اقلیم از خروجی مدل CanESM2 استفاده شد. بدین ترتیب دادههای بزرگ مقیاس مدل CanESM2 برای هر دو ایستگاه سینوپتیک به منزله متغیرهای ورودی و بارندگی مشاهداتی به عنوان متغیر خروجی درنظر گرفته شد. آزمون‌های مقایسه‌ای شامل شاخصهای ارزیابی، مقایسه مشخصه‌های آماری، جدول Contingency Table Event جهت تشخیص سری روزهای تر و خشک و مقایسه نموداری توزیع آماری از جمله ابزارهای مورد استفاده در این مطالعه جهت ارزیابی عملکرد روش‌های مختلف انتخاب متغیر میباشد. نتایج مطالعه نشان داد که به طور کلی ریزمقیاس نمایی بارش روزانه در تمامی روش‌های انتخاب متغیر در ایستگاه بیرجند دارای عملکرد بهتری نسبت به ایستگاه اردبیل میباشد. همچنین نتایج آزمون‌های مختلف نشان داد که روش‌های انتخاب متغیر CA و ParCA در اقلیم‌های خشک و روش SRA در اقلیم سرد-نیمه‌خشک از عملکرد بهتری برخوردار میباشد. بهترین مقادیرشاخص‌های RMSE، R و NSE برای ایستگاه بیرجند به ترتیب 2/1 میلی‌متر در روز، 55/0 و 25/0 و در ایستگاه اردبیل به ترتیب 75/1 میلی‌متر در روز، 14/0 و 013/0 بدست آمد.ارزیابی روش‌ها در تشخیص درست روزهای تر و خشک در بیرجند نشان داد که دقت روش‌های CA و ParCA به ترتیب 25 و 22 درصد میباشد. این بدان معنی است که روش CA توانسته است 25 روزهای تر را به درستی تر تشخیص دهد.
مصطفی یعقوب زاده؛ سعید برومند نسب؛ زهرا ایزدپناه؛ حسام سیدکابلی
چکیده
تخمین دقیق تبخیر و تعرق نقش مهمی در بیلان آب در سطح حوضه، دشت و در مقیاس منطقهای برای بهبود و برنامه‌ریزی مدیریت منابع آب وکشاورزی ایفا می کند. روش‌های مختلفی مانند نسبت باون و لایسیمتر برای اندازه‌گیری تبخیر و تعرق وجود دارند ولی استفاده از این روش‌ها به دلیل اندازه‌گیری نقطه‌ای تبخیر و تعرق، در سطح یک منطقه وسیع، وقت و هزینه ...
بیشتر
تخمین دقیق تبخیر و تعرق نقش مهمی در بیلان آب در سطح حوضه، دشت و در مقیاس منطقهای برای بهبود و برنامه‌ریزی مدیریت منابع آب وکشاورزی ایفا می کند. روش‌های مختلفی مانند نسبت باون و لایسیمتر برای اندازه‌گیری تبخیر و تعرق وجود دارند ولی استفاده از این روش‌ها به دلیل اندازه‌گیری نقطه‌ای تبخیر و تعرق، در سطح یک منطقه وسیع، وقت و هزینه زیادی را بکار می‌گیرد. بدین منظور در این پژوهش برای تعیین تبخیر و تعرق واقعی از دو مدل اگروهیدرولوژیکی SWAP و مدل سنجش از دور SEBAL با کمک تصاویر مودیس و دادههای مزارع فاروب و سلیمانی واقع در دشت نیشابور استفاده شده است. برای بدست آوردن پارامترهای بیلان آب مورد نیاز مدل SWAP از شیوه مهندسی معکوس استفاده شده است. با وجود اینکه مدل SWAP مقدار آبیاری و تبخیر و تعرق را با تفکیک زمانی بالا تعیین کند، الگوریتم SEBAL می‌تواند تغییرات محصول مانند شاخص سطح برگ، شاخص NDVI و تبخیر و تعرق را با تفکیک مکانی بالا تخمین بزند. نتایج مدل SWAP با دادههای اندازه‌گیری شده رطوبت خاک واسنجی و صحت سنجی شده است. مقادیر خطای RMSE برابر 635/0 و 674/0 میلی متر بر روز و خطای MAE برابر 15/0 و 53/0 میلی متر بر روز و ضریب تبیین (R2) 915/0 و 964/0 حاصل از مقایسه نتایج الگوریتم SEBAL و مدل SWAP برای دو مزرعه نشان می‌دهد دو مدل تفاوت معنی‌داری با هم ندارند.
