فناوری های پیشرفته در بهره وری آب
سال:1404 | دوره:5 | شماره:2 |تعداد مقالات:6

هدف: هدف این مطالعه توسعه یک مدل یادگیری ماشین برای شبیه سازی غلظت نیترات است. شبیه سازی و پیش بینی غلظت نیترات همیشه از مهم ترین مسائل در حوزه مدیریت منابع آب بوده است.  روش پژوهش: در این تحقیق بعد از جمع آوری داده ها ابتدا داده های مربوط به غلظت نیترات با استفاده از JNB خوشه بندی شدند، سپس برای هر خوشه یک مدل SVR توسعه داده شد، هم زمان با فرآیند آموزش این مدل از الگوریتم SFFS برای انتخاب متغیرهای وردی به مدل استفاده شد، سپس  بر اساس نتایج حاصل از این سه مدل مقدار متوسط شاخص های خطا برای مرحله آموزش و تست محاسبه شدند، در این حالت از روش سعی و خطا برای این کار استفاده شد. در گام بعد از الگوریتم HHO برای تعیین مقدار بهینه پارامترهای توابع کرنل استفاده شد.  یافته ها: بر اساس نتایج حاصل از این سه مدل مقدار متوسط شاخص های خطا برای مرحله آموزش (RMSE = 0.2387 , MAE = 0.2236 , R2=0.9874) و تست (RMSE = 0.2474 , MAE = 0.2350 , R2=0.9841) نتایج حاصل از الگوریتم HHO شامل مقدار شاخص های R2  و RMSE, MAE برای مرحله آموزش به ترتیب برابر 0.1502،0.1169،0.9961 است و مقدار آن ها برای مرحله تست به ترتیب برابر 0.1308،0.9845، 0.9978 است. بر اساس نتایج حاصل از این مطالعه اولا استفاده از HHO برای پیش بینی غلظت نیتزات میتواند باعث افزایش چشمگیر دقت مدل SVR می شود، دوما استفاده به جا از مدل های  یادگیری ماشین مختلف در کنار هم میتوانند نقش موثری در افزایش دقت مدل های رگرسیونی مانند SVR داشته باشد.  نتیجه گیری: این تحقیق نشان داد که با انتخاب مناسب متغیرها، حتی در صورت استفاده از یک مدل نسبتاً ساده مانند SVR، می توان به نتایج بسیار دقیقی دست یافت. این نشان می دهد که کیفیت داده ها و انتخاب ورودی های مناسب به اندازه پیچیدگی خود مدل اهمیت دارد. در نهایت، این تحقیق تأیید می کند که ترکیب الگوریتم های بهینه سازی مانند HHO با مدل های یادگیری ماشین و به کارگیری روش های انتخاب ویژگی، می تواند به عنوان یک راهکار مؤثر برای بهبود دقت پیش بینی ها در مسائل مرتبط با منابع آب، به ویژه در پیش بینی آلاینده های مهم، مورداستفاده قرار گیرد. این راهبردها می توانند در مدیریت بهتر منابع آب و کاهش آلودگی های ناشی از نیترات و سایر آلاینده ها به کار گرفته شوند.

هدف: هدف این مطالعه بررسی جامع مطالعات انجام شده مدل‏سازی منابع آب سطحی و زیرزمینی با استفاده از مدل‏های SWAT، MODFLOW و SWAT-MODFLOW و تجزیه وتحلیل محدودیت‏ها و قابلیت‏ آن‏ها بود. روش پژوهش: تیم تحقیقاتی با انتشار یک محیط آنلاین در میان همکاران ساخته شد. پروژه در محیط آنلاین تشریح و مراحل انجام کار توضیح داده شد. نمونه مقالات شامل 235 مقاله از پایگاه های اطلاعاتیSID ،Magiran ، ScopusوScinceDirect با کلید واژه های "SWAT"، "MODFLOW"، "SWAT-MODFLOW" تا سال 1403 بود. عناوین مقالات، چکیده ها و در صورت نیاز، بخش هایی از مقالات مطالعه شد تا به سوال اصلی مطالعه یعنی بررسی محدودیت‏ها و قابلیت‏های مدل‏سازی منابع آب سطحی و آب زیرزمینی پاسخ داده شود. یافته ها: بررسی‏ها نشان داده است که عدم قطعیت در تعیین پارامتر  تغذیه آب زیرزمینی، به‏ میزان قابل توجهی در نتایج شبیه‏سازی جریان آب زیرزمینی و برآورد مؤلفه‏های بیلان آب تأثیر خواهد داشت. از روش‏ها و مدل‏های متنوعی برای تعیین میزان تغذیه آب‏های زیرزمینی ناشی از نفوذ عمقی و جریانات برگشتی آبیاری مانند SWAT ، WATLAC،HEC_HMS ، HYDRUS، MOBIDIC و... استفاده شده است. این مدل‏ها غالباً در ترکیب با مدل آب زیرزمینی MODFLOW برای افزایش دقت در شبیه‏سازی سطح آب زیرزمینی و اثربخشی سناریوهای مختلف برداشت توأمان از منابع آب سطحی و زیرزمینی بر مؤلفه‏های بیلان آب استفاده شده است. به طورکلی بررسی‏ها نشان داده است که مدل SWAT به‏عنوان یک مدل جامع شبیه‏سازی آب‏های سطحی برای برآورد تغذیه و تبخیر و تعرق واقعی در مقیاس حوضه آبریز است؛ به‏طوری که تأثیر مقادیر تغذیه حاصل از مدل SWAT به‏عنوان یکی از مهم‏ترین مؤلفه‏های ورودی مدل‏‏های آب‏ زیرزمینی در شبیه‏سازی تراز سطح ایستابی و مؤلفه های بیلان آب زیرزمینی با استفاده از مدل MODFLOW به‏عنوان یک مدل جامع و یکپارچه منابع آب سطحی و زیرزمینی (SWAT-MODFLOW) در اکثر مطالعات تأیید شده است. درمجموع نتایج تحقیقات نشان می‏دهد از مدل تلفیقی SWAT-MODFLOW می‏توان به‏عنوان یک ابزار کاربردی در تبیین الگوی بهره برداری مناسب از منابع آب تلفیقی سطحی و زیرزمینی تحت تأثیر سناریوهای مختلف مدیریتی استفاده کرد. نتیجه گیری: بررسی این مطالعه بینش عمیقی در استفاده از مدل‏های آب سطحی و زیرزمینی را در اختیار محققین، پژوهشگران و مدیران قرار می‏دهد تا بتوانند بر اساس داده‏ها و ابزارهای موجود و متناسب با اهداف مطالعات و چالش‏های موجود در مناطق مختلف، بهترین ابزار‏ها را به کار گیرند تا عدم قطعیت و خطاهای مدل‏سازی را به حداقل برسانند. به طورکلی استفاده از این مدل‏ها می‏تواند به‏عنوان راهنمای تخصیص بهینه و پایدار منابع آب سطحی و زیرزمینی در حوضه‏های رقابتی و بسیار شکننده مورد استفاده قرار گیرد.

هدف: در این مطالعه به برآورد دقیق نیاز آبی علف فیل (Pennisetum purpureum Schumach.)  و تعیین ضرایب گیاهی آن در مراحل مختلف رشد در  دو سال زراعی 1400 و 1401 با استفاده از روش لایسیمتری در محیط مزرعه پرداخته شد.روش پژوهش: برای اندازه گیری تبخیر و تعرق واقعی (ETc ) گیاه  از 9 واحد لایسیمتر زهکش دار استفاده شد. تبخیر و تعرق گیاه مرجع (ETo ) با استفاده از معادله پنمن­ مانتیث و داده های هواشناسی محاسبه شد. ضرایب گیاهی (Kc )  در چهار مرحله رشد گیاه شامل مراحل ابتدایی، توسعه، میانی و پایانی تعیین گردید.یافته ها: نتایج نشان داد که میانگین دو ساله تبخیر و تعرق گیاه مرجع و تبخیر و تعرق گیاه علف فیل در فصل رشد به ترتیب 08/1092 و 57/1435  میلی­متر است. ضریب گیاهی از نسبت تبخیر - تعرق گیاه به تبخیر - تعرق گیاه مرجع در طول دوره رشد محاسبه گردید. متوسط ضریب گیاهی منفرد برای مراحل مختلف رشد اولیه، توسعه، میانی و پایانی به ترتیب 91/0، 23/1، 54/1 و 05/1 به دست آمد. برآورد ضرایب گیاهی نشان داد که بیشترین مقدار Kc در مرحله میانی رشد و کمترین مقدار در مرحله ابتدایی و پایانی رخ می دهد.نتیجه گیری: این اطلاعات می تواند در برنامه ریزی آبیاری و مدیریت بهینه مصرف آب برای کشت علف فیل مورداستفاده قرار گیرد. نتایج این پژوهش به کشاورزان و مدیران منابع آب کمک می کند تا با تنظیم الگوی آبیاری، مصرف آب را کاهش داده و بهره وری را افزایش دهند.

هدف: هدف از این مطالعه، بررسی الگوی مصرف انرژی در تولید محصولات گندم آبی و یونجه در اراضی پایاب سد مخزنی سورال در استان کردستان و تحلیل شاخص های انرژی نظیر نسبت انرژی، انرژی ویژه و بهره وری انرژی باتوجه به نوع سامانه های آبیاری و نهاده های مصرفی است.روش پژوهش: در پژوهش حاضر، 37 مزرعه به مجموع مساحت 76 هکتار، انتخاب شدند. مزارع موردمطالعه به سامانه­های 1 و 2 برای گندم و سامانه­های 3 و 4 برای یونجه گروه بندی شدند. سامانه­های 1 و 3 مجهز به سامانه آبیاری سطحی و سامانه­های 2 و 4 مجهز به سامانه آبیاری بارانی کلاسیک ثابت با آبپاش های متحرک، با منبع انرژی ثقل بودند. اطلاعات موردنیاز، شامل کل نهاده­های مصرفی (ورودی)، در قالب پرسشنامه از کشاورزان دشت مذکور در طول فصل زراعی 1400-1399 استخراج شدند.یافته ها: نتایج نشان داد که بیش­ترین مصرف انرژی در نظام زراعی گندم مربوط به کودهای شیمیایی، به ویژه کود نیتروژن، و در نظام زراعی یونجه، مربوط به آب آبیاری در سامانه 3 و کود شیمیایی در سامانه 4 بوده است. مجموع انرژی ورودی مزارع به ترتیب 16/29733، 05/46347، 7/52054 و 48/39147 و کل انرژی خروجی 66450، 96000، 189600 و 229100 مگا ژول در هکتار بود. شاخص­های نسبت انرژی به ترتیب 32/2، 07/2، 64/3و 85/5 و انرژی ویژه به ترتیب 32/6، 81/6، 25/3 و 69/2 مگا ژول در هکتار محاسبه  شد. بهره­وری انرژی به ترتیب 12/0، 10/0، 29/0 و 37/0 کیلوگرم در مگا ژول به دست آمد.نتیجه گیری: نتایج نشان داد که مصرف زیاد کود نیتروژنی در مزارع گندم و آب آبیاری در مزارع یونجه منجر به افزایش قابل توجه انرژی ورودی شده است. همچنین، تأخیر در رهاسازی آب به کشاورزان ازجمله چالش های اصلی مدیریت آبیاری در منطقه محسوب می شد. به منظور افزایش بهره وری انرژی و کاهش آثار زیست محیطی، آموزش کشاورزان در زمینه مدیریت بهینه انرژی و مصرف منابع پیشنهاد می شود.

هدف: توسعه و کد نویسی بسیاری از مدل های عددی ارائه شده توسط محققین برای شبیه سازی دوبعدی جریان پیچیده و مشکل است و نیاز به مهارت های برنامه نویسی و محاسبات عددی خاصی دارند هدف اصلی این تحقیق ارائه یک روش ساده تر نسبت به سایر مدل های عددی است که دارای دقت مناسب نیز باشد. روش پژوهش: در این پژوهش یک مدل عددی دوبعدی برای شبیه سازی جریان در مجاری روباز ارائه شده است. معادلات حاکم بر جریان، معادلات ناویراستوکس متوسط گیری شده در عمق است که با استفاده از روش احجام محدود و شمای تنصیف زمان جداسازی و حل شده اند. برای گسسته سازی معادلات حاکم از شبکه منظم مستطیلی استفاده شد. به منظور حل معادلات حاکم بر جریان در این مدل، هر گام زمانی به چند مرحله تقسیم می شود. در ابتدا ترم های جابجایی معادله اندازه حرکت بر اساس شمای فروم حل شد و خروجی آن برای ترم پخشیدگی در نظر گرفته شد. ترم های پخشیدگی مربوط به معادله اندازه حرکت به صورت ضمنی و با استفاده از الگوریتم TDMA حل شد. سپس ترم اصطکاک در معادله جریان جداسازی و به صورت صریح حل شد و در ادامه تراز سطح آب با حل هم زمان معادله پیوستگی و ترم های باقی مانده معادلات اندازه حرکت محاسبه شد. به منظور صحت سنجی مدل دوبعدی، آزمون های مختلفی که حل آن ها به صورت تئوری یا اندازه گیری های آزمایشگاهی موجود است، برای مدل انجام شد. یافته ها: مقایسه نتایج خروجی مدل عددی با داده های آزمایشگاهی و حل تحلیلی نشان می دهد که مدل توسعه یافته، قادر به شبیه سازی جریان برای شرایط مختلف است. مدل سازی آشفتگی در مدل حاضر با استفاده از مدل سهموی متوسط گیری شده در عمق انجام شده است. در مواردی که آشفتگی جریان زیاد باشد، دقت این مدل آشفتگی کاهش می یابد. نتیجه گیری: نتایج خروجی مدل عددی نشان می دهد که مدل توسعه یافته، قادر به شبیه سازی جریان برای شرایط مختلف بادقت مناسب است.

هدف: هدف از این پژوهش، پیش بینی بارش درازمدت شهر ایلام با کاربرد مدل ترکیبی ماشین یادگیری است. روش پژوهش: در این مطالعه، بارندگی درازمدت شهر ایلام در یک بازه زمانی 44ساله از 1980 تا 2024 توسط یک مدل ترکیبی ماشین یادگیری شبیه­سازی گردید. استان ایلام ازلحاظ قرارگیری در عرض های مختلف جغرافیایی، وضعیت توپوگرافی خاص دارای پراکندگی بارش ناموزونی است. در این تحقیق بعد از جمع آوری داده ها ابتدا میانگین تعداد ماه های بارش برای هرکدام از ایستگاه های موردمطالعه برای یک دوره ی به دست آمد. جهت پیش بینی از  مدل ماشین یادگیری استفاده گردید. در گام نخست داده­های مشاهداتی نرمال­سازی شدند و بهترین ضرایب نرمال­سازی برای این مطالعه بدست آمدند. تقریبا 70 درصد داده­های مشاهداتی برای آموزش مدل­های هوش مصنوعی و مابقی 30% نیز جهت آزمون آنها به کار گرفته شدند.در ادامه، تعداد بهینه نرون­های لایه مخفی به همراه بهترین تابع فعال­سازی مدل ORELM با اجرای یک پروسه سعی و خطا انتخاب شدند. در این مطالعه، پارامتر منظم­سازی (regularization parameter) مدل ORELM نیز بهینه­سازی گردید. همچنین، با استفاده از تابع خودهمبستگی (ACF) تاخیرهای موثر داده­های سری زمانی شناسایی شدند و با استفاده از این تاخیرها، چهارده مدل ORELM توسعه داده شدند. یافته ها: بررسی توابع فعال­سازی مختلف نشان داد که tribas بهترین تابع فعال­سازی جهت شبیه­سازی بارش­های شهر ایلام توسط این ماشین یادگیری ترکیبی بود. مدل ORELM 9 به عنوان مدل برتر معرفی شد و مقادیر VAF، R و NSC برای آن به ترتیب برابر با 157/93، 965/0 و 925/0 بودند. همچنین، تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-10) به عنوان مؤثرترین تاخیرهای داده­های سری زمانی بارش شهر ایلام شناسایی شدند. در انتها نتایج مدل ترکیبی ORELM با مدل­های هوش مصنوعی ELM و ORELM مقایسه گردید که مقایسه مذکور نشان دهنده عملکرد بهتر مدل ترکیبی ORELM بود. نتیجه گیری: با تجزیه وتحلیل نتایج مدل­های ده­گانه ORELM، بهترین مدل به همراه مؤثرترین تاخیرهای داده­های سری زمانی معرفی گردید. در انتها نتایج مدل ترکیبی ORELM با سایر ماشین­های یادگیری نیز مقایسه شد که این مقایسه حاکی از عملکرد بهتر مدل ORELM بود.