مدل سازی لایه یونسفر جو و تعیین پارامتر محتوای الکترونی کلی (TEC) آن نقش مهمی در شناخت این لایه و کنترل اثرات آن بر فعالیت های بشری دارد. در این راستا انواع مدل ها و مشاهدات یونسفری به طور گسترده جهت پایش تغییرات یونسفر مورد استفاده قرار می گیرد که مدل سازی تک لایه یونسفر یا همان مدل سازی TEC همواره مورد توجه محققین این حوزه می باشد. پیچیدگی های مدل های نظری، عدم تامین دقت مورد نیاز در کاربردهای دقیق توسط خروجی های مدل های تجربی، تاخیر 24 ساعته در انتشار نقشه های یونسفری جهانی IGS و نیاز به اطلاعات دقیق یونسفری در کاربردهای آنی و نزدیک به آنی، سبب گسترش نوع جدیدی از مدل های یونسفری موسوم به مدل های حاصل از داده گواری گردیده است. در این مقاله داده گواری مدل تجربی یونسفر مرجع بین المللی (IRI) با استفاده از مقادیر دقیق TEC محاسبه شده از مشاهدات گیرنده های دو فرکانسه GPS در منطقه ایران در دو مرحله آنالیز و پیش بینی انجام شده است که هدف از آن افزایش دقت TEC حاصل از مدل تجربی IRI در مرحله آنالیز با استفاده از فیلتر کالمن و انجام پیش بینی های کوتاه مدت TEC با استفاده از فیلتر کالمن گاوس-مارکوف (GM-KF) در مرحله پیش بینی، برای کاربردهای نزدیک به آنی می باشد. در این راستا، مشاهدات 40 ایستگاه شبکه دائم GPS ایران (IPGN) در روز سوم ماه می سال 2016 جهت محاسبه مقادیر TEC دقیق مورد نیاز در فرآیند داده گواری مدل IRI استفاده شده است. بررسی اختلاف بین مقادیر TEC حاصل از مدل IRI و مقادیر TEC حاصل از داده گواری مدل IRI با مقادیر TEC دقیق، نشان دهنده کاهش ریشه میانگین مربعات (RMS) این اختلافات در مرحله به روزرسانی داده گواری در ساعت t=10 UT از TECU 9.8 به 1.47 TECU، در ساعت t=14 UT از 3.16 TECU به 0.98 TECU و در ساعت t=18 UT از 4.59 TECU به 1.39 TECU می باشد. همچنین مقایسه نتایج حاصل از داده گواری و مقادیر حاصل از نقشه های یونسفری جهانی در منطقه ایران با مقادیر TEC دقیق نیز بیانگر دقت بالاتر نتایج حاصل از داده گواری نسبت به نقشه های یونسفری جهانی می باشد. در مرحله پیش بینی در ساعت t=10 UT و فواصل زمانی Dt=0.5, 1h بهبود 90 درصدی در مقادیر داده گواری نسبت به مقادیر مدل IRI مشاهده می شود. که این بهبود در ساعت t=14, 18 UTو در فواصل زمانی Dt=0.5, 1, 2 به بیش از 50 درصد می رسد. با افزایش فاصله زمانی پیش بینی به Dt=5 h، دقت داده گواری به سمت دقت مدل زمینه میل می کند. در نتیجه مدل داده گواری شده دارای دقت خوبی در کاربردهای آنی و نزدیک به آنی می باشد.

در این مقاله هدف استفاده از مدل کمترین مربعات رگرسیون بردار پشتیبان (LS-SVR) جهت مدل سازی مکانی-زمانی مقدار محتوای الکترون کلی یونسفر (TEC) است. جهت انجام اینکار، از مشاهدات 15 ایستگاه GPS موجود در منطقه شمالغرب ایران در بازه زمانی روزهای 193 الی 228 از سال 2012 استفاده شده است. مقایسه نتایج مدل جدید با مدل های رگرسیون بردار پشتیبان (SVR)، مدل شبکه عصبی مصنوعی (ANN)، مدل استنتاج عصبی-فازی سازگار (ANFIS)، مدل کریجینگ، مدل GIM، مدل تجربی بین المللی مرجع یونسفر 2016 (IRI2016) و همچنین مقادیر TEC حاصل از GPS به عنوان مشاهده مرجع انجام می گیرد. دقت همه مدل ها در ایستگاه های کنترل داخلی و خارجی ارزیابی و تفسیر شده است. آنالیزهای انجام گرفته نشان می دهد که میانگین RMSE مدل های ANN، ANFIS، SVR، LS-SVR، Kriging، GIM و IRI2016 در دو ایستگاه کنترل داخلی به ترتیب برابر با 91/3، 73/2، 27/1، 04/1، 70/2، 02/3 و 93/6 TECU بوده است. تجزیه و تحلیل روش PPP بهبود 50 میلی متری در مولفه های مختصات با استفاده از مدل LS-SVR را نشان می دهد. نتایج این مقاله نشان می دهد که مدل LS-SVR را می توان به عنوان جایگزینی برای مدل های جهانی و تجربی یونسفر در منطقه مورد مطالعه در نظر گرفت. مدل LS-SVR یک مدل یونسفر محلی با دقت بالا محسوب می شود.

شکست یک سد خاکی می تواند موجب بروز بحرآن های شدید در ناحیه سیلاب زده پایین دست گردد. لذا تعیین دقیق ویژگی های شکافت و جریان در ارزیابی خطرهای حاصل از خرابی سد از اهمیت به سزایی برخوردار است. در این تحقیق از مدل های آزمایشگاهی با مصالح دآنه ای در اندازه و خصوصیت های مکانیکی مختلف برای مطالعه فرسایش و نقش آن در گسترش هندسی شکافت استفاده شده است. از رگرسیون چندمتغیره در توسعه رابطه جدید برای تعیین دبی اوج (Qp) بهره گیری شده که در آن پراسنجه های بدنه سد در کنار پراسنجه های هیدرولیکی به کار رفته اند. نتیجه ها نشان می دهد مشارکت این ویژگی ها توانسته کارآیی را در تعیین Qp حاصل از شکست سد خاکی ارتقا دهد. از آنجائی که نرخ تکامل عرض متوسط شکافت (Bave) و عمق آن (Hb) نقش اثرگذاری بر آب نمود خروجی دارد، علاوه بر ارائه رابطه های جدید برای این دو پراسنجه، با مشارکت منابع مختلف داده ای و استفاده از برنامه ریزی بیان ژن (GEP) در تعیین آن، محدوده تغییرات جدیدی برای نسبت های بی بعد Hb بر ارتفاع سد (Hd) و نیز Bave بر عرض بالایی (Bt) و پایینی آن (Bb) معرفی و خروجی آن به سدهای لغزشی نیز بسط داده شده است. بر مبنای شاخص های عملکردی و آماری در رابطه ها، مقدارهای ضریب R2 برای Qp معادل با 91/0، برای Bave معادل با 99/0 و برای Hb برابر با 97/0 به دست آمده است.

دانستن چگونگی رفتار یونسفر یک فاکتور مهم در تعیین موقعیت با GPS است. در این مقاله مشاهدات 43 ایستگاه دائمی شبکه ژئودینامیک سراسری ایران (IPGN) به همراه مشاهدات حدود 180 ایستگاه IGS توسط نرم افزار برنیز پردازش شدند و برای تولید کردن مدلهای یونسفری که نمایشگر میزان محتوای مجموع الکترونی (TEC) هستند، از بسط به هارمونیک های کروی تا درجه و مرتبه 15 استفاده شد. در این مدلسازی فرض بر آن است که تمامی الکترونهای آزاد بر روی یک لایه کروی نازک که ارتفاع آن می تواند از 250 تا 450 کیلومتر متغیر باشد، واقع شده اند. نتایج برای ارتفاع 450 کیلومتر با رزولوشن زمانی دو ساعته مطابق با استانداردهای IGS حاصل شده و مقادیر ماکزیمم TEC در جنوب ایران از حدود TECU 5 (نیمه شب) تا TECU 22 (نیمه روز) می باشند. این مقادیر برای روز 22 ماه جون از سال 2009 است. سپس مقادیر TEC محاسبه شده برای تصحیح کردن داده های تک فرکانس در دو شیوه تعیین موقعیت مطلق و نسبی بکار گرفته شدند. در شیوه مطلق بهبود قابل توجهی در هردو مولفه مسطحاتی و ارتفاعی در صورت استفاده از مدل IRIM نسبت به مدل IGS حاصل می شود. همچنین در شیوه نسبی، مقایسه بین راه حل های L1 و عاری از اثر یونسفر (L3) نشان می دهد که اثر یونسفر شبکه را دچار انقباض می کند. همچنین نتایج راه حل L1 تصحیح شده با استفاده از مدل بهبود یافته در سطح ایران (IRIM) نسبت به استفاده از مدل جهانی IGS به نتایج راه حل L3 نزدیکتر است و میزان این انحراف در مولفه مختصاتی افقی برای طول مبناهای چند صد کیلومتری به طور متوسط بهتر از 10 سانتی متر است.

تخمین دقیق تبخیر-تعرق مرجع یکی از مسائل مهم در مهندسی کشاورزی، برنامه ریزی آبیاری، مدیریت منابع آب و غیره می باشد. امروزه مدل فیزیکی فائو-پنمن-مانتیث به عنوان یک مدل استاندارد برای تعیین تبخیر-تعرق مرجع (ET0) و نیز واسنجی سایر مدل ها بکار گرفته می شود. با این وجود، نیاز به طیف وسیعی از داده های هیدروکلیماتولوژی، کاربرد این مدل را بویژه در مناطق فاقد داده های هواشناسی کافی محدود می سازد. تحقیق حاضر به بررسی و تحلیل مدل های دما پایه و تابش پایه در تعیین ET0 در مناطق مرطوب پرداخته و در ادامه، مدل جنگل تصادفی نیز با متغیر های ورودی مشابه مورد استفاده قرار گرفته است. نتایج حاصل از این تحقیق نشان داد که مدل جنگل تصادفی نسبت به مدل های تجربی واسنجی نشده و واسنجی شده با متغیر های ورودی مشابه دقت بیشتری با میانگین قدر مطلق خطای برابر با 4/0 میلی متر بر روز و شاخص پراکندگی 008/0 ارائه داد. همچنین واسنجی مدل های تجربی در برخی موارد نه تنها در بهبود دقت مدل ها مؤثر واقع نشده بلکه سبب کاهش دقت مدل های تجربی نیز شد.

در پژوهش حاضر، از سه مدل داده محور شامل مدل درختی M5P، REP و جنگل تصادفی در تخمین تبخیر-تعرق مرجع روزانه استفاده شد. توانایی این سه مدل در تخمین تبخیر-تعرق مرجع در حالت منفرد و ترکیبی مورد مطالعه قرار گرفت. به این منظور از داده های هواشناسی روزانه پنج ایستگاه هواشناسی در استان کرمان در بازه زمانی 1379 تا 1399 استفاده شد. یک ترکیب از متغیرهای هواشناسی، با استفاده از تحلیل حساسیت در مقابل مقادیر تبخیر-تعرق مرجع حاصل از فائو- پنمن- مونتیث، به عنوان ورودی برای هر یک از مدل های مذکور در نظر گرفته شد. درنهایت، دقت روش های مذکور و روش های تجربی در برآورد تبخیر-تعرق گیاه مرجع با استفاده از شاخص های آماری مورد مقایسه و مدل برتر انتخاب شد. نتایج در مرحله صحت سنجی نشان داد که روش M5P به صورت منفرد (083/0 = RSME و 998/0NS =  در ایستگاه بم) و روش میانگین گیری وزنی از مدل های درختی به صورت ترکیبی (RMSE = 0.155 و NS = 0.994 در ایستگاه بم و سیرجان) در همه ایستگاه های مورد مطالعه نتایج بهتری در تخمین مقادیر تبخیر-تعرق مرجع داشته اند. در حالت کلی، مدل های درختی به خصوص M5P، در مقایسه با مدل های تجربی نتایج بهتری در تخمین مقادیر تبخیر-تعرق روزانه گیاه داشته اند.

سابقه و هدف: دقیق ترین روش برآورد تبخیر-تعرق، استفاده از لایسیمتر وزنی است، اما از آنجا که احداث این نوع لایسیمتر هزینه بسیار زیادی را به همراه دارد، بیشتر از روش های تجربی برای برآورد تبخیر-تعرق استفاده می شود و نتایج آن با روش مرجع برآورد تبخیر-تعرق (فائو پنمن-مانتیث) مقایسه می شود. بنابراین هدف اصلی تحقیق حاضر، مقایسه دقت 20 مدل تجربی برآورد تبخیر-تعرق مرجع و ارائه بهترین روش تجربی در شهرستان های رشت، ساری و گرگان در شمال ایران ودر نوار ساحلی دریای خزر می باشد. مواد و روش ها: در این پژوهش، مطالعه تطبیقی بین روش فائو پنمن-مانتیث با 20 روش تجربی برآورد تبخیر-تعرق پتانسیل در یک دوره زمانی 10 ساله از سال 1386 تا 1395 در ایستگاه های رشت، ساری و گرگان در نوار ساحلی دریای خزر صورت گرفت. ایستگاه ها به دلیل تنوع اقلیمی از اقلیم مرطوب تا مدیترانه ای انتخاب شدند. ریشه میانگین مربعات خطا (RMSE)، خطای میانگین (MAE) و درصد خطای تخمین (PE) برای ارزیابی دقت این روش ها مورد استفاده قرار گرفتند. یافنه های تحقیق: نتایج نشان داد مقادیر روزانه تبخیر-تعرق بدست آمده از روش روزانی به مقادیر بدست آمده با روش فائو پنمن-مانتیث نزدیکتر بود به طوری که برای مدل مذکور مقادیر شاخص های RMSE، MAE و PE به ترتیب با 77/0، 54/0 میلی متر بر روز و 60/21 % در ایستگاه رشت، 8/0، 39/0-میلی متر بر روز و 40/9 % در ایستگاه ساری و 99/0، 42/0-میلی متر بر روز و 88/9 % در ایستگاه گرگان، به دست آمدند. همچنین نتایج حاکی از عملکرد پایین مدل روماننکو می باشد. در مجموع در اقلیم های مورد مطالعه، مدل های روزانی و همکارن، برتی و همکاران، هارگریوزسامانی، اسکندل، ایرماک و همچنین مدل والینتزانس عملکرد مطلوب تری در برآورد تبخیرتعرق مرجع داشتند. نتیجه گیری: این مطالعه نشان داد که دقت مدل ها در برآورد تبخیرتعرق نسبت به مدل مبنا (فائو پنمن-مانتیث) در ایستگاه رشت بیش از ساری و در ایستگاه ساری بیش از گرگان می یابد. در بین معادلات مورد بررسی، معادلات بر پایه انتقال جرم مانند ترابرت و ماهرینگر، دارای عملکرد نسبی نامطلوبی در بین مناطق ساحلی می باشند. بنابراین در هنگام استفاده از مدل های تجربی و کاربرد آنها در برآورد تبخیرتعرق باید به این نکته توجه کرد که این مدل ها در شرایط اقلیمی متفاوت می توانند نتایج متغیری از خود نشان دهند و الزاما هیچ مدلی به طور قطعی نمی تواند به عنوان مبنا در تمامی مناطق ساحلی مورد استفاده قرار گیرد. این مطالعه نشان داد که دقت مدل ها در برآورد تبخیرتعرق نسبت به مدل مبنا (فائو پنمن-مانتیث) در ایستگاه رشت بیش از ساری و در ایستگاه ساری بیش از گرگان می یابد. در بین معادلات مورد بررسی، معادلات بر پایه انتقال جرم مانند ترابرت و ماهرینگر، دارای عملکرد نسبی نامطلوبی در بین مناطق ساحلی می باشند. بنابراین در هنگام استفاده از مدل های تجربی و کاربرد آنها در برآورد تبخیرتعرق باید به این نکته توجه کرد که این مدل ها در شرایط اقلیمی متفاوت می توانند نتایج متغیری از خود نشان دهند و الزاما هیچ مدلی به طور قطعی نمی تواند به عنوان مبنا در تمامی مناطق ساحلی مورد استفاده قرار گیرد.