شوری یکی از عوامل مهم تاثیرگذار بر رشد و عملکرد بسیاری از گیاهان به شمار می آید. تحمل گیاهان به شوری با میزان نیتروژن دریافتی متغیر است. دراین راستا پژوهشی با هدف مدل سازی پاسخ گیاه گوجه فرنگی به تنش های توأمان شوری و نیتروژن. به صورت گلدانی انجام شد. شش سطح شوری شامل 1،2، 4، 6، 8 و 10 دسی زیمنس بر متر و سه سطح کود نیتروژن شامل صفر، 50 و 100 درصد نیاز کودی در سه تکرار اعمال شد. حداکثر عملکرد ماده خشک (25.8 گرم) در تیمار با شوری یک دسی زیمنس بر متر و کود مصرفی 100 درصد و حداقل عملکرد ماده خشک (5.8 گرم) در تیمار با شوری 10 دسی زیمنس بر متر و کود مصرفی صفر درصد به دست آمد. مدل های تعدیل یافته لیبیگ-اسپرینگل (LS)و میچرلیخ-بال(MB) برای مدل سازی پاسخ گیاه به عناصر غذایی مورد ارزیابی قرار گرفتند. مقایسه آماره های ارزیابی مدل ها نشان داد که برای مدل سازی گیاه گوجه فرنگی در شرایط توأمان تنش شوری و کمبود نیتروژن، مدل تعدیل یافته MB (d=0.95) در مقایسه با مدل تعدیل یافته LS (d=0.88) برازش بهتری با داده های اندازه گیری شده داشت. بنابراین، استفاده از مدل تعدیل یافته (MB) برای برآورد عملکرد نسبی گوجه فرنگی توصیه می گردد. همچنین نتایج اثرات توأمان تنش های شوری و نیتروژن نشان می دهد که در یک سطح شوری با افزایش مقدار کود نیتروژن عملکرد ماده خشک گیاه افزایش یافته و با زیاد شدن شوری در یک سطح نیتروژن، عملکرد ماده خشک کاهش یافته است. آستانه کاهش عملکرد درشرایط شوری ثابت نبوده و بستگی به مقدار نیتروژن موجود در خاک دارد. در تیمار بدون مصرف نیتروژن، افزایش شوری تاثیر چندانی بر کاهش عملکرد نسبی نداشت. این امر نشان دهنده تاثیرگذار بودن عامل کمبود نیتروژن نسبت به شوری می باشد. بنابراین با مدیریت کود نیتروژن می توان، آستانه تحمل گیاه گوجه فرنگی به شوری را افزایش داد.

در این پژوهش از دو مدل یادگیری ماشین شامل LS-SVR و ANFIS برای پیش­بینی عمق آب شستگی اطراف پایه­های پل استفاده شد. برای این منظور از 240 سری داده شامل پارامترهای مرتبط با هندسه پایه ها، شرایط جریان و خصوصیات جریان و نیز پارامترهای بدون بعد استفاده شد. برای پیش­بینی از دو الگوی ورودی استفاده شد. در الگوی اول، پارامترهای بدون بعد و در الگوی دوم پارامترهای با بعد در نظر گرفته شدند. عملکرد مدل ها با استفاده از معیارهای ریشه میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و ضریب نش-ساتکلیف (NSE) ارزیابی شدند. نتایج نشان داد که در هر دو مدل، استفاده از پارامترهای با بعد برای پیش­بینی منجر به دقت بالای پیش­بینی می شود. مقایسه بین مدل ها نیز نشان داد که الگوریتم LS-SVR  با معیارهایRMSE=46.84, MAPE=38.03 , NSE=0.62 برای داده­های آزمون الگوی اول و RMSE=28.62 , MAPE=38.97 , NSE=0.67 برای داده­های آزمون الگوی دوم دقت بالاتری نسبت به الگوریتم ANFIS دارد. نتایج این تحقیق حاکی از این است که مدل­های یادگیری ماشین جایگزین مناسبی برای مدل­های تجربی در پیش­بینی عمق آبشستگی پایه­های پل هستند.

رودخانه ها مهم ترین منابع آب آشامیدنی، کشاورزی و صنعت به شمار می روند. ازاین رو بررسی و تخمین پارامترهای کیفی آب در طول یک رودخانه باید مورد توجه قرار گیرد. در این پژوهش از سه مدل سیستم سامانه استنتاجی عصبی-فازی تطبیقی (ANFIS)، حداقل مربعات ماشین بردار پشتیبان (LS-SVM) و برنامه ریزی بیان ژن (GEP) برای تخمین برخی از پارامترهای کیفی آب (کل جامدات محلول، هدایت الکتریکی و سختی کل) رودخانه سفیدرود طی یک دوره آماری 40 ساله استفاده شد. ارزیابی این سه روش هوش مصنوعی توسط معیارهای آماری ضریب هم بستگی (R)، ضریب کارایی نش-ساتکلیف (NSE)، مربع میانگین خطای استاندارد نرمال شده (NMSE) و میانگین قدر مطلق خطا (MAE) انجام شد. نتایج حاصل از این پژوهش نشان داد که هر سه روش هوش مصنوعی ANFIS، LS-SVM و GEP قابلیت بسیار زیادی در تخمین پارامترهای کیفی TDS، TH، EC دارند. به صورتی که برای تخمین TDS روش LS-SVM، (RTrain=0. 95 RTest=0. 96)، برای تخمین EC، روش GEP، (RTrain=0. 94 RTest=0. 95) و برای تخمین TH روش ANFIS، ((RTrain=0. 92 RTest=0. 94 بهترین شبیه سازی را انجام دادند. این پژوهش نشان می دهد که با استفاده از روش های هوش مصنوعی می توان غلظت پارامترهای کیفی را در صورت عدم اندازه گیری آنها و بر اساس غلظت سایر پارامترهای کیفی محاسبه کرد.

پیش بینی جریان رودخانه به منظور مدیریت و برنامه ریزی منابع آب در رودخانه ها، دریاچه ها، مخازن سدها و همچنین برای حفاظت کناره های رودخانه در زمان وقوع سیلاب انجام می گیرد. در این تحقیق از مدل های شبکه های عصبی مصنوعی، هیبرید موجک عصبی، برنامه ریزی بیان ژن و کمترین مربعات ماشین بردار پشتیبان به منظور تخمین جریان روزانه رودخانه خیاوچای استفاده شد. بدین منظور داده های دبی و بارش روزانه ایستگاه هیدرومتری پل سلطانی واقع بر رودخانه یادشده طی دوره آماری 1378 1392 به کار گرفته شد. پس از محاسبه ضرایب همبستگی متقابل متغیرهای بارش و دبی، شش الگوی مختلف به منظور تخمین رواناب روزانه تعیین شد. برای ارزیابی مدل ها از شاخص های آماری و آزمون ANOVA استفاده شد. نتایج بیان کننده برتری مدل هیبرید موجک عصبی با بیشترین ضریب همبستگی (877/0=R)، کمترین ریشه میانگین مربعات خطا (696/0=RMSE) و ضریب نش ساتکلیف برابر 767/0 در مرحله صحت سنجی بود. نتایج آزمون آنوا نیز نتایج شاخص های آماری را تأیید کرد و مدل هیبرید موجک عصبی با داشتن کمترین مقدار آماره F (11/0) و بیشترین سطح معناداری (75/0) به عنوان بهترین مدل شناخته شد. در برآورد دبی بیشینه (سیلاب) نیز مدل یادشده با میانگین خطای نسبی 19/30 درصد، به مقدار شایان توجهی خطای کمتری نسبت به سایر مدل ها داشت.

بررسی اثرات متقابل شوری و عناصر غذایی اهمیتی فراوان در مدیریت بهینه منابع آب و خاک در مناطق خشک و نیمه خشک دارد. هدف از این پژوهش، مدل سازی واکنش گیاه کلزا (Brassica napus L.) به شوری به هنگام وجود کمبود نیتروژن بود. بدین منظور، مدل های مبنایی باروری خاک شامل لیبیگ- اسپرنگل (LS) و میچرلیخ- بال (MB) که تنها برای پاسخ گیاه به یک عامل محدودکننده غذایی پیشنهاد شده اند، به گونه ای اشتقاق یافتند که بتوان از آنها برای تنش های توأمان شوری و کمبود ازت استفاده کرد. به منظور دستیابی به داده های مورد نیاز و آزمون مدل های پیشنهادی، آزمایشی پنج سطح شوری آب آبیاری شامل آب غیرشور، 3، 6، 9 و 12 دسی زیمنس بر متر و چهار سطح کود ازتی شامل 0، 75، 150 و 300 میلی گرم ازت در کیلوگرم خاک در سه تکرار انجام شد. نتایج حاصل از خروجی مدل ها با استفاده از آماره های خطای بیشینه (ME)، ریشه میانگین مربعات خطا (RMSE)، ضریب تبیین (CD)، کارآیی مدل (EF) و ضریب خطای تجمعی (CRM) با یکدیگر مقایسه شدند. تجزیه و تحلیل این آماره ها نشان داد که مدل پیشنهادی LS برای برآورد عملکرد نسبی دانه در سطوح نیتروژن خاک نسبت به سایر مدل ها مناسب تر است. حال آنکه مدل پیشنهادی MB در سطوح شوری آب آبیاری و ترکیب سطوح شوری و نیتروژن توانست نسبت به دیگر مدل ها برآوردی بهتر ارائه دهد. بدین ترتیب می توان نتیجه گرفت که مدل های پیشنهادی با دقتی مناسب قادر به پیش بینی اثرات متقابل شوری و کمبود نیتروژن می باشند.

این مطالعه روشی برای طراحی شبکه های پایش کمی آب زیر زمینی به منظور کاهش نقاط پایش مکانی اضافی ارائه می کند؛ چاه های اضافی، که اگر نمونه گیری نشوند، خطا تخمین سطح آب زیرزمینی آن ها قابل چشم پوشی است. این روش مبتنی بر روش ماشین بردار پشتیبان بر پایه تئوری یادگیری آماری است. در این مطالعه، با استفاده از اطلاعات کمی 63 چاه مشاهداتی و پارامترهای هواشناسی (بارندگی و تبخیر) دشت رامهرمز، در دوره 7 ساله، عملکرد مدل حداقل مربعات ماشین بردار پشتیبان (LS-SVM) در طراحی شبکه برداشت چاه های مشاهداتی آب زیرزمینی بررسی شد. ترکیب های مختلف پارامترهای اثرگذار بر تراز سطح آب زیرزمینی با استفاده از مدل LS-SVM ارزیابی شد. ترکیب برتر مدل LS-SVM دربرگیرنده شاخص های عملکرد (MAE= 0.3405 و 0.9992= R2) است. سپس، با استفاده از تابع تقریب بهینه، 42 عدد چاه مشاهداتی به منظور پایش مکانی مناسب در منطقه دشت رامهرمز مشخص شد.

کنترل کیفیت آب زیرزمینی به علت کمبود آب در مناطق خشک و نیمه خشک از اهمیت ویژه ای برخوردار است. مدل های زمین آماری، روش های توسعه یافته پهنه بندی برای پیش بینی مکانی و میانیابی پارامترهای آب زیرزمینی محسوب می شود. در این پژوهش روش های IDW، کریجینگ و کوکریجینگ در زمین آمار با مدل های پرسپترون چندلایه و مدل حداقل مربعات ماشین بردار پشتیبان برای پیش بینی توزیع مکانی پارامتر EC آب زیرزمینی بررسی و با یکدیگر مقایسه شد. داده ها از 120 چاه در دشت مشهد جمع آوری شد. بعد از نرمال کردن داده ها به منظور استفاده در مدل های زمین آماری، واریوگرام ها ترسیم و برای انتخاب مدل مناسب، کمترین RSS استفاده شد. سپس با استفاده از اعتبارسنجی متقابل و معیار RMSE، بهترین مدل درونیابی انتخاب شد. برای مقایسه سه مدل از 25 درصد داده های مشاهده ای استفاده و پارامترهای آماری RMSE، R2 و MAE تعیین شدند. نتایج نشان داد که برای درونیابی کیفیت آب زیرزمینی روش کوکریجینگ نسبت به کریجینگ ارجحیت دارند. مدل پرسپترون چند لایه با دقت RMSE برابر 369.9 میکروموس بر سانتی متر، R2 برابر 0.932 و MAE برابر 265.78 میکروموس بر سانتی متر نسبت به دیگر مدل ها از دقت بیشتری برخوردار است.

مدل سازی یا شبیه سازی سیل یکی از راهکارهای اساسی برای مدیریت و کاهش اثرات مخرب این پدیده بوده و شناسایی مدل هایی کارآمد بدین منظور، یکی از مهم ترین ارکان در مدیریت حوضه های آبریز است. در این پژوهش دقت مدل های ماشین بردار کلاسیک(SVM) ، ماشین بردار پشتیبان تلفیق شده با الگوریتم ملخ  (GOA-SVM)و حداقل مربعات ماشین بردار پشتیبان (LS-SVM) در شبیه سازی دبی اوج سیل ایستگاه پل دختر در حوضه کرخه، مورد ارزیابی قرار گرفته است. بدین منظور از آمار 74 واقعه سیل در محدوه سال های 1388 تا 1395 در ایستگاه پل دختر و بارش روزانه 13 ایستگاه باران سنجی در حوضه آبریز بالادست این ایستگاه استفاده شده است. از این تعداد، 52 واقعه برای آموزش و 22 واقعه نیز برای صحت سنجی مدل ها انتخاب شد. مقایسه نتایج به کمک چهار شاخص آماری ضریب تبیین(R^2)، جذر میانگین مربعات خطا (RMSE)، خطای استاندارد (SE)، ضریب نش (NS) و همچنین تحلیل عدم قطعیت به کمک دو شاخص متوسط طول بازه نسبی  (ARIL)و درصد پوشش (POC) صورت گرفت. نتایج حاکی از برتری نسبی مدل LS-SVM با 407/0SE=، 16/110RMSE=، 91/0NS= و 92/0R2= نسبت به مدل SVM با  5/0 SE=، 70/137RMSE=، 87/0NS= و 88/0R2= و مدل SVM-GOA با 519/0 SE=، 53/144RMSE=، 83/0NS= و 9/0R2= است. متوسط مدت زمان اجرای مدلLS-SVM   در حد چند ثانیه و این زمان در مدل SVM-GOA در حد چند ساعت است. از سوی دیگر تنظیم پارامترهای مدل SVM کلاسیک بصورت دستی نیز مستلزم صرف زمان زیادی است. لذا مدلLS-SVM  به دلیل دارا بودن پارامترهای قابل تنظیم کمتر نسبت به مدل های SVM وSVM-GOA ، از لحاظ اجرایی ازسهولت بیشتری برخوردار است. لذا می توان با قطعیت و اختلافی چشمگیر مدلLS-SVM  را نسبت به دو مدل دیگر در ارجحیت قرار داد.