تعداد نشریات | 31 |
تعداد شمارهها | 990 |
تعداد مقالات | 8,645 |
تعداد مشاهده مقاله | 9,300,037 |
تعداد دریافت فایل اصل مقاله | 7,442,940 |
پیشبینی میزان بهرهبرداری از منابع آب زیرزمینی شهرستان جیرفت و امکان تغذیه آنها بهکمک نزولات جوی | ||
علوم و مهندسی آبیاری | ||
مقاله 4، دوره 40، 1-1، خرداد 1396، صفحه 39-48 اصل مقاله (543.42 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22055/jise.2017.12955 | ||
نویسنده | ||
سمیه امیرتیموری | ||
استادیار گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
چکیده | ||
افزایش مصرف آب ناشی از افزایش جمعیت باعث کاهش کیفی و کمی آبهای قابل استحصال شده است. مدیریت منابع آب بهویژه آبهای زیرزمینی، در مناطق خشک و نیمه خشک از اهمیت خاصی برخوردار است. شهرستان جیرفت یکی از مناطق مهم کشاورزی در کشور بهشمار میآید که در سالهای اخیر به دلیل بهرهبرداری بیرویه از منابع آب زیرزمینی با افت شدید سطح این آبها مواجه بوده است. لذا در این مطالعه بهمنظور بررسی چگونگی بهرهبرداری از منابع آب زیرزمینی در شهرستان جیرفت و امکان تغذیه آنها بهوسیله نزولات جوی در سالهای آینده، به پیش بینی سطح این آبها و میزان بارندگی طی سالهای 96-1393پرداخته شده است. بدین منظور از مدل شبکه عصبی مصنوعی استفاده شد. نتایج نشان داد که اگر روند کنونی بهرهبرداری از این آبها ادامه یابد، سطح آبهای زیرزمینی این شهرستان طی چهار سال و نیم آینده، حدود 68/6 متر کاهش مییابد و نزولات جوی نمیتواند به افزایش سطح این آبها کمک نماید. لذا راهکارهایی همانند بالا بردن بهرهوری آب در بخش کشاورزی و استفاده از روشهای نوین آبیاری بهمنظور کاهش مصرف آب و در نتیجه جلوگیری از بهرهبرداری بیشتر، میتواند در پیشگیری از کاهش سطح این آبها مورد استفاده قرار گیرد. | ||
کلیدواژهها | ||
مدل شبکه عصبی مصنوعی؛ روش انتشار برگشتی؛ آب زیرزمینی | ||
مراجع | ||
1- اسفندیاری درآباد، ف.، حسینی، ا.، آزادی مبارکی، م. و ز. حجازی زاده. 1389. پیش بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چند لایه (MLP). فصلنامه انجمن جغرافیای ایران، 27: 65-45.
2- اکبری، م.، جرگه، م. و ح. مدنی سادات. 1388. بررسی افت سطح آبهای زیرزمینی با استفاده از سیستم اطلاعات جغرافیایی (GIS) (مطالعه موردی: آبخوان دشت مشهد). مجله پژوهشهای حفاظت آب و خاک، 16(4): 78-63.
3- ایزدی، ع.، داوری، ک.، علیزاده، ا. و ب. قهرمان. 1387. کاربرد مدل دادههای ترکیبی در پیش بینی سطح آب زیرزمینی. مجله آبیاری و زهکشی ایران، 2(2): 143-142.
4- خوشحال دستجردی، ج. و م. حسینی. 1389. کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی (مطالعه موردی: استان اصفهان). مجله جغرافیا و برنامهریزی محیطی، 39(3): 120-107.
5- دلاور، م. 1384. تحلیل و ارائه مدل نوسانات تراز آب دریاچه ارومیه و آنالیز ریسک مناطق ساحلی. پایان نامه کارشناسی ارشد آبیاری، دانشکده کشاورزی، دانشگاه تربیت مدرس، 117 صفحه.
6- رحمانی، ع. و م. سدهی. 1383. پیش بینی تغییرات سطح آب زیرزمینی دشت همدان- بهار با مدل سریهای زمانی. مجله آب و فاضلاب، 51: 49-42.
7- روشن، ر. 1385. پیش بینی تورم ایران به کمک مدلهای ARIMA, GHARCH, ARCH و شبکههای عصبی و مقایسه کارایی مدلهای مذکور. پایان نامه کارشناسی ارشد اقتصاد، دانشکده علوم اداری- اقتصادی، دانشگاه زاهدان، 135 صفحه.
8- ﺻﺎدﻗﯽ، ح.، ذوالفقاری، م. و م. الهامینژاد. 1390. مقایسه عملکرد شبکههای عصبی و مدل ARIMA در مدلسازی و پیشبینی کوتاهمدت قیمت سبد نفتخام اوپک (با تاکید بر انتظارات تطبیقی). فصلنامه مطالعات اقتصاد انرژی، 28: 47-25.
9- طرازکار، م. 1384. پیش بینی قیمت برخی محصولات زراعی در استان فارس: کاربرد شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شیراز، 183 صفحه.
10- فلاح، س.، قبادی نیا، م.، شکرگزار دارابی، م. و ش. قربانی دشتکی. 1391. بررسی پایداری منابع آب زیرزمینی دشت داراب استان فارس. مجله پژوهش آب در کشاورزی، 26(2): 172-161.
11- ﻓﻬﻴﻤﻲﻓﺮد، س.، سالارپور، م. و م. صبوحی. 1390. مقایسه توان پیشبینی مدل عصبی-فازی ANFIS با مدل شبکه عصبی ANN و خود رگرسیونی ARIMA مطالعه موردی قیمت هفتگی تخممرغ. فصلنامه اقتصاد کشاورزی و توسعه، 74: 203-181.
12- کریمی گوغری، ش. و ا. اسلامی. 1387. پیش بینی بارندگی سالانه در استان کرمان با استفاده از شبکه های عصبی مصنوعی. مجله آبیاری و زهکشی ایران، 2 (2): 132-123.
13- محتشم، م.، دهقانی، ا. ا.، اکبرپور، ا. و م. مفتاح هلقی. 1388. پیشبینی سطح ایستایی آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند). هشتمین کنگره بین المللی مهندسی عمران، دانشگاه شیراز، شیراز. اردیبهشت.
14- منهاج، م. 1377. مبانی شبکههای عصبی (هوش محاسباتی). نشر دکتر حسابی، چاپ اول، تهران، 718 صفحه.
15- ﻣﻨﻬﺎج، م. کاظمی، ع. شکوری گنجوی، ح. و م. مهرگان. 1388. ﭘﻴﺶﺑﻴﻨﻲ ﺗﻘﺎﺿﺎی اﻧﺮژی ﺑﺨﺶ ﺣﻤﻞ و ﻧﻘﻞ ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪﻫﺎی ﻋﺼﺒﻲ: مطالعه ﻣﻮردی در اﻳﺮان. پژوهشهای مدیریت در ایران، 66: 220-203.
16- نجفی، ب. و م. طرازکار. 1385. پیش بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی مصنوعی. پژوهشنامه بازرگانی، 39: 214-191.
17- یوسفیراد، م.، صفایی جزی، ر. و م. بخشایی. 1387. محاسبه حجم آبخوانهای آبرفتی (سفرههای آب زیر زمینی) در سیستم اطلاعات جغرافیایی (GIS) مطالعه موردی : دشت کمیجان اراک. همایش ژئوماتیک، تهران، اردیبهشت.
18- Bithas, K. 2008. The sustainable residential water use: Sustainability, efficiency and social equity. Ecological Economics, 68: 221-229.
19- Chen, X., Racine, J. and R. N. Swanson. 2001. Semiparametric ARX neural network models with an application to forecasting inflation. Neural Networks, 12 (4): 674-683.
20- Elsafi, S. H. 2014. Artificial Neural Networks (ANNs) for flood forecasting at Dongola station in the river Nile, Sudan. Alexandria Engineering Journal, 53 (3): 655-662.21- Haoffi, Z., Guoping, X., Fagting, Y. and Y. Han. 2007. A neural network model based on the multi-stage optimization approach for short-term food price forecasting in China. Expert Systems with Applications, 33: 347-356.
22- Hetch-Nielsen, R. 1987. Kolmogorovʼs mapping neural networks existence theorem. In first IEEE International Conference on Neural Networks, San Diego, California., 3-11, IEEE, Piscataway, N. J.
23- Hotunluoglu, H. 2011. Forecasting Turkey’s energy demand using artificial neural networks: Three scenario application. Journal of Ege Academic Review, 11: 87-94.
24- Kavaklioglu K., Ceylan H., Ozturk, H.K. and O. E. Canyurt. 2009. Modeling and prediction of Turkey’s electricity consumption using Artificial Neural Networks. Energy Conversion and Management, 50: 2719–2727.
25- Khan, S., Gabriel, H. F. and T. Rana. 2008. Standard precipitation index to track drought and assess impact of rainfall on watertables in irrigation areas. Irrigation and Drainage Systems, 22:159–177. | ||
آمار تعداد مشاهده مقاله: 872 تعداد دریافت فایل اصل مقاله: 570 |