ORIGINAL_ARTICLE
ارائه یک رویکرد برنامه ریزی ریاضی برای بهینه سازی مساله برنامه ریزی کاشت محصولات کشاورزی تحت شرایط عدم قطعیت عدد زی
سابقه و هدف: کشاورزی به عنوان یکی از منابع اصلی ثروت در اقتصاد به شمار میرود. بنابراین کشورهای در حال توسعه برای برون رفت از بحرانهای اقتصادی و به دلیل نقش به سزایی که این بخش در تامین غذا، رفاه جامعه و در نهایت رشد اقتصاد ملی ایفا میکند، آن را سر لوحه برنامه های اقتصادی خود قرار میدهند. مدیریت و برنامهریزی در خصوص منابع آب کشاورزی بسیار حیاتی است. در این پژوهش، علاوه بر تولید محصول به جنبه واردات آن هم توجه شده است. هدف این پژوهش بررسی ظرفیت زمین برای کاشت و منابع موجود برای تولید محصول می باشد تا از این طریق بتوان در راستای بهبود شرایط اقتصادی و اجتماعی کشاورزان در کشور گام برداشت. مواد و روشها: در این پژوهش داده های مورد مطالعه برگرفته از گزارشات مستند از وزارت جهاد کشاورزی و کمیته ملی آبیاری و زهکشی ایران است. در این مطالعه ابتدا یک مدل ریاضی جامع ارائه داده شد که اهدافی نظیر کاهش میزان آب مصرفی، افزایش تولید محصولات استراتژیک و توجه به عوامل اجتماعی همچون اشتغال نیروهای محلی را در نظر گرفته است. در واقع، میتوان تعیین نمود که چه میزان آب برای تولید چه محصولی بایستی اختصاص یابد تا هم از لحاظ مدیریت جامع منابع آب مفید باشد و هم کشاورزان سود بیشتری داشته باشند. بهطور عمومی ذات مسائل تصمیم در دنیای واقعی دارای عدم قطعیت میباشد و یافتن جواب بهینه و درست بدون توجه به این موضوع موجب تصمیم گیری غیر واقعی خواهد شد. اگر چه رویکرد تصمیم گیری فازی می تواند بسیاری از شرایط غیر قطعی مساله را در نظر بگیرد، اما این رویکرد دارای محدودیتهای کاربردی می باشد و در بعضی از شرایط ممکن است نتواند عدم قطعیت موجود در دنیای واقعی را بخوبی ترسیم نماید. بر همین اساس، مفهوم جدیدی از عدم قطعیت با عنوان عدد زی مورد استفاده قرار می گیرد. همچنین، برای حل مسئله چند هدفه از یک رویکرد چند هدفه تعاملی استفاده شده است. روش مورد استفاده در این پژوهش برنامه ریزی ریاضی خطی است و با نرم افزار سیپلکس حل شده است.یافتهها: در کشور الگوی کشت محصولات کشاورزی بر مبنای نیاز منطقهای، وضعیت ذخایر آبی و میزان صادرات وجود ندارد و این مسئله نهتنها هدر رفت منابع آبی را به دنبال داشته که باعث کاهش بهرهوری و زیان کشاورزان شده است. بدون تبعیت از برنامه خاصی، نوسان شدید قیمت محصولات کشاورزی در بازار مصرف وجود دارد. با توجه به استراتژیک در نظر گرفته شدن برخی محصولات کشاورزی مانند گندم، یونجه و جو در تحقیق حاضر، میزان تولید این محصولات نسبت سایر محصولات بیشتر است. در 22% از حجم زمین مورد نظر محصولی کاشت نخواهد شد و این امر به عواملی همچون منابع مورد نیاز برای کاشت و همچنین به صرفه بودن کاشت نسبت به واردات آن بستگی دارد.نتیجهگیری: نتایج بدست آمده نشان میدهد که برای مدل، استراتژیک بودن محصولات کشاورزی از اهمیت بالا و میزان تولید آنها از اولویت بیشتری برخوردار است. این پژوهش با توجه به آمار وزارت کشاورزی در سال 1393، 18/61% سهم کل محصولات کشاورزی را پوشش میدهد که این رقم در مقایسه با مقالات قبل بسیار رقم چشمگیری است. از طرفی تحلیل نتایج بدست آمده بر اساس رویکرد عدد زی بیانگر ارائه یک جواب محافظ کارانه نسبت به سایر روش های رویکرد فازی و قطعی است.
https://jwsc.gau.ac.ir/article_4374_eb05cd9d6526eecc5c83b6dce28502f8.pdf
2018-12-22
1
24
10.22069/jwsc.2019.14505.2932
برنامه ریزی کاشت
عدم قطعیت
عدد زی
مدیریت منابع آب
برنامه ریزی چند هدفه
احمدعلی
عابدین پور
ahmad_abedinpour8876@yahoo.com
1
دانشجوی کارشناسی ارشد لجستیک و زنجیره تامین دانشگاه علم و صنعت ایران
AUTHOR
آرمین
جبارزاده
arminj@iust.ac.ir
2
استادیار دانشکده صنایع دانشگاه علم و صنعت ایران
LEAD_AUTHOR
محسن
یحیائی
mohsen.yahyayi@gmail.com
3
دانشجوی دکتری مهندسی صنایع صنایع دانشگاه علم و صنعت ایران
AUTHOR
1.Adeyemo, J., and Otieno, F. 2010. Differential evolution algorithm for solving multi-objective crop planning model. Agric. Water Manag. 97: 6. 848-856.
1
2.Arab, E., Purasghar Sangachin, F., and Nasrabadi, T. 2013. Investigating the flow of virtual water in Iran’s major agricultural products and providing a solution for optimizing net flow of water. University of Tehran. 32: 123-150.(In Persian)
2
3.Azadeh, A., and Kokabi, R. 2016. Z-number DEA: A new possibilistic DEA in the context of Z-numbers. Adv. Eng. Informatics. 30: 3. 604-617.
3
4.Babuye Moghadam, M., and Saedlu, H. 1983. Iranian Agriculture in the 1966-76. University of Tehran. 25: 88-103. (In Persian)
4
5.Bafkar, A., Farhadi Bansouleh, B., and Boroomandnasab, S. 2017. Optimization of water use in agriculture using the results of a crop growth simulation model (WOFOST) (Case study: Mahidasht-Kuzaran, ermanshah Province). J. Water Soil Conserv. 23: 6. 301-315. (In Persian)
5
6.Dadgar, L., Adibi, H., and Amini, A. 2008. Review of government support policies in the production and consumption of agricultural products and their results in 1335-1352. University of Tehran. 61: 534-551. (In Persian)
6
7.Dasturani, M., Tavili, A., Zehtabian, G., and Seyed-Seragi, H. 2010. Criteria and Indicators of Agriculture in Sustainable Development. University of Tehran. 72: 512-529. (In Persian)
7
8.Eyupoglu, S.Z., Jabbarova, K.I., and Aliyeva, K.R. 2017. The Identification of Job Satisfaction under Z-Information,” Intell. Autom. Soft Comput., vol. 8587, no. October, Pp: 1-5.
8
9.Flavell, R.B. 2017. Innovations continuously enhance crop breeding and demand new strategic planning. Glob. Food Sec. 12: 15-21. (In Persian)
9
10.Gupta, A.P., Harboe, R., and Tabucanon, M.T. 2000. Fuzzy multiple-criteria decision making for crop area planning in Narmada river basin. Agric. Syst. 63: 1. 1-18.
10
11.Hatefi, S.M., Jolai, F., Torabi, S.A., and Tavakkoli-Moghaddam, R. 2014. Reliable Design of an Integrated Forward-Revere Logistics Network under Uncertainty and Facility Disruptions: A Fuzzy Possibilistic rograming Model. KSCE J. Civ. Eng. 00: 1. 1-12.
11
12.Hoseininam, Feizi, and Khakzand. 2015. Designing a Center for Organic Food Production in Tehran Using the Urban Agriculture Approach to Ensure Food Security. University of Tehran. 48: 348-362. (In Persian)
12
13.Hu, Z., Wei, C., Yao, L., Li, C., Zeng, Z., and Asce, A.M. 2015. Integrating Equality and Stability to Resolve Water Allocation Issues with a Multiobjective Bilevel Programming Model. Water Resour. Plann. Manag. 142: 7.
13
14.Itoh, T., Ishii, H., and Nanseki, T. 2003. A model of crop planning under uncertainty in agricultural management. 3: 3. 1-15.
14
15.Jiménez, M., Arenas, M., Bilbao, A., and Rodríguez, M.V. 2007. Linear programming with fuzzy parameters: An interactive method resolution. Eur. J. Oper. Res. 177: 3. 1599-1609.
15
16.Kermani, M., Périn Levasseur, Z., Benali, M., Savulescu, L., and Maréchal, F. 2016. A novel MILP approach for simultaneous optimization of water and energy: Application to a Canadian softwood Kraft pulping mill. Comput. Chem. Eng. 102: 238-257.
16
17.Kiani, Z., Montazer, A.A., and Mashal, M. 2012. Investigating the Effect of Integrated Approach and Optimal Distribution of Water in Different Irrigation Network Areas in Improving Agricultural Water Utilization. 12: 86-97. (In Persian)
17
18.Liu, J., Li, Y.P., Huang, G.H., Zhuang, X.W., and Fu, H.Y. 2017. Assessment of uncertainty effects on crop planning and irrigation water supply using a Monte Carlo simulation based dual-interval stochastic programming method. J. Clean. Prod. 149: 945-967.
18
19.Molinos Senante, M., Hernández Sancho, F., Mocholí Arce, M., and Sala Garrido, R. 2014. A management and optimisation model for water supply planning in water deficit areas. J. Hydrol. 515: 139-146.
19
20.Monajemi, E., and Rashedmahsal, M.T. 1992. The Importance of Agriculture, Water and Plant in Ancient Iran. University of Tehran. 5: 32-51. (In Persian)
20
21.Naderi, M.J., Pishvaee, M.S., and Ali ahmadi, A. 2016. Designing a water supply and sewage collection system under uncertainty. Iran University of Science and Technology. 72: 305-322. (In Persian)
21
22.Niu, G., Li, Y.P., Huang, G.H., Liu, J., and Fan, Y.R. 2016. Crop planning and water resource allocation for sustainable development of an irrigation region in China under multiple uncertainties. Agric. Water Manag. 166: 53-69.
22
23.Qiu, D., Dong, R., Chen, S., and Li, A. 2017. On an Optimization Method Based on Z-Numbers and the Multi-Objective Evolutionary Algorithm. Intell. Autom. Soft Comput. 24: 1.
23
24.Radulovich, R. 1987. AQUA, a model
24
to evaluate water deficits and excesses in tropical cropping. Part I. Basic assumptions and yield. Agric. For. Meteorol. 40: 4. 305-321.
25
25.Radulovich, R. 1990. AQUA, a model to evaluate water deficits and excesses in tropical cropping. Part II. Basic assumptions and yield. Agric. For. Meteorol. 40: 4. 253-261.
26
26.Sakawa, M., Yano, H., and Yumine, T. 1987. An Interactive Fuzzy Satisficing Method for Multiobjective Linear-Programming Problems and Its Application. Trans. Syst. MAN, Cybern. 8714520: 654-661.
27
27.Salazar, M., Fitz, R., and Pérez, S. 2017. Agricultural Production Planning in a Fuzzy Environment. Optim. Dyn. with Their Appl. Pp: 282-293.
28
28.Santos Pereira, L., Oweis, T., and Zairi, A. 2002. Irrigation management under water scarcity. Agric. Water Manag. no. 57: 175-206.
29
29.Sarker, R., and Ray, T. 2017. An improved evolutionary algorithm for solving multi-objective crop planning models. Comput. Electron. Agric. 68: 2. 191-199.
30
30.Sharma, D.K., Ghosh, D., and Alade, J.A. 2006. A fuzzy goal programming approach for regional rural development planning. Appl. Math. Comput. 176: 1. 141-149.
31
31.Sharma, D.K., Gaur, A., and Ghosh, D. 2008. Goal Programming Model for Agricultural LandAllocation Problems. Int. J. Model. Simul. 28: 1. 43-48.
32
32.Soroudi, A., and Amraee, T. 2013. Decision making under uncertainty in energy systems: State of the art. Renew. Sustain. Energy Rev. 28: 376-384.
33
33.Srivastava, P., and Singh, R.M. 2017. Agricultural land allocation for crop planning in a canal command area using fuzzy multiobjective goal programming. J. Irrig. Drain. Eng. 143: 6. 1-9.
34
34.Torabi, S.A., and Hassini, E. 2008. An interactive possibilistic programming approach for multiple objective supply chain master planning. Fuzzy Sets Syst. 159: 2. 193-214.
35
35.Toyonaga, T., Itoh, T., and Ishii, H. 2005. A crop planning problem with fuzzy random profit coefficients. Fuzzy Optim. Decis. Mak. 4: 1. 51-69.
36
36.Yousefi, H., Mohammadi, A., Noorollahi, Y., and Sadatinejad, S. 2017. Water footprint evaluation of Tehran’s crops and garden crops. J. Water Soil Conserv. 24: 6. 67-85. (In Persian)
37
37.Zadeh, L.A. 1965. Fuzzy sets. Inf. Control. 8: 3. 338-353.
38
38.Zadeh, L.A. 2011. A Note on Z-numbers. Inf. Sci. (Ny). 181: 2923-2932.
39
39.Zhang, C., Li, M., and Guo, P. 2017. Two-Stage Stochastic Chance-Constrained Fractional Programming Model for Optimal Agricultural Cultivation Scale in an Arid Area. J. Irrig. Drain. Eng. 143: 9. 1-13.
40
40. Zhang, C., Li, M., and Guo, P. 2018. An interval multistage joint-probabilistic chance-constrained programming model with left-hand-side randomness for crop area planning under uncertainty. J. Clean. Prod. 167: 1276-1289.
41
41.Zhang, D., and Guo, P. 2016. Integrated agriculture water management optimization model for water saving potential analysis. Agric. Water Manag. 170: 5-19.
42
42.Zimmermann, H.J. 1978. Fuzzy programming and linear programming with several objective functions. Fuzzy Sets Syst. 1: 1. 45-55.
43
ORIGINAL_ARTICLE
بررسی پیامد آتشسوزی بر ویژگیهای فیزیکی و شیمیایی خاک در مراتع منطقه بدره (استان ایلام)
سابقه و هدف: آتشسوزی یک تهدید بزرگ منابع طبیعی در جهان محسوب میشود و بهعنوان عاملی مهم در تغییر ویژگیهای فیزیکی و شیمیایی خاک میباشد. آگاهی از پیامدهای مثبت یا منفی آتشسوزی بر ویژگیهای خاک از نظر مدیریت منابع طبیعی می-تواند حائز اهمیت باشد. این مطالعه با هدف بررسی اثر آتشسوزی در مراتع منطقه بدره استان ایلام بر ویژگیهای فیزیکی و شیمیایی خاک و نیز مقایسه آن با مناطق بدون آتشسوزی (شاهد) اجرا گردید. مواد و روشها: پس از بررسیهای صحرایی و میدانی در مراتع منطقه بدره در شرق استان ایلام، پنج نمونه خاک از عمقهای 5-0 و 20-5 سانتیمتری بهصورت تصادفی جمعآوری و به آزمایشگاه منتقل شدند و تجزیههای فیزیکی (بافت، میانگین وزنی قطر خاکدانه، رطوبت اشباع و جرم مخصوص ظاهری) و شیمیایی (مواد آلی، نیتروژن کل، فسفر قابل جذب، پتاسیم قابل جذب، کلسیم و منیزیم محلول، ظرفیت تبادل کاتیونی) روی نمونههای خاک انجام گرفت. یافتهها: بیشترین مقدار شن (4/46 درصد) و سیلت خاک (4/24 درصد) در مرتع سوخته و بیشترین مقدار رس (39 درصد) در مرتع شاهد بهدست آمد. آتشسوزی میزان میانگین وزنی قطر خاکدانه و تخلخل خاک را در مراتع سوخته در مقایسه با مراتع شاهد بهترتیب 28/14 و 76/8 درصد بهطور معنیداری (05/0=α) کاهش داد. جرم مخصوص ظاهری خاک در مرتع سوخته در مقایسه با مرتع شاهد 1/9 درصد بیشتر بود. در عمق سطحی خاک آتشسوزی باعث افزایش رطوبت اشباع خاک بهمیزان 98/16 درصد در مقایسه با تیمار شاهد گردید. آتشسوزی مقدار ماده آلی خاک را از 66/2 درصد در مرتع شاهد به 19/2 درصد در مرتع سوخته بهطور معنیداری (05/0=α) کاهش داد. اسیدیته خاک در مرتع سوخته (45/7pH=) نسبت به مرتع شاهد (07/7pH=) بهطور معنیداری افزایش نشان داد. بیشترین میزان ظرفیت تبادل کاتیونی خاک (82/24 سانتیمول بار در کیلوگرم خاک) و کمترین (98/18 سانتیمول بار در کیلوگرم خاک) بهترتیب در خاک مرتع شاهد و سوخته حاصل گردید همچنین با افزایش عمق خاک، ظرفیت تبادل کاتیونی خاک 14/10درصد کاهش یافت. بیشترین فسفر قابل جذب خاک، منیزیم و کلسیم محلول در مرتع سوخته در عمق سطحی حاصل گردید. آتشسوزی در عمق زیرین خاک، تأثیر معنیداری بر مقدار فسفر قابل جذب، منیزیم و کلسیم محلول خاک نداشت.نتیجهگیری: بهطور کلی نتایج نشان میدهد آتشسوزی در مراتع منطقه بدره استان ایلام بر ویژگیهای فیزیکی و شیمیایی خاک تأثیر داشته است بهطوریکه در بیشتر موارد باعث کاهش کیفیت خاک از لحاظ شیمیایی (کاهش ماده آلی، نیتروژن، ظرفیت تبادل کاتیونی) و فیزیکی (تغییر بافت، کاهش میانگین وزنی قطر خاکدانه، تخلخل و جرم مخصوص ظاهری) و در برخی موارد آتشسوزی با آزاد شدن عناصر غذایی نظیر فسفر، کلسیم و منیزیم در خاک باعث بهبود چرخه عناصر غذایی در خاک شده است.
https://jwsc.gau.ac.ir/article_4375_be30bfa39d10b99cc62c13dc29bff534.pdf
2018-12-22
25
46
10.22069/jwsc.2018.14895.2998
آتشسوزی
خاک مرتع
میانگین وزنی قطر خاکدانه
عمق خاک
ماده آلی
زینب
ریاحی
azinriahi@yahoo.com
1
1دانش آموخته کارشناسی ارشد گروه مهندسی خاک و آب، دانشگاه ایلام
AUTHOR
مسعود
بازگیر
masoud.bazgir@gmail.com
2
استادیار گروه مهندسی خاک و آب، دانشگاه ایلام
LEAD_AUTHOR
فاطمه
ولیزاده کاخکی
f.valizadehk@yahoo.com
3
استادیار گروه مهندسی خاک و آب، دانشگاه ایلام
AUTHOR
محمود
رستمی نیا
mrostaminya@yahoo.com
4
استادیار گروه علوم خاک دانشکده کشاورزی دانشگاه ایلام
AUTHOR
1.Abdi, O., Kamkar, B., Shirvani, Z., Teixeira da Silva, J.A., and Buchroithner, M.F. 2016. Spatial-statistical analysis of factors determining forest fires: a case study from Golestan, Northeast Iran. Geomatics, Natural Hazards and Risk, Pp: 1-14.
1
2.Abrantes, J.R., de Lima, J.L., Prats, S.A., and Keizer, J.J. 2017. Assessing soil water repellency spatial variability using a thermographic technique: An exploratory study using a small-scale laboratory soil flume. Geoderma. 287: 98-104.
2
3.Arocena, J.M., and Opio, C. 2003. Prescribed fire-induced changes in properties of sub-boreal forest soils. Geoderma. 113: 1. 1-16.
3
4.Badía-Villas, D., González-Pérez, J.A., Aznar, J.M., Arjona-Gracia, B., and Martí-Dalmau, C. 2014. Changes in water repellency, aggregation and organic matter of a mollic horizon burned in laboratory: soil depth affected by fire. Geoderma. 213: 400-407.
4
5.Bisdom, E.B.A., Dekker, L.W., and Schoute, J.T. 1993. Water repellency of sieve fractions from sandy soils and relationships with organic material and soil structure. Geoderma. 56: 1-4. 105-118.]
5
6.Busse, M.D., Hubbert, K.R., Fiddler, G.O., Shestak, C.J., and Powers, R.F. 2005. Lethal soil temperatures during burning of masticated forest residues. Inter. J. Wildland Fire. 14: 3. 267-276.
6
7.Chen, Y., and Schnitzer, M. 1978. The surface tension of aqueous solutions of soil humic substances. Soil Science. 125: 1. 7-15.
7
8.Debano, L.F., and Krammes, J.S. 1966. Water repellent soils and their relation to wildfire temperatures. Hydrol. Sci. J. 11: 2. 14-19.
8
9.Dekker, L.W., and Ritsema, C.J. 2000. Wetting patterns and moisture variability in water repellent Dutch soils. J. Hydrol. 231: 148-164.
9
10.Dlapa, P., Simkovic, I., Doerr, S.H., Kanka, R., and Mataix-Solera, J. 2008. Application of thermal analysis to elucidate water-repellency changes in heated soils. Soil Sci. Soc. Amer. J. 72: 1. 1-10.
10
11.Doerr, S.H., Blake, W.H., Shakesby, R.A., Stagnitti, F., Vuurens, S.H., Humphreys, G.S., and Wallbrink, P. 2004. Heating effects on water repellency in Australian eucalypt forest soils and their value in estimating wildfire soil temperatures. Inter. J. Wildland Fire. 13: 2. 157-163.
11
12.Doerr, S.H., Shakesby, R.A., and MacDonald, L.H. 2009. Soil water repellency: A key factor in post-fire erosion? In A. Cerdà and P.R. Robichaud (ed.) Fire effects on soils and restoration strategies. Science Publ., Enfield, NH.
12
13.Doerr, S.H., Shakesby, R.A., and Walsh, R. 2000. Soil water repellency: its causes, characteristics and hydro-geomorphological significance. Earth-Science Reviews. 51: 1. 33-65.
13
14.Fér, M., Leue, M., Kodešová, R., Gerke, H.H., and Ellerbrock, R.H. 2016. Droplet infiltration dynamics and soil wettability related to soil organic matter of soil aggregate coatings and interiors. J. Hydrol. Hydromech. 64: 2. 111-120.
14
15.Gee, G.W., and Or, D. 2002. 2.4 Particle-size analysis. Methods of soil analysis. Part. 4: 598. 255-293.
15
16.González-Peñaloza, F.A., Zavala, L.M., Jordán, A., Bellinfante, N., Bárcenas-Moreno, G., Mataix-Solera, J., Granged, A.J., Granja-Martins, F.M., and Neto-Paixão, H.M. 2013. Water repellency as conditioned by particle size and drying in hydrophobized sand. Geoderma. 209: 31-40.
16
17.Inbar, A., Lado, M., Sternberg, M., Tenau, H., and Ben-Hur, M. 2014. Forest fire effects on soil chemical and physicochemical properties, infiltration, runoff, and erosion in a semiarid Mediterranean region. Geoderma. 221: 131-138.
17
18.Jiménez-Pinilla, P., Doerr, S.H., Ahn, S., Lozano, E., Mataix-Solera, J., Jordán, A., Zavala, L.M., and Arcenegui, V. 2016. Effects of relative humidity on the water repellency of fire-affected soils. Catena. 138: 68-76.
18
19.Jordán, A., Zavala, L.M., Mataix-Solera, J., and Doerr, S.H. 2013. Soil water repellency: origin, assessment and geomorphological consequences. Catena. 108: 1-5.
19
20.Jordán, A., Zavala, L.M., Mataix-Solera, J., Nava, A.L., and Alanís, N. 2011. Effect of fire severity on water repellency and aggregate stability on Mexican volcanic soils. Catena. 84: 3. 136-147.
20
21.Lebron, I., Robinson, D.A., Oatham, M., and Wuddivira, M.N. 2012. Soil water repellency and pH soil change under tropical pine plantations compared with native tropical forest. J. Hydrol. 414: 194-200.
21
22.Leue, M., Gerke, H.H., and Godow, S.C. 2015. Droplet infiltration and organic matter composition of intact crack and biopore surfaces from clay‐illuvial horizons. J. Plant Nutr. Soil Sci.
22
178: 2. 250-260.
23
23.Martínez-Zavala, L., and Jordán-López, A. 2009. Influence of different plant species on water repellency in Mediterranean heathland soils. Catena. 76: 3. 215-223.
24
24.Morgan, R.P.C. 2005. Soil Erosion and Conservation, 3rd. edition. Blackwell Publishing, Oxford.
25
25.Nelson, D.W., and Sommers, L.E. 1996. Total carbon, organic carbon and organic matter. Methods of soil analysis part 3-chemical methods, (methods of soil an 3). Pp: 961-1010.]
26
26.Oostindie, K., Dekker, L.W., Wesseling, J.G., Ritsema, C.J., and Geissen, V. 2013. Development of actual water repellency in a grass-covered dune sand during a dehydration experiment. Geoderma. 204: 23-30.
27
27.Pardini, G., Gispert, M., and Dunjó, G. 2004. Relative influence of wildfire on soil properties and erosion processes in different Mediterranean environments in NE Spain. Science of the total Environment. 328: 1. 237-246.
28
28.Pierson, F.B., and Williams, C.J. 2016. Ecohydrologic impacts of rangeland fire on runoff and erosion: A literature synthesis.
29
29.Schaumann, G.E., Braun, B., Kirchner, D., Rotard, W., Szewzyk, U., and Grohmann, E. 2007. Influence of biofilms on the water repellency of urban soil samples. Hydrologicalprocesses. 21: 17. 2276-2284.
30
30.Shakesby, R.A., Coelho, C.D.A., Ferreira, A.D., Terry, J.P., and Walsh, R.P.D. 1993. Wildfire impacts on
31
soil-erosion and hydrology in wet Mediterranean forest, Portugal. Inter. J. Wildland Fire. 3: 2. 95-110.
32
31.Terefe, T., Mariscal-Sancho, I., Peregrina, F., and Espejo, R. 2008. Influence of heating on various properties of six Mediterranean soils. A laboratory study. Geoderma. 143: 3. 273-280.
33
32.Urbanek, E., Hallett, P., Feeney, D., and Horn, R. 2007. Water repellency and distribution of hydrophilic and hydrophobic compounds in soil aggregates from different tillage systems. Geoderma.140: 1. 147-155.
34
33.Varela, M.E., Benito, E., and Keizer, J.J. 2010. Effects of wildfire and laboratory heating on soil aggregate stability of pine forests in Galicia: The role of lithology, soil organic matter content and water repellency. Catena. 83: 2. 127-134.
35
34.Vogelmann, E.S., Reichert, J.M., Prevedello, J., Consensa, C.O.B., Oliveira, A.É., Awe, G.O., and Mataix-Solera, J. 2013. Threshold water content beyond which hydrophobic soils become hydrophilic: The role of soil texture and organic matter content. Geoderma. 209: 177-187.
36
35.Vogelmann, E.S., Reichert, J.M., Reinert, D.J., Mentges, M.I., Vieira, D.A., de Barros, C.A.P., and Fasinmirin, J.T. 2010. Water repellency in soils of humid subtropical climate of Rio Grande do Sul, Brazil. Soil and Tillage Research. 110: 126-133.
37
36.Watson, C.L., and Letey, J. 1970. Indices for characterizing soil-water repellency based upon contact angle-surface tension relationships. Soil Sci. Soc. Amer. J. 34: 6. 841-844.
38
37.Wijewardana, N.S., Müller, K., Moldrup, P., Clothier, B., Komatsu, T., Hiradate, S., de Jonge, L.W., and Kawamoto, K. 2016. Soil-water repellency characteristic curves for soil profiles with organic carbon gradients. Geoderma. 264: 150-159.
39
ORIGINAL_ARTICLE
مدلسازی فضایی زمینلغزش: ارزیابی کارایی ترکیب روش داده محور EBF و روش دانش محور AHP (مطالعه موردی: حوضه فریدون شهر)
سابقه و هدف: در طی دهههای گذشته، زمین لغزشها به دلیل طبیعت مخربشان موضوع مهم پژوهش بودهاند. زمین لغزشها از فرآیندهای ژئومورفیک رایج در مناطق کوهستانی میباشند که باعث حرکت تودهای مواد سنگی، رگولیت و یا خاک میگردند. تعیین زمین لغزشهای آینده به فرآیندهای زمینشناختی، ژئومورفولوژیکی و هیدرولوژیکی بستگی دارد که باعث بیثباتی در گذشته و حال حاضر شدهاند. به منظور ساخت جادهها، راهآهن، خطوط لوله آب و خطوط الکتریسیته در مناطق کوهستانی تهیه نقشه پراکنش زمینلغزش بسیار مهم میباشد. به منظور ارزیابی حساسیت زمینلغزش تعدادی از تکنیکهای مختلف مورد استفاده قرار میگیرد که دامنهای از ارزیابیهای کیفی بر اساس قضاوتهای کارشناسی که ذاتی میباشند تا ارزیابیهای کمی بر اساس تکنیکهای آماری پیشرفته و یا مدلهای ریاضی را شامل میشود. مواد و روش ها: مراحل روششناسی که در تحقیق حاضر مورد استفاده قرار گرفته است شامل 6 گام میباشد. گام نخست: تهیه منابع دادههایی که در این پژوهش مورد استفاده قرار گرفته است شامل: دادههای مربوط به عملیات میدانی، گزارشات تاریخی، نقشه توپوگرافی با مقیاس 1:50000، دادههای هواشناسی، نقشه زمینشناسی با مقیاس 1:100000، مدل رقومی ASTER با قدرت تفکیک 30 متر و تصاویر لندست 8 با قدرت تفکیک 30 متر. گام دوم. تهیه نقشه پراکنش زمینلغزش: در این پژوهش نقشه پراکنش زمین لغزش با تعداد 80 موقعیت زمینلغزش با استفاده از عملیات میدانی گسترده و تفسیر عکسهای هوایی تهیه گردید. گام سوم: تهیه پارامترهای موثر در زمین لغزش. گام چهارم: آنالیز تست همخطی بین پارامترهای موثر در زمینلغزش. در این پژوهش 12 پارامتر به عنوان پارامتر موثر در زمینلغزش مورد استفاده قرار گرفتند که شامل طبقاتارتفاعی، شیب، شکل-شیب، طولشیب، فاصله از آبراهه، شاخص خیسی توپوگرافی، نسبت مساحت سطح، فاصله از جاده، سنگشناسی، لیتولوژی، بارندگی و کاربریاراضی میباشند. گام پنجم: ترکیب مدل دادهمحور شواهد وزنقطعی و مدل دانشمحور تحلیل سلسله مراتبی با استفاده از رابطه بین موقعیت زمینلغزشها و دادههای مختلف. گام ششم: صحتسنجی مدل با استفاده از شاخصهای مساحت زیرمنحنی و شاخص سطح سلول هسته.یافته ها: نتایج حاصل از رابطه فضایی بین موقعیت زمینلغزشها و پارامترهای موثر در زمینلغزشها با استفاده از مدل شواهد وزن قطعی (قطعیت، عدم قطعیت، عدم اطمینان، و احتمال) در جدول 3 و شکل 3 نشان داده شده است. مقایسه بین نقشه قطعیت و عدمقطعیت نشان داد که مقادیر قطعیت برای مناطقی که دارای مقادیر عدم قطعیت پایین میباشد، بالا میباشد و بالعکس. این موضوع بیانگر پتانسیل بالای وقوع زمینلغزش در مناطق دارای درجات بالای قطعیت و درجات پایین عدم قطعیت میباشد. مقادیر بالای عدماطمینان در مناطق دارای مقادیر قطعیت پایین قرار دارند. وزندهی پارامترهای موثر در زمینلغزش با استفاده از روش AHP نشان داد که پارامترهای لیتولوژی، طبقات ارتفاعی، فاصله از جاده، شیب و بارندگی به عنوان مهمترین فاکتورهای موثر در وقوع زمین لغزش میباشند. نسبت سازگاری ماتریس 036/0 بدست آمد که مقدار دقت خیلیخوبی است که منعکس کننده دقت بالای سازگاری اولویتبندی بین پارامترها میباشد.نتایج: به علت برخی از محدودیتهای روشهای دانشمحور فرآیند تحلیل سلسله مراتبی و دادهمحور شواهد وزن قطعی، زمانی که به صورت انفرادی در زمینه تهیه نقشه حساسیت زمینلغزش مورد استفاده قرار میگیرند، به منظور رفع آن از روش ترکیبی استفاده گردید. نتایج مساحت زیرمنحنی نشان داد که نرخ موفقیت و نرخ پیشبینی برای مدل ترکیبی به ترتیب 872/0 (3/87%) و 903/0 (3/90%) میباشد. نتایج حاصل از مقادیر شاخص SCAI در مدل ترکیبی در کلاسهای حساسیت زیاد و خیلیزیاد قابل قبول میباشد. نقشه حساسیت زمینلغزش حاصله نشان داد که مناطق با حساسیت لغزش بالا در منطقه مطالعاتی عمدتا در طول جهات شمالغربی تا غربی پراکنده شدهاند. این نقشه میتواند اطلاعات مفیدی را در زمینه مدیریت شیب و برنامهریزی کاربری اراضی در مناطق لغزشی در اختیار مهندسین، تصمیمگیران و برنامهریزان قرار دهد.
https://jwsc.gau.ac.ir/article_4376_60dd31e7c9c765dafca57f1a7a665532.pdf
2018-12-22
47
67
10.22069/jwsc.2019.14338.2907
روش دادهمحور
روش دانشمحور
صحتسنجی
حوضه فریدون شهر
علیرضا
عرب عامری
alireza.ameri91@yahoo.com
1
دانشگاه تربیت مدرس
LEAD_AUTHOR
خلیل
رضایی
kh.rezaei@yahoo.com
2
دانشگاه خوارزمی
AUTHOR
مجتبی
یمانی
m.yamani@yahoo.com
3
دانشگاه تهران
AUTHOR
کورش
شیرانی
k_shirani@yahoo.com
4
مرکز تحقیقات
AUTHOR
1.Arabameri, A.R., Shirani, K., and Rezaei, K.H. 2017a. Landslide land capability zonation using Dempster-shafer and frequency ratio models. J. Water Soil Cons. 24: 3. 41-57.
1
2.Arabameri, A.R., Shirani, K., and Rezaei, K.H. 2017b. A Comparative Assessment between Weights-of-Evidence and Frequency Ratio Models for Landslide Hazard Zonation in Vanak Basin. J. Water. Manage. Res. 8: 15. 147-160.
2
3.Arabameri, A.R., Shirani, K., and Tazeh, M. 2017c. Assessment of logistic and multivariate regression Models for Landslide hazard zonation (Case study: Marbor basin). Range and watershed management. 70: 1. 151-168.
3
4.Arabameri, A.R., and Shirani, K. 2016. Identification of Effective Factors on Landslide Occurrence and its Hazard Zonation Using Dempster-Shafer theory (Case study: Vanak Basin, Isfahan Province). Watershed Engineering and Management. 8: 1. 93-106.
4
5.Arabameri, A.R., Shirani, K., and Halabian, A.H. 2016. Evaluation of prediction capability of the Statistical and Logestic models for mapping landslide susceptibility (Case study: Vanakbasin). Physical Geomorphology. 9: 32. 123-140.
5
6.Arabameri, A.R., Halabian, A.H. 2015. Landslide Hazard Zonation Using Statistical Model of AHP (Case
6
study: Zarand Saveh Basin). Physical Geomorphology. 8: 28. 65-86.
7
7.Achour, Y., Boumezbeur, A., Hadji, R., Chouabbi, A., Cavaleiro, V., Bendaoud, E.A. 2017. Landslide susceptibility mapping using analytic hierarchy process and information value methods along a highway road section in Constantine. Algeria, Arab. J. Geosci. 10: 194.
8
8.Cui, K., Lu, D., and Li, W. 2017. Comparison of landslide susceptibility mapping based on statistical index, certainty factors, weights of evidence and evidential belief function models. Geocarto International. 32: 9. 935-955.
9
9.Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D.T., Duan, Z., and Ma, J. 2017a. A comparative study of logistic model tree, random forest and classification and regression tree models for spatial prediction of landslide susceptibility. CATENA. 151: 147-160.
10
10.Chen, W., Xie, X., Peng, J., Wang, J., Duan, Z., and Hong, H. 2017b. GIS-based landslide susceptibility modelling: a comparative assessment of kernel logistic regression, Naıve-Bayes tree, and alternating decision tree models. Geomatics, natural hazards and risks. 8: 2. 950-973.
11
11.Chen, W., Chai, H., Sun, X., Wang, Q., Ding, X., and Hong, H. 2016a. A GIS-based comparative study of frequency ratio, statistical index and weights-of-evidence models in landslide susceptibility mapping. Arab. J. Geosci. 9: 1-16.
12
12.Chen, W., Ding, X., Zhao, R., and Shi, S. 2016b. Application of frequency ratio and weights of evidence models in landslide susceptibility mapping for the Shangzhou District of Shangluo City, China. Environ. Earth Sci. 75: 1-10.
13
13.Chen, W., Li, W., Chai, H., Hou, E., Li, X., and Ding, X. 2016c. GIS-based landslide susceptibility mapping using analytical hierarchy process (AHP) and certainty factor (CF) models for the Baozhong region of Baoji City, China. Environ. Earth Sci. 75: 1-14.
14
14.Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Wehberg, J., Wichmann, V., and Boehner, J. 2015. System for Automated Geoscientific Analyses (SAGA) v. 2.1.4. Geosci. Model Dev. 8, 1991-2007, doi:10.5194/gmd-8-1991-2015.
15
15.Ding, Q., Chen, W., and Hong, H. 2016. Application of frequency ratio, weights of evidence and evidential belief function models in landslide susceptibility mapping. Geocarto Int. 6: 32. 619-639.
16
16.Ercanoglu, M., and Gokceoglu, C. 2002. Assessment of landslide susceptibility for a landslide prone area (north of Yenice, NW Turkey) by fuzzy approach. Environ Geol. 41: 6. 720-730.
17
17.Environment for Visualizing Images (ENVI). 1977. www.harrisgeospatial.com.18.Expert Choice. 1983. www.expertchoice.com.
18
19.Guo-liang, D., Yong-shuang, Z., Javed, I., Zhi-hua, Y., and Xin, Y. 2017. Landslide susceptibility mapping using an integrated model of information value method and logistic regression in the Bailongjiang watershed, Gansu province, China. J. Mt. Sci. 14: 2. 249-268.
19
20.Ghorbani Nejad, S., Falah, F., Daneshfar, M., Haghizadeh, A., and Rahmati, O. 2017. Delineation of groundwater potential zones using remote sensing and GIS-based data-driven models. Geocarto International. 32: 2. 167-187.
20
21.Gorum, T., Fan, X., van Westen, C.J., Huang, R.Q., Xu, Q., Tang, C., and Wang, G. 2011. Distribution pattern of earthquake-induced landslides triggered by the 12 May 2008 Wenchuan earthquake. Geomorphology. 133: 152-167.
21
22.Hengl, T., Gruber, S., and Shrestha, D.P. 2003. Digital terrain analysis in ILWIS. International Institute for Geo-Information Science and Earth Oservation Enschede. The Netherlands, 62p.
22
23.Hong, H., Chen, W., Xu, C., Youssef, A.M., Pradhan, B., and Tien Bui,
23
D. 2017. Rainfall-induced landslide susceptibility assessment at the Chongren area (China) using frequency ratio, certainty factor and index of entropy. Geocarto Int. 32: 139-154.
24
24.Jenness, J. 2002. Surface Areas and Ratios from Elevation Grid. Jenness Enterprises.
25
25.Lee, S., and Pradhan, B. 2007. Landslide hazard mapping at Selangor, Malaysia using frequency ratio and logistic regression models. Landslides. 4: 1. 33-41.
26
26.Mallick, J., Al-Wadi, H., and Atiqur Rahman, M. 2014. Landscape dynamic characteristics using satellite data from a mountainous watershed of Abha, Kingdom of Saudi Arabia. Environ Earth Sci. 72: 12. 4973-4984.
27
27.Mahmoudi, F. 2001. Dynamic geomorphology, fourth edition, Tehran University Press.
28
28.Mahalingam, R., Olsen, M.J., and O’Banion, M.S. 2016. Evaluation of landslide susceptibility mapping techniques using lidarderived conditioning factors (Oregon case study). Geomat Nat Haz Risk. 7: 1884-1907.
29
29.Malamud, B.D., Turcotte, D.L., Guzzetti, F., and Reichenbach, P. 2004. Landslide inventories and their statistical properties. Earth Surf Proc Landforms. 29: 687-711.
30
30.Myronidis, D., Papageorgiou, C., and Theophanous, S. 2016. Landslide susceptibility mapping based on landslide history and analytic hierarchy process (AHP). Nat Hazards. 81: 245-263.
31
31.Moore, I.D., Grayson, R.B., and Ladson, A.R. 1991. Digital terrain modeling: a review of hydrological, geomorphological and biological applications. Hydrol Process. 5: 3-30.
32
32.Moore, I.D., and Burch, G.J. 1986. Sediment transport capacity of sheet and rill flow: application of unit stream power theory. Water Resour. Res. 22: 1350-1360.
33
33.Organization of forests, rangelands and watershed management of the country, 2010. language/fa-IR/Default.aspx.
34
34.Nsengiyumva, J.B., Luo, G., Nahayo, L., Huang, X., and Cai, P. 2017. Landslide Susceptibility Assessment Using Spatial Multi-Criteria Evaluation Model in Rwanda. Int. J. Environ. Res. Public Health. 15: 243.
35
35.Pourghasemi, H.R., and Rossi, M. 2016. Landslide susceptibility modeling in a landslide prone area in Mazandarn Province, north of Iran: a comparison between GLM, GAM, MARS, and M-AHP methods. Theor Appl Climatol. 130: 1-2. 609-633.
36
36.Pourghasemi, H.R., and Kerle, N. 2016. Random forests and evidential belief function-based landslide susceptibility assessment in Western Mazandaran Province, Iran. Environ. Earth Sci. 75: 185.
37
37.Shahabi, H., Hashim, M., and Ahmad, B.B. 2015. Remote sensing and GIS-based landslide susceptibility mapping using frequency ratio, logistic regression and fuzzy logic methods at the central Zab basin, Iran. Environ Earth Sci. 73: 8647-8668.
38
38.Shirani, K., and Seif, A. 2013. Landslide Hazard Zonation by Using Statistical Methods (Pishkuh Region in Fereydonshahr province). Geoscience. 22: 85. 149-158.
39
39.Saaty, T.L., and Vargas, G.L. 2001. Models, Methods, Concepts and Applications of the Analytic Hierarchy Process. Kluwer Academic Publisher, Boston.
40
40.Su¨zen, M.L., and Doyuran, V. 2004. A comparison of the GIS based landslide susceptibility assessment methods: multivariate versus bivariate. Environ. Geol. 45: 5. 665-679.
41
41.Tahmassebipoor, N., Rahmati, O., Noormohamadi, F., and Lee, S. 2016. Spatial analysis of groundwater potential using weights of evidence and evidential belief function models and remote sensing. Arab. J. Geosci. 9: 1-18.
42
42.Vakhshoori, V., and Zare, M. 2016. Landslide susceptibility mapping by comparing weight of evidence, fuzzy logic and frequency ratio methods. Geomat. Nat. Haz. Risk. 7: 1731-1752.
43
43.Wang, Q., Wang, D., Huang, Y., Wang, Z., Zhang, L., Guo, Q., Chen, W., Chen, W., and Sang, M. 2015. Landslide Susceptibility Mapping Based on Selected Optimal Combination of Landslide Predisposing Factors in
44
a Large Catchment. Sustainability. 7: 16653-16669.
45
44.Xie, Z., Chen, G., Meng, X., Zhang, Y., Qiao, L., and Tan, L. 2017. A comparative study of landslide susceptibility mapping using weight of evidence, logistic regression and support vector machine and evaluated by SBAS-InSAR monitoring: Zhouqu to Wudu segment in Bailong River Basin, China. Environ. Earth Sci. 76: 313.
46
45.Yesilnacar, E.K. 2005. The application of computational intelligence to landslide susceptibility mapping in Turkey, PhD Thesis. Department of Geomatics the University of Melbourne. 423p.
47
46.Zhuo, C., Liang, S., Ke, Y., Yang, Z., and Zhao, H. 2017. Landslide susceptibility assessment using evidential belief function, certainty factor and frequency ratio model at Baxie River basin, NW China, Geocarto international. Pp: 1-20.
48
47.Zhao, H., Yao, L., Mei, G., Liu, T., and Ning, Y. 2017. A Fuzzy Comprehensive Evaluation Method Based on AHP and Entropy for a Landslide Susceptibility Map, Entropy. 19: 396.
49
48.Zhang, K., Wu, X., Niu, R., Yang, K., and Zhao, L. 2017. The assessment of landslide susceptibility mapping using random forest and decision tree methods in the Three Gorges Reservoir area, China. Environ. Earth Sci. 76: 405.
50
ORIGINAL_ARTICLE
مکان یابی نواحی مستعد اجرای سامانه های نوین آبیاری (موضعی–بارانی–کم فشار) با تحلیل سلسله مراتبی (AHP) در GIS (مطالعه موردی شهرستان اسفراین- خراسان شمالی).
سابقه و هدف: اجرای روشهای مختلف آبیاری در نواحی متفاوت، متاثر از عواملی مانند شرایط اقلیمی، کیفیت آب، وضعیت توپوگرافی، مشخصات خاک، نوع محصول و عوامل اقتصادی- اجتماعی است، وجود برخی محدودیتها در هر یک از عوامل فوق در منطقه مورد مطالعه منجر به تغییر سامانه آبیاری پیشنهادی میگردد. مسائل و موضوعات مربوط به انتخاب روش آبیاری پیشنهاد شده با شاخصهای کمی و کیفی مورد بررسی قرار میگیرد، امکان استفاده از ایندو به طور همزمان در روش پردازش تجزیه و تحلیل سلسله مراتبی، آن را به یک ابزار قدرتمند برای تحلیل مسائل در این بخش تبدیل نموده است. با توجه به مطالب فوق و قدرت فرآیند تحلیل سلسله مراتبی در رابطه با تصمیمگیری برای انتخاب روش آبیاری مناسب برای منطقه و قویتر شدن آن در تلفیق با سامانهی اطلاعات جغرافیایی و بکارگیری کمتر این دو با یکدیگر در مطالعات انجام شده در سنوات گذشته در مناطق مختلف کشور و همچنین خراسان شمالی و بهخصوص شهرستان اسفراین، نسبت به مطالعه آن اقدام شد. مواد و روشها: این پژوهش در شهرستان اسفراین، از توابع استان خراسان شمالی و بین مدارهای 57 درجه و 30 دقیقه طول شرقی و 37 درجه و 4 دقیقه عرض شمالی و مساحت کل 5192 کیلومترمربع است انجام شده است. در این تحقیق روشی برای امتیازدهی به عوامل تأثیرگذار در انتخاب سامانههای آبیاری نوین، بسط و ارائهشده است. در این روش میزان تأثیر عوامل مختلف با استفاده از ارقام صحیح (3+) تا (3-) در هفت درجه امتیازگذاری میشوند. بهمنظور تأثیر بیشتر عوامل مهمتر و یا جلوگیری از اثرگذاری یکسان عوامل با درجه اهمیت متفاوت، ضریبی بهعنوان وزن هر عامل، لحاظ گردیده است. این ضریب بر اساس شرایط پروژه با استفاده از روش فرایند تحلیل سلسله مراتبی تعیین میشود. با تلفیق فرایند تحلیل سلسله مراتبی و سامانه اطلاعات جغرافیایی (GIS)، این وزن در لایههای اطلاعاتی واردشده ضرب شده است. امتیاز نهایی، از جمع جبری امتیازات بهدستآمده هر عامل برای هر منطقه به دست میآید. این امتیاز درواقع پتانسیل استفاده از هر یک از سامانههای آبیاری نوین است. دادههای مربوط به این تحقیق، از بانک اطلاعاتی آبیاری تحتفشار مدیریت جهاد کشاورزی شهرستان اسفراین تهیه گردیده است. یافتهها: در تحقیق حاضر مکانیابی روشهای آبیاری نوین برای 77075 هکتار از اراضی مستعد کشت آبی (زراعت و باغها) شهرستان اسفراین انجام شد و نتایج بهصورت نقشههایی که در آن امتیازات هر منطقه از محدوده طرح برای هر یک از سامانههای آبیاری نوین نشان دادهشده است، ارائه شد. نتایج این تحقیق نشان داد که: از مجموع 77075 هکتار از اراضی که بهعنوان محدوده مطالعاتی محسوب میگردد، مساحت 58835 هکتار معادل 5/76 درصد محدوده مناسب برای سامانه آبیاری کمفشار، 17105 هکتار معادل 22 درصد محدوده مناسب برای سیستم آبیاری موضعی و1135 هکتار معادل 5/1 درصد محدوده مناسب برای سیستم آبیاری بارانی است.نتیجهگیری: سیستم آبیاری کمفشار در اکثریت منطقه بهجز نواحی شمالی به دلیل وضعیت توپوگرافی نامناسب، بالاترین امتیاز را کسب کرده است؛ بنابراین، روش آبیاری کمفشار جهت بالا بردن راندمان آبیاری در اکثریت محدوده پیشنهاد میگردد و در سایر مناطق (شمالی)، سیستم آبیاری موضعی بهعنوان بهترین سامانه آبیاری نوین انتخابشده است.
https://jwsc.gau.ac.ir/article_4377_32faf7290dd389def76bf1d0a057e11d.pdf
2018-12-22
69
87
10.22069/jwsc.2018.13335.2798
سامانههای نوین آبیاری
فرایند تحلیل سلسله مراتبی
GIS
احمد
احمدی
amaratahmadi@yahoo.com
1
کارشناس مسئول آب و خاک سازمان جهاد کشاورزی خراسان شمالی
LEAD_AUTHOR
ابوطالب
هزارجریبی
hezab10@yahoo.com
2
دانشیار گروه مهندسی آب / دانشگاه علوم کشاورزی و منابع طبیعی گرگان
AUTHOR
خلیل
قربانی
ghorbani.khalil@yahoo.com
3
عضو هیأت علمی دانشگاه
AUTHOR
موسی
حسام
hesamm@gau.ac.ir
4
دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان.
AUTHOR
1.Abbasi, F., Naseri, F., Sohrab, A., Baghani, F., Abbasi, J., and Akbari, N.M. 2015. upgrading the efficiency of water consumption. Agricultural Engineering Research Institute. The research, education and promoting agriculture. Press, 68p. (In Persian)
1
2.Agriculture and natural resource management and watershed management Esfarāyen city. 2015. Report Agriculture and Natural Resources. 28p. (In Persian)
2
3.Akbari, M. 2008. Comparison of surface and sprinkler irrigation on quantitative and qualitative characteristics of potatoes. J.Agric.Sci.Inf.Center. 80p. (In Persian)
3
4.Alizade, A. 2006. Design of irrigation systems (Volume I: Design of surface irrigation systems). Astan Qods Razavi. 452p. (In Persian)
4
5.Hadizade. 2006. A method for selecting a proper irrigation system. National Conference irrigation and drainage networks. 53p. (In Persian)
5
6.Hejazi, H. 2007. Application of risk management in the study and implementation of the country pressurized irrigation networks. The first scientific seminar of the National Plan of pressurized irrigation and sustainable development. 100p. (In Persian)
6
7.Iranian National Committee on Irrigation and Drainage. 2003. Buried pipelines for surface irrigation. 288p. (In Persian)
7
8.Liaghat, A., and Zamyari, A. 2005.The procedures selected agricultural irrigation. Working Group of the National Committee on Irrigation and Drainage Irrigation Systems in the field. 186p. (In Persian)
8
9.Minaee, S., Behzadinasab, M., and Marofpor, A. 2005. Technical and economical comparison with surface irrigation systems and rainy low pressure distribution systems. Technical workshops mechanized irrigation. 172p. (In Persian)
9
10.Mirzaee, H. 2005. Potential mapping pressurized irrigation systems in the province of Kermanshah. Master thesis, College of Water Sciences, University of Chamran martyr. 105p. (In Persian)
10
11.Shekhesmaeili, A. 2006. The effects of wind and water pressure on the uniformity of water distribution and irrigation system fixed with portable sprinklers. J. Agric. Sci. Natur. Resour. 13: 5. 1-9. (In Persian)
11
12.Zarei, Gh., and Sadreghen, H. 2004. The development of sprinkler irrigation on Iran until 2021. Technical workshops Sprinkler Irrigation (capabilities and challenge). 106p. (In Persian)
12
ORIGINAL_ARTICLE
بررسی دقت روش پویاییسیستم در شبیهسازی و بهینهسازی منحنیفرمان مخزن سد (مطالعه موردی: سد چغاخور)
سابقه و هدف: افزایش تقاضای آب و منابع آب محدود در ﻣﻨﺎﻃﻖﺧﺸﻚ و ﻧﻴﻤﻪخشک، مدیریت و برنامه ریزی جهت استفاده بهینه از منابع آب را ضروری و لازم ساخته است. از سوی دیگر منابع آبسطحی در ایران سهم عمدهای در تأمین نیازآبی بخشهای مختلف شرب، کشاورزی و صنعت دارد. در همین راستا، مدیران جهت برنامهریزی منابع آب به خصوص مخازن سدها، نیاز به اتخاذ سیاستهای بهینه دارند. از اﯾﻦ رو ﺗﻼش ﻫﺎی زﯾﺎدی ﺑﻪ ﻣﻨﻈﻮر ﺗﻮﺳﻌﻪ ﻣﺪل ﻫﺎی ﮐﺎﻣﭙﯿﻮﺗﺮی در ﺑﺨﺶ ﻣﺬﮐﻮر ﺻﻮرت ﮔﺮﻓﺘﻪ اﺳﺖ. ﯾﮑﯽ از روش ﻫﺎی ﺑﺴﯿﺎر ﻣﻮﺛﺮ ﺑﺮای ﺑﺮرﺳﯽ وﺿﻌﯿﺖ ﺳﯿﺴﺘﻢ ﻫﺎ، روش ﭘﻮﯾﺎﯾﯽ ﺳﯿﺴﺘﻢ ﻣﯽ ﺑﺎﺷﺪ ﮐﻪ ﯾﮑﯽ از روﺷﻬﺎی ﻗﺪرﺗﻤﻨﺪ و ﺑﺼﺮی ﺷﺒﯿﻪﺳﺎزی اﺳﺖ. مدلهایی که با این روش نوشته می شوند ﺑﺎ ﺑﯿﻨﺶ ﻓﺮآﯾﻨﺪﻫﺎی ﺑﺎزﺧﻮرد، ﮐﺎرﺑﺮان ﺳﯿﺴﺘﻢ را ﺑﻪ ﻓﻬﻢ ﺑﻬﺘﺮی از رﻓﺘﺎر دﯾﻨﺎﻣﯿﮑﯽ ﺳﯿﺴﺘﻢ ﻫﺎ در ﻃﻮل زﻣﺎن ﻧﺎﯾﻞ ﻣﯽ ﺳﺎزﻧﺪ. اما Vensim یک ابزار مدل سازی بصری است که این امکان را می دهد تا بتوان مدل های سیستم های پویا را مفهوم سازی، شبیه سازی، تجزیه و تحلیل و بهینه سازی کرد. لذا در این تحقیق به منظور بهینه سازی منحنی فرمان عملکرد سد چغاخور از روشهای پویایی سیستم و الگوریتم بهینه سازی مبتنی بر هوش تجمعی استفاده شد. در نهایت دقت عملکرد این روش ها مورد ارزیابی قرار گرفت. مواد و روشها: منطقه موردمطالعه در نزدیکی شهر بروجن واقع گردیده است. سد چغاخور خاکی بوده و آب آن عمدتاً از طریق نزولات جوى و چشمهها تامین می شود. در این تحقیق نتایج با داده های ماهانه جمع آوری شده در یک دوره 10 ساله (1393-1383) از سد چغاخور مقایسه می شوند. روابط بین جریان ورودی، حجم ذخیره مخزن و میزان رهاسازی هر دوره تعیین و با استفاده از روش پویایی سیستم در محیط VENSIM و با استفاده از روش فراکاوشی pso در محیط MATLAB تعریف شدند. تابع هدف و محدودیت ها برای هر دو مدل یکسان می باشد. یافتهها: نتایج نشان داد مقدار ضریب تعیین که بیانگر همبستگی بین داده های شبیه سازی شده توسط روش پویایی سیستم و داده های مشاهده ای می باشد در حجم مخزن برابر 995/0 و برای میزان رهاسازی مخزن سد برابر با 991/0 میباشد. پس از بهینه سازی، اختلاف بین نیاز پایین دست و مقادیر رهاسازی شده کاهش یافت و باعث کاهش هدر رفت آب شد. میزان این اختلاف برای روش پویایی سیستم برابر با 78/11 میلیونمتر مکعب و برای روش PSO برابر با 82/18 میلیون مترمکعب بود. این در حالی است که در شرایط واقعی این اختلاف برابر با 68/25 میلیون مترمکعب بوده است. نتیجهگیری: در مجموع نتایج نشان داد که مدل پویایی سیتم نسبت به الگوریتم PSO از دقت بیشتری در بهینه سازی منحنی فرمان سد برخوردار است.
https://jwsc.gau.ac.ir/article_4378_d92942da8ee205cf60f6bede13c94461.pdf
2018-12-22
89
107
10.22069/jwsc.2018.14526.2935
بهینهسازی
منحنیفرمان سد
سدچغاخور
الگوریتم PSO
پویاییسیستم
حامد
نوذری
hamnozari@yahoo.com
1
گروه علوم و مهندسی آب، دانشکده کشاورزی بوعلی سینا همدان، ایران
LEAD_AUTHOR
مریم
وفایی
ma.vafaee2014@gmail.com
2
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران
AUTHOR
1.Anonymous. 2013. Estimated Environmental Need for Chaghakhor Wetland. Department of Environmental Protection, Chahar Mahal and Bakhtiari. Park of Science and Technology of Shahrekord. Pp: 1-47. (In Persian)
1
2.Anonymous. 2013. Technical Report of Hydrographic Operations and Mapping of Choghakhor Dam. P 1-11. Seafar Consulting Engineers, Iran, Sharkhord. (In Persian)
2
3.Birg, B. 2009. PSOt-a Particle Swarm Optimization Toolbox for use with Matlab. NCSU, MAE Dept, 163: 1. 372-387.
3
4.Farid-Hossini, AS.R., Garmaei, R., Hasheminia, M., and Hojjati, A. 2015. Calibration and validation of HEC-HMS model parameters with particle swarm optimization algorithm with single-objective approach. P 615-626. in Ferdowsi Water and Earth Magazine, Mashhad. (In Persian)
4
5.Hasanzadeh, E., Elshorbagy, A., Wheater, H., and Gober, P. 2014. Managing water in complex systems: An integrated water resources model for Saskatchewan. P 12-26. Environmental Modelling & Software, Canada.
5
6.Hojjati, A., Farid-Hosseini, A.R., Ghahreman, B., and Alizadeh, A. 2012. Comparison of Fractional Methods
6
in Optimization of Multi-objective Systems of Water Resources (Case study: Stur and Pierre Dam in QezelOzanBasin). P 9-14, J. Water Environ. Engin. Iran, Mashhad. (In Persian)
7
7.Jahandide-Tehrani, M., Bozorg Hadad, O., and Marino, M.A. 2014. Power generation simulation of a hydropower reservoir system using system dynamics: Case study of karoon reservoir system. J. Ener. Engin. 140: 1-12.
8
8.Kadkhoda-Husseini, M., Shah Mohammadi, Sh., Mir-Abbas Najaf Abadi, R., and Nozari, H. 2015. Evaluation of allocation of Choghakhor Dam water resources using dynamic systems approach. The 9th National Conference on the Global Environment Day. Iran, University of Tehran. (In Persian)
9
9.Kadkhoda-Husseini, M., Shah Mohammadi, Sh., Mir-Abbas Najaf Abadi, R., and Nozari, H. 2015. Determination of Choghakhor dam performance in supplying lower requirements using VENSIM model. The second conference of new findings in environmental and agricultural ecosystems. Iran, University of Tehran. (In Persian)
10
10.Kadkhoda-Husseini, M., Shah Mohammadi, Sh., Mir-Abbas Najaf Abadi, R., and Nozari, H. 2017. Evaluation of different scenarios for allocating water resources of Choghakhor Dam using a dynamical system. J. Water. Manage. Sci. Engin. 36: 23-32. (In Persian)
11
11.Kadkhoda-Husseini, M., Shah Mohammadi, Sh., Mir-Abbas Najaf Abadi, R., and Nozari, H. 2013. Using Dynamic Systems Approach for Optimal Water Resources Allocation (Case study: Choghakhor Dam). Iran, Shahrekord, Prees, 169p. (In Persian)
12
12.Kotir, J.H., Smith, C., Brown, G., Marshall, N., and Johnstone, R. 2016. A system dynamics simulation model for sustainable water resources management and agricultural development in the Volta River Basin, Ghana. Science of the Total Environment, 573: 444-457.
13
13.Maftahgholaghi, M., and Zahiri, A. 2010. Extracting the dam control curve using GA and PSO algorithms in Golestan Dam. Master's thesis, Islamic Azad University, Tehran. Press, 150p. (In Persian)
14
14.Mahdiyani, M.R., Godarzi, M., Alipour, M.R., and Motihe, M. 2014. The Effect of Fine Function Adjustment on Improving the Genetic Algorithm for Optimization of Artificial Neutralization with Gas. Scientific Monthly- Promoting the Exploration and Production of Oil and Gas, Iran, Pp: 50-54. (In Persian)
15
15.Maier, H.R., Simpson, A.R., Zecchin, A.C., Foong, W.K., Phang, K.Y., Seah, H.Y., and Tan, C.L. 2003. Ant colony optimization for design of water distribution systems, J. Water Resour. Plan. Manage. 129: 3. 200-209.
16
16.Mehdi Pour, A., Bloorurizadeh, E., and Bozorg Hadad, A. 2008. Extracting the dosing tank control curve based on the PSO algorithm. 4th Civil Engineering Congress. University of Tehran, Ncce04-731. (In Persian)
17
17. Misaghi, A., Judge, K., Heran, B., and Hasheminia, S.M. 2015. Water resource modeling in the catchment area using system dynamics method, Case study: Neyshabour catchment area. FerdowsiUniversity of Science and Technology, Mashhad, Iran. March 2013, 37: 3. 94-83. (In Persian)
18
18.Moghaddam, A.R., Alizadeh, A., Farid-Hossini, A.R., Ziaie, A.N., and Fallahhouri, D. 2013. Application of modified algorithm to optimize particle swarm in design of water distribution systems. Irrigation and drainage of Iran, Ferdowsi University of Mashhad, Pp: 389-401. (In Persian)
19
19.Naseri, H.R., Ahmadi, S., and Salvatabar, A. 2010. Exploitation of water resources modeling coastal dam Urmia Shahrchay using softwere VENSIM. P 1-10, The 1nd Iranian national Conference on applied research in water resource. 16 and 17 November. Iran, Kermanshah. (In Persian)
20
20.Nassery, H.R., Adinehvand, R., Salavitabar, A., and Barati, R. 2017. Water Management Using System Dynamics Modeling in Semi-arid Regions. J. Civil Engin. 3: 9. 766-778.
21
21.Niazi, A., Prasher, S.O., Adamowski, J., and Gleeson, T. 2014. A system dynamics model to conserve arid region water resources through aquifer storage and recovery in conjunction with a dam. Water, 6: 8. 2300-2321.
22
22.Nozari, H., Heidari, M., and Azadi, S. 2013. Simulation of crop yields in different irrigation management systems using dynamic system analysis. J. Water Res. Agric. 27: 4. (In Persian)
23
23.Ruim, S.P., Naim, H., and Gaspar, M. 2001. Modelling water resources using vensim PLE. Mathematical models and methods in modem science.
24
24.Solatitabar, A. 2006. System Dynamic Model in Tehran Urban Water Management. PhD of Water Engineering, Science and ResearchCenter, Azad Islamic Universiy, Iran. Tehran. (In Persian)
25
25.Simonovic, S.P. 2002. World water dynamics: global modeling of water resources. J. Environ. Manage.
26
66: 3. 249-67.
27
26.Sterman, J.D. 2000. Business dynamics: Systems thinking and modeling for a complex world. McGraw- Hill Higher Education. Boston. 982p.
28
27.Wei, SH., Yong, H., Song, J., Abbaspour, K., and Xu Z. 2012. System dynamics simulation model for assessing socio-economic impacts of different levels of environmental flow allocation in the Weihe River Basin, China. Europ. J. Oper. Res. 221: 248-262.
29
28.Wei, T., Lou, I., Yang, Z., and Li, Y. 2016. A system dynamics urban water management model for Macau, China. J. Environ. Sci. 50: 117-126.
30
29.Winz, I. 2009. Challenging perspectives: An interdisciplinary exploration of urban stormwater management. PhD Thesis. School of environment. AucklandUniversity: New Zealand, 241p.
31
ORIGINAL_ARTICLE
بررسی عددی اثر همگرایی دیوارههای سرریز روی مشخصات هیدرولیکی جریان در سرریز سد و احتمال وقوع پدیده ی کاویتاسیون
سابقه و هدف: سرریزها از مهمترین و حساسترین بخش ها در سازه سدها به شمار می آیند که وظیفه تخلیه دریاچه سد در مواقع اضطراری و سیلابی را بر عهده دارند. با وجود این که مطالعات زیادی برای شناخت مشخصات جریان بر روی سرریزها انجام شده است، اما اطلاعات اندکی در مورد تاثیر همگرایی دیواره های سرریز برروی مشخصه های هیدرولیکی جریان فوق بحرانی پاییندست تنداب و پتانسیل وقوع کاویتاسیون موجود است. برای کاهش هزینههای ساخت سرریزهای نسبتاً طولانی و همچنین لحاظ عوامل توپوگرافیکی، دیوارههای سرریز را بخصوص در تندابها به صورت همگرا اجرا میکنند. دراثر همگرایی دیواره ها و اندرکنش جریان سرریز با این دیواره ها، جریان فوق بحرانی موجی، شکل میگیرد که حاصل این اندرکنش، تشکیل امواجی در پاییندست سرریز و روی دیواره های تنداب می باشد. این پدیده، میدان جریان پاییندست را تحت تأثیر قرار داده، شرایط نامتعادل هیدرولیکی روی سرریز را باعث میشود و بنابراین ارتفاع امواج روی دیواره، طرح دیوارهای کناری تنداب را تحت تأثیر قرار داده و از این لحاظ پروفیل امواج روی دیواره نیز اهمیت می یابد.مواد و روشها: در این تحقیق با استفاده از نرمافزار Flow-3D، مدل آشفتگی و روش حجم محدود به شبیهسازی جریان بر روی سرریز همگرا سد گاوشان پرداختهشده و سپس تأثیر همگرایی دیوارههای سرریز سد گاوشان تحت زوایای مختلف همگرایی شامل 0، 1، 2، 5/2 و 3درجه بر مشخصههای هیدرولیکی جریان مانند نحوه توزیع سرعت متوسط، فشار متوسط کف و عمق متوسط جریان و همچنین احتمال وقوع کاویتاسیون مورد بررسی قرار گرفت. برای صحتسنجی نتایج حاصل از تحلیل عددی، از نتایج آزمایشگاهی مدل هیدرولیکی سرریز استفاده شد.یافتهها: نتایج حاکی از افزایش سرعت متوسط و عمق متوسط جریان با افزایش جمع شدگی دیوارههای سرریز می باشد. همچنین موقعیت مینیمم عمق جریان روی سرریز با افزایش جمع شدگی دیوارهها به تاج سرریزنزدیکتر میشود. جمع شدگی دیواره ها باعث ایجاد دو دسته موج های ثانویه در کناره ها و محور سرریز می شود که منجر به افزایش آشفتگی در جریان و افزایش ارتفاع دیواره های سرریز می شود. نتیجهگیری: با افزایش زاویه همگرایی، عدد فرود در طول مسیر جریان کاهش می یابد. با بررسی مقادیر فشار مشخص شد که به علت بالاآمدن عمق جریان در امتداد دیواره ها، فشار نیز در نزدیک دیواره های شوت افزایش پیدا می کند. بعلاوه با محاسبه ی شاخص کاویتاسیون در مقاطع مختلف مدل عددی مشخص شد که با افزایش زاویه ی همگرایی، شاخص کاویتاسیون افزایش یافته و در نتیجه بالاترین ریسک پدیده ی کاویتاسیون برای مدل با حداقل زاویه ی همگرایی خواهد بود.
https://jwsc.gau.ac.ir/article_4379_df7e52d7d3d1562e2e15854a95a4b4d9.pdf
2018-12-22
109
127
10.22069/jwsc.2019.14350.2913
دیوارهی همگرای سرریز
شبیهسازی عددی
نرمافزارFlow 3D
پدیده ی کاویتاسیون
مدل آشفتگی
حمزه
ابراهیم نژادیان
h.ebrahimnejadian@gmail.com
1
گروه عمران آب و سازه های هیدرولیکی، دانشکده ی مهندسی، دانشگاه ارومیه، ارومیه، ایران
LEAD_AUTHOR
محمد
مناف پور
m.manafpour@urmia.ac.ir
2
استادیار و عضو هیئت علمی گروه مهندسی عمران دانشکده فنی دانشگاه ارومیه
AUTHOR
وحید
بابازاده
babazadeh.vahid65@gmail.com
3
3- کارشناسی ارشد عمران سازه های هیدرولیکی، دانشکده فنی و مهندسی، دانشگاه ارومیه
AUTHOR
1.Barani, Gh., and Abbasi, U. 2005. Optimization of flat plate Flip Bucket radius using dimensional analysis. 5th Iranian Hydraulic Conference, November 17-19, Faculty of Engineering, ShahidBahonarUniversity of Kerman, Kerman, Pp: 145-153. (In Persian)
1
2.Bayrami, M.K. 2004. Water Transfer Structures. Published by Isfahan University of Technology, fourth edition. 2. 240p. (In Persian)
2
3.Boes, R., and Hager, W.H. 2003a. Two-phase flow characteristics of stepped spillways. J. Hydr. Engin. 129: 9. 661-670.
3
4.Bruce, M., Savage, M., and Johnson, C. 2001. Flow over Ogee Spillways, Physical and Numerical Model Case study. J. Hydr. Engin. ASCE. 127: 8. 320-332.
4
5.Ferziger, J., and Peric, M. 1996. Computational Methods for Fluid Dynamics, Springer Verlag, 450p.
5
6.Hager, W.H. 1992. Spillways-Shockwaves and air entrainment. ICOLD Bulletin 81, Int. Commission for Large Dams, Paris, 185p.
6
7.Hanna, L.J., and Pugh, C.A. 1997. Hydraulic model study of Pilar Dam (Report No. PAP-752). Denver, CO: USA Department of Interior, Bureau of Reclamation.
7
8.Hirt, C., and Nichols, B. 1981. Volume of Fluid (VOF) Method for the Dynamics of Free Boundaries. J. Computation. Physic. 39: 201-225.
8
9.Hunt, S.L., Kadavy, K.C., Abt, S.R., and Temple, D.M. 2008. Impact of converging chute walls for roller compacted concrete stepped spillways. J. Hydr. Engin. 134: 1000-1003.
9
10.Hunt, S.L., Temple, D.M., Abt, S.R., Kadavy, K.C., and Hanson, G. 2012. Converging stepped spillways: Simplified momentum analysis approach. J. Hydr. Engin. 138: 9. 796-802.
10
11.Ippen, A.T. 1936. An analytical and experimental study of high velocity flow in curved sections of open channels (PhD thesis). California Institute of Technology, Pasadena, CA, USA, 230p.
11
12.Ippen, A.T., and Dawson, J.H. 1951. Design of channel contractions. Transactions of the American Society of Civil Engineers, 116: 326-346.
12
13.Ippen, A.T., and Harleman, D.R.F. 1956. Verification of theory for oblique standing waves. Proc. Am. Soc. Civ. Eng. 121: 678-694.
13
14.Johnson, M., and Savage, B. 2006. Physical Numerical Comparison of Flow over Ogee Spillway in the Presence of Tail Water. J. Hydraul. Eng. 132: 12. 1353-1357.
14
15.Martin, H.M. 1960. Hydraulic Model Studies of the Trinity Dam Spillway Flip Bucket. Central Valley Project, California, Hydraulic Laboratory Report No. Hyd-467.
15
16.Robinson, K.M., Rice, C.E., Kadavy, K.C., and Talbot, J.R. 1998. Energy losses on roller compacted concrete stepped spillways. Proc., 1998 Water Resources Engineering, Vol. 2, ASCE, Reston, VA, Pp: 1434-1439.
16
17.Savage, M., and Johnson, C. 2001. Flow over Ogee Spillway: Physical and Numerical Case study. J. Hydr. Engin. 127: 8. 640-649.
17
18.Water Research Institute (affiliated to the Ministry of Energy). 2003. Final report of the Hydraulic Model of Gavshan Dam Overflow.
18
19.Woolbright, R.W. 2008. Hydraulic performance evaluation of RCC stepped spillways with sloped converging training walls (Master’s thesis). Oklahoma State University, OK, USA.
19
20.Willey, J., Ewing, T., Lesleighter, E., and Dymke, J. 2010. Numerical and physical modeling for a complex stepped spillway. Hydropower & Dams, 3: 103-113.
20
ORIGINAL_ARTICLE
تعیین سیاست بهینه بهرهبرداری از مخزن به صورت چندهدفه در راستای توسعه پایدار
سابقه و هدف : مسائل بهرهبرداری از مخزن دارای اهداف مختلف و متنوع هستند که به ندرت منتهی به یک جواب بهینه میشوند و معمولاً در آنها مجموعهای از جوابهای بهینه (پارتو) موجود است. حل مسائل فوق در گذشته تنها با کاربرد روشهای ساده کننده میسر بوده است که از آن جمله میتوان به استفاده از ضرایب وزنی برای اهداف مختلف و تبدیل آنها به یک تابع هدف استفاده کرد. اما در سالهای اخیر با توسعه الگوریتمهای چند هدفه تکامل-گرا، ابزار مناسبی برای حل آنها فراهم شده است. در این راستا، هدف پژوهش حاضر، بررسی کاراِیی الگوریتمهای بهینهسازی چندهدفه MOPSO، SPEA-II و NSGA-II در مسئله بهرهبرداری بهینه از مخزن با استفاده از مدل-های بهرهبرداری LDR، N-LDR جهت تولید پاسخهای بهینه پارتو در راستای توسعه پایدار و مقایسه نتایج با سیاست بهرهبرداری SOP است.مواد و روشها: جهت نیل به هدف مذکور، ابتدا روشهای بهینهسازیNSGA-II , MOPSO و SPEA-II برای هر یک از توابع استاندارد خانواده ZDT با شرایط یکسان (تعداد جمعیت و تعداد اجرا برابر) مورد ارزیابی قرار گرفتند. پس از ارزیابی روشهای بهینهسازی چندهدفه با استفاده از توابع استاندارد خانواده ZDT، مدلهای بهره-برداری از مخزن LDR ،NLDR و SOP در محیط برنامه نویسی MATLAB کدنویسی شده و با روشهای بهینه-سازی چندهدفه تلفیق گردیدند. برای هر یک از دو مدل شبیهسازی-بهینهسازی (LDR و NLDR) دو تابع هدف بدین شرح تعریف گردید، تابع هدف اول کمینهسازی مجموع درصد کمبودهای برآورد نشده و تابع هدف دوم بیشینهسازی اعتمادپذیری که بیشینه آن در شرایط بهرهبرداری SOP حاصل میگردد. مدلهای بهره برداری از مخزن برای یک دوره 37 ساله از سال 1356 تا 1392، جهت یافتن ضرایب مربوطه در هر دو مدل خطی و غیر خطی، در شرایط یکسان برای هر یک از الگوریتمهای بهینهسازی چند هدفه به تعداد 5000 تکرار اجرا گردید و جبهه پارتو بهینه حاصل شد. یافتهها: با بررسی نتایج حاصله مشاهده شد روش SPEA-II در مدل بهرهبرداری NLDR به نتایج مناسبتری دست یافته است لذا از میان پاسخهای جبهه پارتوی بهینه حاصله از این روش، سه پاسخ به عنوان نمونه (با استفاده از معیارهای مختلف) انتخاب گردید و شاخصهای اعتمادپذیری، برگشتپذیری، آسیب پذیری و MSI برای سه پاسخ مذکور محاسبه شد. با مقایسه مقادیر توابع هدف و سایر معیارهای توسعه پایدار در پاسخ NLDR-C و شرایط SOP میتوان مشاهده نمود با بکارگیری مدل بهینهسازی چندهدفه میتوان با میزان کمبود کمتر (MSI 76/21 نسبت به 32/26) تقریبا به ماکزیمم اعتمادپذیری (اعتماد پذیری در شرایط SOP) دست یافت. حال آنکه در پاسخ NLDR-A کمترین میزان کمبود (MSI برابر 02/13) به نسبت سایر پاسخهای نمونه و سیاست SOP به چشم میخورد.نتیجهگیری: با توجه به یافتههای تحقیق مشاهده شد روش بهینهسازی SPEA-II در تمامی توابع استاندارد خانواده ZDT به جبهه پارتوی مطلوبتری نسبت به سایر روشهای بهینهسازی دست یافته است. همچنین این روش در مقایسه با سایر روشهای بهینهسازی دارای جبهه کاملتری از جوابهای پارتو میباشد که این امر نشان از کارایی این روش بهینهسازی در مسائل بهینهسازی چند هدفه دارد. همچنین در رابطه با مدلهای بهرهبرداری LDR و NLDR با تعداد تکرار یکسان، مشاهده شد مدل بهرهبرداری غیرخطی نتایج بهتری از خود نشان داده است که این امر میتواند به دلیل درجه آزادی بیشتر رابطه غیرخطی در تعیین منحنی فرمان رهاسازی مخزن سد باشد. در این تحقیق مجموعهای از جوابهای بهینه (بهینه پارتو) جهت برآورده نمودن اهداف مذکور ارائه گردید.
https://jwsc.gau.ac.ir/article_4380_b875bd353c4555a30dc031086a8b58e5.pdf
2018-12-22
129
148
10.22069/jwsc.2019.14076.2881
سیاست بهینه بهرهبرداری"
" بهینهسازی چندهدفه"
" سد نهرین طبس"
" توسعه پایدار
سید یونس
حسینی
mnaseri@biriand.ac.ir
1
گروه مهندسی عمران دانشگاه بیرجند
LEAD_AUTHOR
مهدی
ناصری
mnaseri@birjand.ac.ir
2
دانشگاه بیرجند استادیار گروه مهندسی عمران
AUTHOR
صادق
صادقی طبس
sadeghitabas@gmail.com
3
گروه عمران دانشگاه علم و صنعت ایران
AUTHOR
1.Ahmadianfar, I., Adib, A., and Taghian, M. 2016. Optimization of fuzzified hedging rules for multipurpose and multireservoir systems. J. Hydrol. Engin. 21: 4.
1
2.Azadnia, A., and Zahraei, B. 2010. Application of particle swarm optimization in multipurpose reservoir operation. 5th National Congress on Civil Engineering, Ferdowsi University of Mashhan. (In Persian)
2
3.Azaranfar, A., and Shahsavari, M. 2007. Application of different optimization models in reservoir operation rule curve. 2nd Conference on Water Resources Management, Isfahan University of Technology, Isfahan.
3
4.Baltar, A.M., and Fontane, D.G. 2008. Use of Multiobjective Particle Swarm Optimization in Water Resources Management. ASCE J. Water Resour. Plan. Manage. 134: 5. 275-265.
4
5.Bower, B.T., Hufschmidt, M.M., and Reedy, W.W. 1962. Operating Procedures: Their Role in the Design of Water-Resource Systems by Simulation Analyses, Design of Water Resourse Systems. Harvard University Press, Cambridge, Mass.
5
6.Chang, J.F., Chen, L., and Chang, C.L. 2005. Optimizing reservoir operating rule curves by genetic algorithms. Hydrological Processes. 19: 2277-2289.
6
7.Coello, C.A.C., Pulido, G.T., and Lechuga, M.S. 2004. Handling multiple objectives with particle swarm.
7
8.Deb, K., Agrawal, S., Pratap, A., and Meyarivan, T. 2000. A fast elitist non-dominated sorting genetic algorithm for multi objective optimization: NSGA-II. Indian Institute of Technology, Kanpur, India.
8
9.Emadi, A.R., Ghaderi, K., Mohseni Movahed, S.A.A., and Soleimani, A. 2009. Evaluation of Water supply reliability in reservoir dams by standard operation policy. The First National Conference on Engineering and Management of Infrastructures. Tehran University, Tehran. (In Persian)
9
10.Fallah-Mehdipour, E., Bozorg Haddad, O., and Mariño, M.A. 2011. MOPSO algorithm and its application in multipurpose multireservoir operations. J. Hydroinform. 13: 4. 794-811.
10
11.Ghimire, B.N., and Reddy, M.J. 2013. Optimal reservoir operation for hydropower production using particle swarm optimization and sustainability analysis of hydropower. ISH J. Hydr. Engin. 19: 3. 196-210.
11
12.Gill, M., Kaheil, K., Khalil, Y.H., McKee, A., and Bastidas, L. 2006. Multiobjective particle swarm optimization for parameter estimation in hydrology. Water Resource Research. 42: 7.
12
13.Hashimoto, T., Stendinger, J.R., and Loucks, D.P. 1982. Reliability, Resiliency and Vulnerability Criteria for Water Resources System Performance Evaluation. Water Resources Research. 18: 1. 14-20.
13
14.Hsu, N.S., and Cheng, K.W. 2002. Network flow optimization model for basin-scale water supply planning. Water Resource Planning and Management. 128: 2. 102-112.
14
15.Karamouz, M., and Houck, M.H. 1982. Annual and monthly reservoir operating rules. Water Resources Research. 18: 5. 1337-1344.
15
16.Khalaf, R., and Shokrollahi, A. 2008. Reservoir operation rule curve of Balarood dam using yield model and simulation technique. 2nd National Conference on Dam and Hydropower, Tehran. (In Persian)
16
17.Liu, Y. 2009. Automatic calibration of a rainfall-runoff model using a fast and elitist multi-objective particle swarm algorithm Expert Systems with Applications. 36: 9533-9538.
17
18.Louks, D.P., Stedinger, J.R., and Haith, D.A. 1981. Water Resource Systems Learning and Analysis. Prentice-Hall, Englewood Cliffs, N. J.
18
19.Moy, W.S., Cohon, J.L., and Revelle, C.S. 1986. A programming model for analysis of the reliability, resilience and vulnerability of a water supply reservoir. J. Water Resour. Res. 22: 4. 489-498.
19
20.Oliveira, R., and Loucks, D. 1997. Operating rules for multi-reservoir systems. Water Resource Research.
20
33: 4. 839-852.
21
21.Parsopoulos, K.E., and Vrahatis, M.N. 2002. Particle swarm optimization method in multi objective problems. Proceedings of the 2002 ACM Symposium on Applied Computing, Madraid, Spain. Pp: 603-607.
22
22.Reddy, M.J., and Kumar, D.N. 2007. Multi-objective particle swarm optimization for generating optimal trade-offs in reservoir operation. Hydrological Processes. 21: 2897-2909.
23
23.Sadeghi Tabas, S., Pourreza Bilondi, M., and Taghian, M. 2015. Multi-Objective Optimization of the Hedging Model for reservoir Operation Using Evolutionary Algorithms. J. Water Wastewater (Parallel title). Ab va Fazilab. 26: 5. 14-22. (In Persian)
24
24.Tabari, M.M.R. 2012. Conjunctive Use of Surface and Groundwater with Inter-Basin Transfer Approach: Case Study Piranshahr Plain. J. Water Wastewater. 22: 80. 103-113.
25
25.Tabari, M.M.R., Maknoon, R., and Ebadi, T. 2012. Development Structure for Optimal Long-Term Planning in Conjunctive Use. J. Water Wastewater. 23: 84. 56-69.
26
26.Tabari, M.M.R., and Soltani, J. 2013. Multi-Objective Optimal Model for Conjunctive Use Management Using SGAs and NSGA-II Models. Water resources management. 27: 1. 37-53.
27
27.Tu, M.Y., Hsu, N.S., Tsai, F.T.C., and Yeh, W.W.G. 2008. Optimization of hedging rules for reservoir operations. Water Resource Planning and Management. 134: 1. 3-13.
28
ORIGINAL_ARTICLE
تاثیر زئولیت و کود گاوی بر برخی ویژگیهای فیزیکی خاک
سابقه و هدف: برای مدیریت بهینه منابع آب و خاک توجه به ویژگیهای فیزیکی خاک بهخصوص ساختمان خاک ضروری است. ویژگیهای فیزیکی خاک با اضافه کردن مواد آلی و معدنی بهبود مییابد. اضافه کردن برخی مواد آلی همواره باعث افزایش کارایی جذب عناصر و بهبود خصوصیات فیزیکی خاک میشود اما اثر برخی از مواد معدنی نظیر زئولیت علی رغم تأثیر مثبت بر خصوصیات فیزیکی و شیمیایی خاک میتواند تأثیر منفی نیز داشته باشد که احتیاج به تحقیق بیشتری دارد. بنابراین، این تحقیق با هدف تأثیرکاربرد زئولیت و کود گاوی بر برخی پارامترهای فیزیکی خاک انجام شد.مواد و روشها: به منظور بررسی تأثیر زئولیت و کود گاوی بر برخی پارامترهای فیزیکی در خاک زیر کشت گیاه ذرت آزمایش گلدانی به صورت فاکتوریل در قالب طرح کاملاً تصادفی در سه تکرار در گلخانه پژوهشی در شرایط کنترل شده انجام شد. فاکتورهای آزمایشی شامل زئولیت طبیعی در سه سطح (صفر، 6، 12 درصد وزنی) و کود گاوی پوسیده در سه سطح ( صفر، 5/0، 1 درصد وزنی یا صفر، 20، 40 تن هکتار) بودند. خاک آزمایشی از عمق 30-0 سانتیمتری نمونهبرداری شد. ویژگیهای اولیه خاک، کود گاوی و زئولیت طبق روشهای استاندارد اندازه گیری شد. خاک هر گلدان با تیمارهای آزمایشی با نسبتهای معین مخلوط و بذر ذرت در آن کاشته شد. مراقبت روزانه و آبیاری کلیه گلدانها با آب مقطر در حد ظرفیت زراعی براساس روش وزنی تا قبل از گلدهی گیاه ذرت به مدت 75 روز انجام گرفت. در پایان دوره رشدی گیاه از طوقه جدا و خاک هرگلدان هوا خشک شد. پارامترهای فیزیکی شامل جرم مخصوص ظاهری، درصد رطوبت اشباع، رس قابل پراکنش در آب و میانگین وزنی قطر خاکدانهها براساس روشهای استاندارد اندازهگیری شدند.یافتهها: نتایج نشان داد که افزایش مقدار زئولیت، باعث افزایش درصد رطوبت اشباع (تخلخل کل خاک)، رس قابل پراکنش در آب و کاهش جرم مخصوص ظاهری و میانگین وزنی قطر خاکدانهها (الک خشک) شد. کود گاوی باعث کاهش معنیدار جرم مخصوص ظاهری، رس قابل پراکنش در آب و افزایش میانگین وزنی قطر خاکدانهها (الک تر)شد. علیرغم تأثیر مثبت زئولیت بر روی جرم مخصوص ظاهری و درصد رطوبت اشباع، روی پارامترهای رس قابل پراکنش در آب و میانگین وزنی قطر خاکدانهها (الک تر) تأثیر منفی داشت.نتیجهگیری: زئولیت مانند هر ترکیب دیگر ممکن است اثرات مثبت و منفی داشته باشد. علیرغم تأثیر مثبت زئولیت روی برخی پارامترها، بر رس قابل پراکنش در آب و میانگین وزنی قطر خاکدانهها (الک تر) تأثیر منفی داشت. با توجه به اثر مثبت کود گاوی بر رس قابل پراکنش در آب و میانگین وزنی قطر خاکدانهها تلفیق کود گاوی با زئولیت جهت تعدیل اثر منفی زئولیت تا حدودی قابل توصیه است.
https://jwsc.gau.ac.ir/article_4381_46c1356bf1cedb17ac8f9e0df6aefc96.pdf
2018-12-22
149
166
10.22069/jwsc.2018.14796.2982
واژههای کلیدی: پایداری ساختمان
تخلخل
رس قابل پراکنش در آب
زئولیت
کود گاوی
سیده زهره
تقدیسی حیدریان
z.taghdisi@ymail.com
1
گروه علوم خاک، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد،ایران
LEAD_AUTHOR
رضا
خراسانی
khorasani@um.ac.ir
2
گروه علوم خاک،دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
حجت
امامی
hemami@um.ac.ir
3
گروه علوم خاک،دانشکده کشاورزی، دانشگاه فردوسی مشهد
AUTHOR
1.Asad Kazemi, J. 2005. Effect of A200 superabsorbent polymer and two types of Firoozkooh and Semnan zeolite on growth indices and water requirement of two species of green space in Isfahan. Thesis Master. Faculty of Agriculture, Isfahan University of Technology.
1
2.Barzegar, A., Malcolm, N., and Rengasamy, P. 1997. Organic matter, sodicity and clay type: influence on soil aggregation. Soil Sci. Soc. Amer. J. 61: 1131-1137.
2
3.Benkova, M., Filcheva, E., Raytchev, T., Sokolowska Z., and Hajnos, M. 2005. Impact of different ameliorants on humus state in acid soil polluted with heavy metals. P 46-58. In: Raytchev, T., G. ózefaciuk., Z, Sokołowska and M. Hajnos (Eds), Physicochemical management of acid soils polluted with heavy metals. ALF-GRAF, Lublin, Poland.
3
4.Bernardi, A., Olivera, P., Melo Monte, M., Polidoro, J.C., and Barros, F.S. 2010. Brazilian sedimentary zeolite uses in agriculture. World Congress of Soil Science, Australia.
4
5.Bhattacharyya, T., Pal, D.K., and Deshpande, S.B. 1993. Genesis and transformation of minerals in the formation of red (Alfisols) and black (Inceptisols and Vertisols) soils on deccan basalt in the western Ghats, J. Ind. Soc. Soil Sci. 44: 159-171.
5
6.Black, G.R., and Hartege, K.H. 1986. Bulk density. P 363-375. In: Klute A. (Ed.), Methods of soil Analysis. Part a: Physical and Mineralogical Methods. Agronomy Monograph No. 9. American Society of Agronomy. Soil Science Society of America, Madison, WI.
6
7.Bremner, J.M., and Mulvaney, C.S. 1982. Nitrogen-total. In: Page, AL, Miller, RH, Keeney, RR, (Eds), Methods of soil analysis and Part 2. Second ed. American Society of Agronomy, Madison, WI, Pp: 595-624.
7
8.Caron, J., Espindola, C.R., and Angers, D.A. 1996. Soil structural stability during rapid wetting: Influence of land use on some aggregate properties. Soil Sci. Soc. Amer. J. 60: 901-908.
8
9.Chatzopoulos, F., Fugit, J.L., Quillon, I., Rodriguez, F., and Taverdet, J.L. 2000. Etude, eu function de differents parameters, de absorbtion et de la desorbtion deau par un copolymer acryamide acrylate de sodium reticule. Europ. Polymer J. 36:51-60.
9
10.Curtin, D., Campbell, C.A., and Zentner, R.P. 1994. Long-term management and clay dispersibility in two Hoploborolls in Saskatchewan. Soil Sci. Soc. Amer. J. 58: 962-967.
10
11.Gee, G.W., and Bauder, J.W. 1986. Methods of Soil Analysis. P 383-410. In: Klute A. (Ed.), Part I, Physical and Mineralogical Methods. Soil Science Society of America. Madison, WI. Particle-size analysis.
11
12.Gerzabek, M.H., Kirchmann, H., and Pichlmayer, F. 1995. Response of soil aggregates stability to manure amendments in the Ultuna long- term soil organic matter experiment. Zeitschrift– Fur–Pflanzenernahrung–und– Bodenkunde. 158: 257-260.
12
13.Greenland, D.J. 1965a. Interaction between clays and organic compounds in soils. Part I. Mecahanisms of interaction between clays and defined organic compounds. Soils and Fertilizers. 28: 415-425.
13
14.Guidi, G., Pera, A., Giovannetii, M., Poggio, G., and Toldi, M. 1988. Variations of soil structure and microbial population in a compost amended soil. Plant and Soil. 106: 113-119.
14
15.Gupta, S.C., Dowdy, R.H., and Larson, J. 1977. Hydraulic and thermal properties on a sand soil as influenced by incorporation of sewage sludge. Soil Proc. 41: 601-605.
15
16.Hamidpour, M., Shariatmadari, H., and Soleimani, M. 2012. Zeoponic systems. P 588-600. In: Inglezakis, V.J., and Zorpas, A. (Eds.), Handbook of Natural Zeolites, Bentham Science Publ., Sharjah, UAE.
16
17.Haynes, R.J., and Naidu, R. 1998. Influence of lime, fertilizer and manure applications on soil organic matter content and soil physical conditions: a review. Nutrient Cycling in Agroecosystems, 51: 123-137.
17
18.Hornick, S.B. 1998. Use of organic amendments to increase the productivity of sand and gravel soils: Effect on yield and composition of sweet corn. Amer. J. Alternative Agric. 3: 156-62.
18
19.Jones, J.B. 2001. Laboratory guide for conducting soil tests and plant analysis CRC Press, BocaRaton, FL, Pp: 27-160.
19
20.Kemper, W.D., and Rosenau, R.C. 1986. Aggregate stability and size distribution. In: Klute A. (Ed.), Methods of Soil Analysis. Part a: Physical and Mineralogical Methods. Agronomy Monograph No. 9. American Society of Agronomy. Soil Science Society of America, Madison, WI, Pp: 425-442.
20
21.Kuo, S. 1996. Phosphorus. P 869-920. In: Sparks, D.L. (Eds.), Methods of Soil Analysis. Part 3. Chemical methods, Soil Science Society of America and American Statistical Association, Madison.
21
22.Mirzaee Talarposhti, R., Kambozia, J., Sabahi, H., and damghany, A. 2009. Effect of organic fertilizer on physical and chemical properties of soil, the yield and dry matter of tomato. J. Agric. Engin. Res. 7: 1. 257-267. (In Persian)
22
23.Misaelides, P. 2011. Application of natural zeolites in environmental remediation: A short review. Microporous and Mesoporous Materials. 144: 15-18.
23
24.Mishra, M., and Jain, S. 2011. Properties and applications of zeolites: A Review. Proceedings of the National Academy of Sciences India. 81: 111.
24
25.Mumpton, F. 1999. La roca magica: Uses of natural zeolites in agriculture and industry. Proceedings of the National Academy of Sciences of the United States of America. 96: 3463-3470.
25
26.Munir, J.M., Nabila, S.K., and Nabil, K.A. 2004. Response of croton grown in a zeolite-containing substrate to different concentrations of fertilizer solution. J. Commun. Soil Sci. Plant Anal. 35: 15-16. 2283-2297.
26
27.Nelson, P.N., Baldock, A., Clarke, P., Oades, J.M., and Churechman, G.J. 1999. Dispersed clay and organic matter in soil: their nature and associations. Austr. J. Soil Res. 37: 289-319.
27
28.Noori, M., Zendehdel, M., and Ahmadi, A. 2006. Using natural zeolite for the improvement of soil salinity and crop yield. Toxicological and Environmental Chemistry. 88: 77-84.
28
29.Olsen, S.R., Cole, C.V., Watenabe, F.S., and Dean, L.A. 1954. Estimation of available phosphorous in soil by extraction with sodium bicarbonate, U.S. Department of Agriculture Cris, 939. USA.
29
30.Page, A.L. 1982. Methods of soil analysis. Part 2: Chemical and Microbiological Properties. Agronomy Series No 9. 2nd ed. American Society of Agronomy and Soil Science Society of America. Madison, WI.
30
31.Pascal, S., and Barbier, G. 1995. Effect of soil salinity from long-term irrigation with saline – sodic water on yield and quality of winter vegetable crops. Agricultural Water Management. 64: 145-157.
31
32.Rehakova, M., Cuvanova, S., Dzivak, M., Rimar, J., and Gavalova, Z. 2004. Agricultural and agrochemical uses of natural zeolite of the clinoptilolite type. Current Opinion in Solid State and Materials Science. 8: 397-404.
32
33.Rengasamy, P. 1984. Dispersion of calcium clay. Aust. J. Soil Res. 20: 153-158.
33
34.Rietz, D.N., and Haynes, R.J. 2003. Effects of irrigation-induced salinity and sodicity on soil microbial activity. Soil Biology and Biochemistry. 35: 845-854.
34
35.Shaddox, T. 2004. Investigation of soil amendments for use in golf course putting green construction. Soil and Water Science, 136p.
35
36.Stone, R.J., and Ekwue, E.I. 1993. Maximum bulk density achieved during soil compaction as affected by the incorporation of three organic materials. Trans. ASAE. 6: 1713-1719.
36
37.Tejada, M., and Gonzalez, J.L. 2008. Influence of two organic amendments on the soil physical properties. Geoderma. 145: 325-334.
37
38.Walkley, A., and Black, I. 1934. An examination of the Degtjareff method for determining soil organic matter and a proposed modification of the chromic acid titration method. Soil Sci. Soc. Amer. J. 37: 29-38.
38
39.Xiubin, H., and Huang, Z. 2001. Zeolite application for enhancing water infiltration and retention in loess soil, Resources, Conservation and Recycling. 34: 1. 45-52.
39
40.Zangoei Nasab, Sh., Emami, H., Astarai, A.R., and Yari, A.R. 2013. Effects of stockosorb hydrogel and irrigation intervals on some soil physical properties and growth of haloxylon seedling. Soil Manage. Sust. Prod. J. 3: 1. 167-182. (In Persian)
40
41.Zeytin, S., and Aran, A. 2003. Influence of composted Hazelnut hask on some physical properties of soils. Bioresource Technology. 88: 241-245.
41
ORIGINAL_ARTICLE
مقایسه مدلهای درخت تصمیم و یادگیری برپایه نمونه در برآورد هدایت هیدرولیکی اشباع خاک
سابقه و هدف: هدایت هیدرولیکی اشباع خاک یکی از مهمترین خصوصیات هیدرولیکی خاک است که بر حرکت آب در خاک موثر است. شناخت این ویژگی میتواند به درک بسیاری از مشکلات زیست محیطی کمک کند. از طرفی اندازهگیری این ویژگی با روشهای مستقیم مزرعهای و آزمایشگاهی دشوار، زمانبر و هزینهبر است و استفاده از روشهای جایگزینی را میطلبد که بتوان با صرف وقت، هزینه و زمان کمتری آن را از روی دادههای زودیافت خاک تخمین زد. روشهای ناپارامتریک از جمله روشهای غیرمستقیم و نوین برآورد خصوصیات هیدرولیکی خاک از جمله هدایت هیدرولیکی اشباع میباشند. هدف از این پژوهش مقایسه روش درخت تصمیم و یک روش یادگیری برپایه نمونه ( IBk) که یک ردهبند با k همسایه نزدیک است در برآورد هدایت هیدرولیکی اشباع خاک، از روی خصوصیات زودیافت آن است. مواد و روشها: در این پژوهش، از مجموعه دادهای با اطلاعات خاکشناسی 151 نمونه خاک که از منطقهای در بجنورد گردآوری شده بود استفاده شد. خصوصیات زودیافت خاک شامل درصد شن، سیلت، رس، جرم مخصوص ظاهری، جرم مخصوص حقیقی، هدایت الکتریکی، درصد کربن آلی، درصد مواد خنثیشونده، رطوبت اشباع و اسیدیته بود. هدایت هیدرولیکی اشباع نمونهها با استفاده از دستگاه نفوذسنج گلف اندازهگیری شده بود. برای تعیین مهمترین پارامترها در پیشبینی و مدلسازی هدایت هیدرولیکی اشباع، از آزمون گاما استفاده شد. ترکیبات مختلف از پارامترهای موجود در بانک داده بر اساس مقدار گاما با یکدیگر مقایسه شدند و ترکیب بهینه برای مدلسازی معین شد. مدلسازی با استفاده از دو روش ناپارامتریک یعنی درخت تصمیم با بهرهگیری از الگوریتم M5P و روش یادگیری برپایه نمونه با بهرهگیری از الگوریتم IBk با استفاده از ترکیب بهینه پارامترها که کمترین مقدار گاما را داشت صورت گرفت. برای بهبود عملکرد IBk دو نوع تابع وزندهی فاصله استفاده شد. در آخر معیارهای ارزیابی مدلها شامل ضریب تعیین (R2)، جذر میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و درصد میانگین قدر مطلق خطا (MAPE) محاسبه شدند. یافتهها: ترکیب بهینهای که از آزمون گاما به دست آمد برای مدلسازی هر دو روش استفاده شد. این ترکیب شامل پارامترهای درصد شن، سیلت، رس، درصد مواد خنثی شونده، هدایت الکتریکی و جرم مخصوص ظاهری خاک بود. مدل M5P، پارامتر جرم مخصوص ظاهری خاک را به عنوان مهمترین متغیر دستهبندیکننده انتخاب کرد و سه رابطه خطی برای برآورد هدایت هیدرولیکی اشباع با توجه به مقدار جرم مخصوص ظاهری ایجاد کرد. معیارهای ارزیابی نشان دادند که این مدل با جذر میانگین مربعات خطای 89/23 سانتیمتر بر روز و میانگین قدر مطلق خطای 50/20 درصد، دقت بالایی در پیشبینی هدایت هیدرولیکی اشباع نداشت. استفاده از دو نوع تابع وزندهی تاثیری بر بهبود نتایج مدل IBk نداشتند. مدل IBk نیز با جذر میانگین مربعات خطای 23/31 سانتیمتر بر روز و میانگین قدر مطلق خطای 24/23 درصد دقت بالایی نداشت. نتیجهگیری: برای برآورد هدایت هیدرولیکی اشباع، درخت تصمیم مدل مناسبتری نسبت به مدل یادگیری برپایه نمونه بود، همچنین این مدل اطلاعاتی از ساختار خاک تحت بررسی نیز به دست داد.
https://jwsc.gau.ac.ir/article_4382_7f29760c118c606190275cc42e6fb7fa.pdf
2018-12-22
167
184
10.22069/jwsc.2018.15150.3032
آزمون گاما
درخت تصمیم
الگوریتم IBK
الگوریتم M5P
مهنوش
فرزادمهر
mahnooshfr@gmail.com
1
دانشجویی کارشاسی ارشد دانشگاه بیرجند
AUTHOR
مهدی
دستورانی
mdastourani@birjand.ac.ir
2
استادیار گروه مهندسی آب دانشگاه بیرجند
LEAD_AUTHOR
عباس
خاشعی سیوکی
abbaskhashei@birjand.ac.ir
3
عضو هیات علمی دانشگاه بیرجند
AUTHOR
1.Abbasi, F. 2017. Advanced soil physics. Tehran university press, 320p. (In Persian)
1
2.Aha, D.W., Kibler, D., and Albert, M.K. 1991. Instance-based learning algorithms. Machine learning, 6: 37-66.
2
3.Azar, A., and Momeny, M. 2006. Statistics and its application in management (Statistical analysis). Tehran: The organization for researching and composing university textbooks in the Humanities (SAMT). 440p. (In Persian)
3
4.Cateni, S., Colla, V., and Vannucci, M. 2008. Outlier detection methods for industrial applications. In: Arámburo, A. and Ramírez Treviño, A. (eds), Advances in Robotics, Automation and Control. (265-282). In Tech, Vienna, Austria.
4
5.Debeljak, M., and Džeroski, S. 2011. Decision Trees in Ecological Modelling. In: Jopp, F., Reuter, H., Breckling, B. (eds), Modelling Complex Ecological Dynamics. (197-209). Springer, Berlin, Heidelberg.
5
6.Evans, D. 2002. The Gamma Test: Data-derived estimates of noise for unknown smooth models using
6
near-neighbour asymptotics. Doctoral thesis, Department of computer science, Cardiff university, University of Wales.
7
7.Ghabaei Sough, M., Masaedi, A., Hesam, M., and Hezarjaribi, A. 2010. Evaluation effect of input parameters preprocessing in Artificial Neural Networks (Anns) by using stepwise regression and Gamma test techniques for fast estimation of daily evapotranspiration. J. Water Soil. 24: 3. 610-624. (In Persian)
8
8.Haghverdi, A., Ghahraman, B., Khoshnood Yazdi, A.A., and Arabi, Z. 2010. Estimating of water content in FC and PWP in North and North East of Iran's soil samples using k-Nearest Neighbor and Artificial Neural Networks. J. Water Soil. 24: 4. 804-814. (In Persian)
9
9.Jabro, J.D. 1992. Estimation of saturated hydraulic conductivity of soils from particle size distribution and bulk density data. Transactions of the ASAE, 35: 2. 557-560.
10
10.Jalali, V.R., and Homaee, M. 2011. Introducing a nonparametric model using k-nearest neighbor technique for predicting soil bulk density. Journal of Science and Technology of Agriculture and Natural Resources, Water and Soil Science. 15: 56. 181-191. (In Persian)
11
11.Jones, A.J. 1998. The WinGamma user guide. University of Wales, Cardiff.
12
12.Kemp, S.E., Wilson, I.D., and Ware, J.A. 2005. A tutorial on the gamma test. J. Sim. Syst. Sci. Technol. 6: 1-2. 67-73.
13
13.Khamis, A., Ismail, Z., Haron, Kh., and Tarmizi Mohammad, A. 2005. The effects of outlier data on neural network performance. J. Appl. Sci. 5: 8. 1394-1398.
14
14.Khashei Siuki, A., Jalali Moakhar, V.R., Noferesti, A.M., and Ramazani, Y. 2015. Comparing nonparametric
15
k-nearest neighbor technique with ANN model for predicting soil saturated hydraulic conductivity. J. Soil Manage. Sust. Prod. 5: 3. 81-95. (In Persian)
16
15.Lall, U., and Sharma, A. 1996. A nearest neighbor bootstrap for resampling hydrologic time series. Water Resources Research, 32: 3. 679-693.
17
16.Mahdian, M.H. 2005. Soil hydraulic conductivity and its application in drainage designs. J. Agric. Engin. Res. 6: 23. 159-170. (In Persian)
18
17.Mallant, D., Mohanty, B.P., Vervoort, A., and Feyen, J. 1997. Spatial analysis of saturated hydraulic conductivity in a soil with macropores. Soil Technology. 10: 115-131.
19
18.Moghaddamnia, A., Gousheh, M.G., Piri, J., Amin, S., and Han, D. 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques. Advances in Water Resources. 32: 1. 88-97.
20
19.Moncada, M.P., Gabriels, D., and Cornelis, W.M. 2014. Data-driven analysis of soil quality indicators using limited data. Geoderma. 235: 271-278.
21
20.Nemes, A., Rawls, W.J., and Pachepsky, Y.A. 2006. Use of the nonparametric nearest neighbor approach to estimate soil hydraulic properties. Soil Sci. Soc. Amer. J. 70: 2. 327-336.
22
21.Nosrati Karizak, F., Movahedi Naeni, S.A., and Hezarjaribi, A. 2012. Using Artificial Neural Networks to estimate saturated hydraulic conductivity from easily available soil properties. J. Soil Manage. Sust. Prod. 2: 1. 95-110. (In Persian)
23
22.Rasoulzadeh, A., Razavi, S., and Neyshoubori, R. 2012. Evaluation the accuracy of methods of estimating saturated hydraulic conductivity in different soils. J. Water Res. Agric. 26: 3. 303-316. (In Persian)
24
23.Schaap, M.G., Leij, F.J., and Van Genuchten, M.T. 2001. Rosetta: A computer program for estimating soil hydraulic parameters with hierarchical pedotransfer functions. J. Hydrol. 251: 3-4. 163-176.
25
24.Torabi, M. 2004. Assessment of five methods of saturated hydraulic conductivity measurement in a saline soil. 2nd Students Conference on Soil and Water Resources. University of Shiraz. (In Persian)
26
25.Wang, Y., and Witten, I.H. 1997. Inducing model trees for continuous classes. In Proceedings of the Ninth European Conference on Machine Learning. Pp: 128-137.
27
ORIGINAL_ARTICLE
طراحی سامانه کنترل خودکار بهمنظور توزیع عادلانه آب در شرایط کمآبی و نوسانات جریان ورودی، مطالعه موردی شبکه آبیاری رودشت
سابقه وهدف: شرایط غیرمعمول بهرهبرداری کانالهای آبیاری به سبب تشدید خشکسالیهای پیدرپی در اکثر شبکههای کشور عملکرد ضعیف شبکههای آبیاری کشور در توزیع عادلانه آب بین مصرفکنندگان را سبب شده است. در این شرایط بهرهگیری از راهبردهای نوین در بهبود فرآیند بهرهبرداری مورد توجه قرار گرفته که اجرای آن نیازمند وجود سامانه کنترل خودکار در کانال میباشد و اصولاً با شیوههای بهرهبرداری مرسوم اکثر شبکههای کشورمان انجام پذیر نیست. مواد و روشها:در این تحقیق، سامانه کنترل خودکار مرکزی پیشبین جهت بهرهبرداری کانال اصلی آبیاری طراحی شد. همچنین شبیهسازی هیدرولیک جریان در کانال با استفاده از مدل ساده شده انتگرالی- تاخیری در محیط نرمافزارمتلب انجام گرفت. با تعریف متغیر جدید تفاوت خطای سطح آب بین بازههای کانال آبیاری، استراتژی بهرهبرداری تفاوت خطای سطح آب بهعنوان بخش نرمافزاری سامانه بهرهبرداری به کنترلگر پیشبین اضافه شد. کانال مورد مطالعه در این تحقیق، کانال اصلی شبکهی آبیاری رودشت است که با دو مشکل عمده نوسانات ورودی و کمآبی مواجه میباشد. براین اساس سناریوهای بهرهبرداری مختلفی با استفاده از اطلاعات واقعی بهرهبرداری کانال انتخاب شد و سامانه کنترل خودکار در شرایط مختلف بهرهبرداری مورد ارزیابی قرار گرفت. به منظور سنجش کارایی استراتژی بهرهبرداری تفاوت خطای سطح آب در توزیع عادلانه آب بین آبگیرهای واقع در کانال اصلی، بهرهبرداری کانال با و بدون بهرهگیری از استراتژی بهرهبرداری مذکور بررسی شد. یافتهها: نتایج تحقیق حاکی از عملکرد مطلوب سامانه کنترل خودکار در مدیریت بهرهبرداری کانال آبیاری تحت نوسانات ملایم و شدید بود به نحویکه میزان شاخص عدالت محاسبه شده به ترتیب 21/1 و 33/4 درصد برای دو سناریوی مذکور بدست آمد. با افزودن سناریوی کمآبی، ضرورت بهکارگیری استراتژی «بهرهبرداری تفاوت خطای سطح آب» توسط کنترلگر پیشبین مشخص شد، زیرا با مقادیر بدست آمده 22/15 و 5/22 درصدی شاخص عدالت دیگر کنترلگر بهتنهایی قادر به پیادهسازی توزیع عادلانه به نحو مطلوب نبوده است. همچنین نتایج نشان داد بهکارگیری استراتژی مذکور به ترتیب سبب بهبود 13 و 17 درصدی شاخص عدالت توزیع آب در سناریوهای نوسان ملایم و نوسانات شدید شد. نتیجهگیری: نتایج این تحقیق نشان داد که در شرایط وخیم بهرهبرداری، بهکارگیری استراتژیهای بهرهبرداری به منظور ارتقا عملکرد سامانههای کنترل ضروری است. مزیت عمده بهرهگیری از استراتژی بهرهبرداری تفاوت خطای سطح آن است که بدون هیچگونه نیاز به صرف هزینه اضافی جهت تغییر در زیرساخت سامانه کنترل خودکار، میزان مطلوبیت عدالت توزیع آب قابل بهبود است. راهبرد اختلاف خطای رقوم سطح آب به عنوان یک روش سیستماتیک در توزیع عادلانه آب بین آب بران در طول کانال اصلی، میتواند در بهبود عملکرد سامانههای کنترل خودکار نقش قابل توجهی را در شرایط کم آبی ایفا نماید.
https://jwsc.gau.ac.ir/article_4383_3e312e93080872dbaef89fef58402f64.pdf
2018-12-22
185
200
10.22069/jwsc.2019.14651.2956
عدالت توزیع
کانال آبیاری
مدیریت بهره برداری
مدرن سازی
مهدی
یلتقیان خیابانی
mehdi.khiabani.y@ut.ac.ir
1
گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران، پاکدشت، تهران، ایران
AUTHOR
سید مهدی
هاشمی شاهدانی
mehdi.hashemy@ut.ac.ir
2
استادیار گروه مهندسی آبیاری
پردیس ابوریحان
دانشگاه تهران
LEAD_AUTHOR
1.Abbasi, F., Sohrab, F., and Abbasi, N. 2016. Evaluation of Irrigation Efficiencies in Iran. Irrigation and Drainage Structures Engineering Research. 17: 67. 113-120. (In Persian)
1
2.Clemmens, A.J. 2012. Water-Level Difference Controller for Main Canals. J. Irrig. Drain. Engin. 138: 1. 1-8.
2
3.Fele, F., Maestre, J.M., Hashemy, S.M., de la Peña, D.M., and Camacho, E.F. 2014. Coalitional model predictive control of an irrigation canal. J. Process Control. 24: 4. 314-325.
3
4.Guan, G., Clemmens, A.J., Kacerek, T.F., and Wahlin, B.T. 2012. Applying Water-Level Difference Control to Central Arizona Project. J. Irrig. Drain. Engin. 137: 747-753.
4
5.Maestre, J.M., Negenborn, R.R., eds., 2014. Distributed model predictive control made easy (Vol. 69). Dordrecht, Netherlands: Springer.
5
6.Malaterre, P.O., Rogers, D.C., and Schuurmans, J. 1998. Classification of canal control algorithms. J. Irrig. Drain. Engin. 124: 1. 3-10.
6
7.Molden, D., and Gates, T. 1990. Performance Measures for Evaluation of Irrigation Water Delivery Systems. J. Irrig. Drain. Engin. 116: 804-823.
7
8.Shahdany, M., and Roozbahani, A. 2015. Selecting an appropriate operational method for main irrigation canals within multicriteria decision-making methods. J. Irrig. Drain. Engin. 142: 4. 401-415.
8
9.Shahdany, S.H., Majd, E.A., Firoozfar, A., and Maestre, J.M. 2016. Improving Operation of a Main Irrigation Canal Suffering from Inflow Fluctuation within a Centralized Model Predictive Control System: Case study of Roodasht Canal, Iran. J. Irrig. Drain. Engin. 142: 11. 05016007.
9
10.Shahverdi, K., and Monem, M.J. 2015. Application of reinforcement learning algorithm for automation of canal structures. Irrigation and drainage, 64: 1. 77-84.
10
11.van Overloop, P.J., Horváth, K., and Aydin, B.E. 2014. Model predictive control based on an integrator resonance model applied to an open water channel. Control Engineering Practice, 27: 54-60.
11
12.Van Overloop, P.J. 2006. Drainage control in water management of polders in the Netherlands. Irrigation and Drainage Systems. 20: 99-109.
12
13.Van Overloop, P.J., Clemmens, A.J., Strand, R.J., Wagemaker, R.M.J., and Bautista, E. 2010. Real-Time Implementation of Model Predictive Control on Maricopa-Stanfield Irrigation and Drainage District's WM Canal. J. Irrig. Drain. Engin. 136: 11. 747-56.
13
14.Xu, M., van Overloop, P.J., and Giesen, N.C. 2011. On the study of control effectiveness and computational efficiency of reduced Saint-Venant model in model predictive control of open channel
14
flow. Advances in Water Resources. 34: 2. 282-90.
15
15.Zafra-Cabeza, A., Maestre, J.M., Ridao, M.A., Camacho, E.F., and Sánchez, L. 2011. A hierarchical distributed model predictive control to irrigation canals. J. Process Control. 14: 21. 787-793.
16
ORIGINAL_ARTICLE
ارزیابی آلودگی و تغییرات مکانی روی، مس و نیکل در خاکهای مناطق خشک مسیر زابل- زاهدان
سابقه و هدف: فلزات سنگین یکی از مهمترین آلایندههای خاک میباشند. افزایش مقدار آنها با توجه به پایداری آنها در محیط زیست منجر به توجه محققان در دهههای اخیر شده است. از طرفی آلودگی خاکها توسط فلزات سنگین که از خودروها تولید میشوند نیز یک مسئله زیست محیطی جدی میباشد. با توجه به اهمیت آلودگی خاک، بررسی امکان آلودگی خاک توسط خودروها گوناگون ضرورت پیدا میکند. ویژگیهای توزیع مکانی آلودگی در خاکهای آلوده عامل مهمی جهت شناسایی نقاط آلوده و برطرف کردن آن میباشد. این تحقیق با هدف بررسی توزیع مکانی فلزات سنگین روی، مس و نیکل در خاکهای کنار جادهای مسیر زابل – زاهدان انجام گرفت. مواد و روشها: با استفاده از روش نمونهبرداری سیستماتیک منظم 252 نمونه خاک از عمق صفر تا 20 سانتیمتر جمعآوری گردید. ویژگیهای مختلف خاک شامل غلظت کل فلزات روی، مس و نیکل، پهاش، هدایت الکتریکی خاک، کربن آلی، کربنات کلسیم معادل و بافت خاک اندازهگیری شد. فاکتور غنیشدگی و شاخص زمین انباشتگی برای تعیین وضعیت و روند آلودگی خاک این منطقه استفاده شد. نقشه پهنهبندی غلظت مس و روی با استفاده از روش کریجینگ معمولی و مدل نمایی، و برای فلز نیکل با استفاده از روش کریجینگ معمولی و مدل گوسی تهیه شد. دقت روش ها با استفاده از خطای قدر مطلق میانگین و مجذور میانگین مربعات خطا مقایسه شد و روشی که دارای بالاترین مقدار دقت بود برای تهیه نقشه فلزات سنگین خاک مورد استفاده قرار گرفت.یافتهها: با افزایش فاصله از جاده غلظت فلزات سنگین کاهش یافت. برای تهیه نقشه نیکل مدل گوسی، و برای روی و مس مدل نمایی دارای بالاترین دقت بود. میانگین غلظت روی، مس و نیکل در فاصله صفر، 50 و 100 متری به ترتیب برابر با 33/54، 75/52، 56/51، 67/9، 40/9، 03/9 و 26/10، 02/10، 76/9 میلی گرم بر کیلوگرم بود. مقادیر روی، مس و نیکل در خاکهای کنار جاده ای در منطقه مورد مطالعه کمتر از حد مجاز سازمان جهانی بهداشت (WHO)1بود. نتایج این مطالعه نشان داد رابطه بین روی، مس و نیکل یک رابطه مثبت و معنیدار است. در واقع وجود همبستگی بین فلزات مختلف نشاندهنده منبع مشترک آنها است.نتیجهگیری: نتایج توزیع مکانی فلزات نشان داد که این خاکها نسبت به مس، روی و نیکل غیرآلوده میباشند. غلظت و پراکنش این عناصر در منطقه دارای منشا زمین شناسی و انسانی میباشند. عناصر مس، روی و نیکل بهطور طبیعی در خاک وجود دارند اما فعالیتهای انسانی مانند فعالیتهای کشاورزی و احتراق سوختهای فسیلی سبب تجمع بیشتر این فلزات در قسمتهایی از منطقه مورد مطالعه شده است.
https://jwsc.gau.ac.ir/article_4384_7ba7669909504a6f8002034460771ac6.pdf
2018-12-22
201
216
10.22069/jwsc.2018.15043.3016
آلودگی
خاکهای کنارجادهای
تغییرات مکانی
فاکتور غنی شدن
ولی
بهنام
vali_behnam2012@yahoo.com
1
دانشگاه زابل
AUTHOR
احمد
غلامعلی زاده آهنگر
a_ahangar2002@yahoo.com
2
سرپرست دانشکده آب و خاک
AUTHOR
محمد
رحمانیان
m.rahmanian10@yahoo.com
3
استادیار گروه علوم خاک دانشگاه یاسوج
LEAD_AUTHOR
ابوالفضل
بامری
a_bameri@yahoo.com
4
دانشگاه زابل
AUTHOR
1.Akan, J.C., Audu, S.I., Zakari, M., and Ogugbuaja, V.O. 2013. Assessment of heavy metals, pH, organic matter and organic carbon in roadside soils in Makurdi Metropolis, Benue State, Nigeria. J. Environ. Prot. 4: 618-628.
1
2.Al-Khashman, O.A. 2007. Determination of metal accumulation in deposited street dusts in Amman, Jordan. Environmental Geochemistry and Health. 29: 1. 1-10.
2
3.Amini, M., Afyoni, M., and Khademi, H. 2006. Modeling of mass balance of Cd and Pb in agricultural lands of Isfahan region. J. Agric. Sci. Technol. 10: 4. 77-89. (In Persian)
3
4.Chen, C.W., Kao, C.M., Chen, C.F., and Dong, C.D. 2007. Distribution and accumulation of heavy metals in the sediments of Kaohsinung Harbor, Taiwan. Chemosphere. 66: 1431-1440.
4
5.Delijani, F., Kazemi, Gh., Parvinnia, M., and Khakshour, M. 2009. Enrichment and distribution of heavy metals in soils of South Pars Special Economic Region (Assaluyeh). Eighth International Congress on Civil Engineering, ShirazUniversity. (In Persian)
5
6.Gravand, M., Hafezi Moghadas, N., and Ghasemi, H. 2006. Evaluation of natural contamination of heavy metals in soils produced from Gorgan shistides. M.Sc. Thesis. Faculty of Earth Sciences, ShahroudUniversity. (In Persian)
6
7.Inacio, M., Pereira, V., and Pinto, M. 2008. The soil geochemical atlas of Portugal: overview and applications. J. Geochem. Explor. 98: 1-2. 22-33.
7
8.Gee, G.H., and Bauder, J.W. 1986. Partial size analysis. P 383-411, In: A. Klute (ed), Methods of soil analysis, Part 2: Physical properties. Soil Science Society of America, Madison, Wisconsin.
8
9.Gupta, P.K. 2000. Soil, plant, water and fertilizer analysis. Agrobios, New Delhi, India, 438p.
9
10.Karimi Nezhad, M.T., Tabatabaii, S.M., and Gholami, A. 2015. Geochemical assessment of steel smelter-impacted urban soils, Ahvaz, Iran. J. Geochem. Explor. 152: 91-109.
10
11.Khaledan, Sh., Taghavi, L., and Paykan Pourfard, P. 2017. Investigation of spatial variations of lead and cadmium dispersion using the techniques of geometric statistics and GIS. J. Health Environ. Pp: 151-164. (In Persian)
11
12.Khodakarami, L. 2009. Evaluation of non-destructive agriculture pollutants using RS and GIS. M.Sc. Thesis on environment, Faculty of Natural Resources, Isfahan University of Technology. (In Persian)
12
13.Klute, A. 1986. Methods of soil analysis. Part I, Physical and Mineralogical Methods. 2nd ed. Soil Science Society of America, Inc., Wisconsia, USA.
13
14.Li, X., Liu, L., Wang, Y., Luo, G., Chen, X., and Yang, X. 2015. Heavy metal contamination of urban soil in an old industrial city (Shenyang) in Northeast China. Geoderma. 192: 50-58.
14
15.Loeppert, R.H., and Sparks, D.L. 1996. Carbonate and gypsum. P 437-474, In: D.L. Sparks (ed), Methods of soil analysis. Part 3: Chemical properties. Soil Science Society of America, Madison, Wisconsin.
15
16.Mahmoudi, S., Mohammadi, J., and Naderi, M. 2013. Statistical and spatial distribution of some heavy metals in surface soil particle size fractions in South of Isfahan. J. Water Soil Cons. 20: 2. 1-22. (In Persian)
16
17.Manasreh, W.A. 2010. Assessment of trace metals in street dust of mutah city, Kurak, Jordan. Carpatian J. Earth Environ. Sci. 5: 1. 5-12.
17
18.Mediolla, L.L., Domingues, M.C.D., and Sandoval, M.R.G. 2008. Environmental assessment of and active tailings pile in the state of Mexico (Central Mexico). Res. J. Environ. Sci. 2: 3. 197-208.
18
19.Micó, C., Recatalá, L., Peris, M., and Sánchez, J. 2006. Assessing heavy metal sources in agricultural soils of an European Mediterranean area by multivariate analysis. Chemosphere. 65: 5. 863-872.
19
20.Mmolawa, A., Likuku, S., and Gaboutloeloe, G.K. 2011. Assessment of heavy metal pollution in soils along major roadside areas in Botswana. Afric. J. Environ. Sci. Technol. 5: 3. 186-196.
20
21.Mohammad Naser, H., Sultana, S., and Noor, S. 2012. Heavy metal pollation of soil and vegetable grown near roadside at Gazipur. Bangladesh J. Agric. Res. 37: 1. 9-17.
21
22.Movahedi Rad, Z. 2007. Investigation of spatial variations of zinc, lead, nickel and cadmium in soils in Qom province. M. Sc. Thesis of Soil Science. Faculty of Agriculture. IsfahanUniversity of Technology. (In Persian)
22
23.Muller, G. 1969. Schwer metalle in den sediments des rheins. Veranderungen seitt, Umschan. Pp: 778-783.
23
24.Nelson, D.W., and Sommers, L.E. 1996. Total carbon, organic carbon and organic matter. P 961-1010, In: D.L. Sparks (ed), Methods of soil analysis. Part 3: Chemical properties. Soil Science Society of America, Madison. Wisconsin.
24
25.Rey, R.D., Fierros, F.D., and Barral, M.T. 2009. Normalization strategies for river bed sediments: A graphical approach. Microchem. J. 91: 2. 253-263.
25
26.Sistani, N., Moin al-Dini, M., and Khorasani, N. 2017. Pollution of heavy metals in soils adjacent to steel industries. J. Health Environ. Pp: 75-86.
26
27.Shahbazi, A., Sofyanian, A., Afraz, R., and Khodakarami, L. 2011. Investigation of spatial distribution of heavy metals of cadmium, copper and lead in soil and determination of the origin of these metals in Nahavand. J. Rem. Sens. GIS Natur. Resour. Sci.IsfahanUniversity. 2: 2. 97-109. (In Persian)
27
28.Shi, G., Chen, Z., Xu, S., Zhang, J., Wang, L., Bi, C., and Teng, J. 2008. Potentially toxic metal contamination of urban soils and roadside dust in Shanghai, China. Environmental Pollution. 156: 2. 251-260.
28
29.The standard of soil quality and its guidelines. 1391. Iran Environment Organization.
29
30.Turerd Maynard, J.B. 2003. Heavy metal contamination in highway soils. Comparison of corpus christi, TX and cincinnati. OH shows organic matter is key to mobility. Clean Technology and Environmental Policy. 4: 235-245.
30
31.Yalcin, M.G., Battaloglu, R., and Ilhan, S. 2007. Heavy metal sources in Sultan Marsh and its neighborhood, Kayseri, Turkey. Environmental Geology. 53: 2. 399-415.
31
32.Zamani, A., Yaftian, M.R., and Parizanganeh, A. 2015. Statistical evaluation of topsoil heavy metal pollution around a lead and zinc production plant in Zanjan province, Iran. Caspian J. Environ. Sci. 13: 349-361.
32
33.Zhang, J., Wang, Y., Liu, J., Liu, Q., and Zhou, Q. 2016. Multivariate and geostatistical analyses of the sources and spatial distribution of heavy metals in agricultural soil in Gongzhuling, Northeast China. J. Soil Sed. 16: 2. 634-644.
33
34.Wei, B., Jiang, F., Li, X., and Mu, Sh. 2010. Heavy metal induced ecological risk in the city of Urumqi, NW China. Environmental Monitoring and Assessment. 160: 33-45.
34
ORIGINAL_ARTICLE
اثر صمغ عربی بر برخی ویژگی های فیزیکی و شیمیایی خاک های لوم و لوم رسی
سابقه و هدف: گزارشهای متناقضی در مورد تغییر خصوصیات فیزیکی، شیمیایی و پاسخهای بیولوژیکی خاکهای اصلاح شده با بایوفیلم وجود دارد. اگرچه گزارشی از مقایسه اثرات صمغ عربی در بافتهای مختلف خاک وجود ندارد، گزارشات اثرات بیوپلیمرهای متفاوت به عنوان آنالوگ بالقوهای از بایوفیلم در خاکهای مختلف به صورت متناقض وجود دارد. با فرض اینکه کلاس بافت خاک، به عنوان ویژگی ذاتی آنها، ممکن است اثرات اصلاح کنندهها یا تهویه کنندههای مختلف را تحت تاثیر قرار دهد. بنابراین جهت ارزیابی عملکرد صمغ عربی در دو کلاس بافت خاک متفاوت، تحقیق حاضر با هدف بررسی اثرات صمغ عربی به عنوان مشابهی از بایوفیلم (پلیساکاریدهای برونسلولی) بر چندین ویژگی خاک در خاکهایی با بافت لوم و لوم رسی انجام گرفت.مواد و روشها: برای انجام این تحقیق با دو خاک مختلف شامل کلاسهای بافت لومرسی و لوم، یک آزمایش فاکتوریل در قالب طرح کاملاً تصادفی (CRD) با دو فاکتور شامل نوع خاک و مقادیر مختلف صمغ عربی(صفر، 5 و 10 گرم درکیلوگرم خاک) و سه تکرار و دو مشاهده انجام گردید، سپس، بعد از اتمام مرحله انکوباسیون خاکهای تیمار شده، نمونههای خاک دستخورده و دستنخورده از گلدانها تهیه و برای اندازهگیری جرم مخصوص ظاهری، رطوبت اشباع خاک و هدایت هیدرولیکی اشباع خاک، پایداری خاکدانهها در حالت خیس(WAS)، میانگین وزنی قطر خاکدانهها (MWD)، بعد فرکتال جرمی خاکدانهها، اسیدیته خاک (pH)، مقدار کربن آلی خاک، ظرفیت تبادل کاتیونی و تنفس میکروبی خاک اندازهگیری شد. یافتهها: نتایج نشان داد که اثر صمغ عربی بر رطوبت اشباع، جرم مخصوص خاک، هدایت هیدرولیکی اشباع و فعالیت میکروبی در خاک لوم نسبت به خاک لومرسی کمتر بود. کاربرد صمغ عربی در خاک لوم رسی موجب افزایش تقریباً 12 و 18 و 317 درصد به ترتیب در مقدار رطوبت اشباع حجمی و جرمی و هدایت هیدرولیکی اشباع خاک لوم رسی شد. درحالی که اثرات خیلی ناچیزی بر این خصوصیات در خاک لوم داشت. استفاده از صمغ عربی همچنین، جرم مخصوص خاک لومرسی را کاهش داد درحالی که هیچ تغییری در جرم مخصوص خاک لوم مشاهده نشد. همچنین در خاکهای تیمار شده، صمغ عربی تغییرات مثبتی را در کربن آلی خاک و پایداری، اندازه و بعدفراکتال جرمی خاکدانهها که مستقل از نوع خاک میباشند را نشان داد. نتیجهگیری: با توجه به اینکه تغییرات کمتری در خصوصیات بافت لوم (درشتر از خاک لوم رسی میباشد) مشاهده شد، پیشنهاد ما کاربرد مقدار بالاتری از صمغ عربی (بیشتر از 10 گرم بر کیلوگرم) در خاک درشت بافت یا استفاده آن به همراه بقایای مواد آلی برای دستیابی به اثرات قابل توجه در این خاکها میباشد.
https://jwsc.gau.ac.ir/article_4385_a46f9f2f469df9c5c77e3b2c318eedc0.pdf
2018-12-22
217
231
10.22069/jwsc.2019.14802.2983
بعدفراکتال
بیوپلیمر
پایداری خاکدانه
هیدروکلوئید
زهرا
حبیبی
z.habibi313@yahoo.com
1
دانشگاه مراغه
AUTHOR
مهدی
رحمتی
mehdirmti@gmail.com
2
دانشگاه مراغه
LEAD_AUTHOR
اسماعیل
کریمی
sm_ka80@yahoo.com
3
هیئت علمی
AUTHOR
علی اصغر
علیلو
aliasghar.aliloo@gmail.com
4
زراعت
AUTHOR
1.Alam, F., Siddiqui, A., Lutfi, Z., and Hasnain, A. 2009. Effect of different hydrocolloids on gelatinization behaviour of hard wheat flour. Trakia J. Sci. 7: 1-6.
1
2.Ali, B.H., Ziada, A., and Blunden, G. 2009. Biological effects of gum arabic: a review of some recent research. Food and Chemical Toxicology, 47: 1-8.
2
3.Anderson, D.C., Harper, K.T., and Holmgren, R.C. 1982. Factors influencing development of cryptogamic soil crusts in Utah deserts. J. Range Manage. Archive. 35: 180-185.
3
4.Awad, Y., Blagodatskaya, E., Ok, Y., and Kuzyakov, Y. 2013. Effects of polyacrylamide, biopolymer and biochar on the decomposition of 14C-labelled maize residues and on their stabilization in soil aggregates. Europ. J. Soil Sci. 64: 488-499.
4
5.Badreldin, A., Ziada, A., and Blunden, G. 2009. Biological effects of gum arabic: A review of some recent research. Food and Chemical Toxicology, 47: 1-8.
5
6.Bower, C.A., Reitemeier, R., and Fireman, M. 1952. Exchangeable cation analysis of saline and alkali soils. Soil Science, 73: 251-262.
6
7.Busscher, W.J., Novak, J.M., and Ahmedna, M. 2011. Physical effects of organic matter amendment of a southeastern US coastal loamy sand. Soil Science, 176: 661-667.
7
8.Busscher, W.J., Novak, J.M., Evans, D.E., Watts, D.W., Niandou, M., and Ahmedna, M. 2010. Influence of pecan biochar on physical properties of a Norfolk loamy sand. Soil Science, 175: 10-14.
8
9.Cerning, J. 1995. Production of exopolysaccharides by lactic acid bacteria and dairy propionibacteria. Le lait, 75: 463-472.
9
10.Chang, I., Im, J., Prasidhi, A.K., and Cho, G.C. 2015. Effects of Xanthan gum biopolymer on soil strengthening. Construction and Building Materials, 74: 65-72.
10
11.Dane, J.H., and Hopmans, J.H. 2002. Water retention and storage. P 671-717. In: J.H. Dane and G.C. Topp (ed.) Methods of soil analysis. Part 4 Physical Methods. SSSA Book Ser. 5. SSSA, Madison, WI.
11
12.Denkhaus, E., Meisen. S., Telgheder, U., and Wingender, J. 2007. Chemical and physical methods for characterization of biofilms. Microchimica Acta. 158: 1-27.
12
13.Dogsa, I., Kriechbaum, M., Stopar, D., and Laggner, P. 2005. Structure of bacterial extracellular polymeric substances at different pH values as determined by SAXS. Biophysic. J. 89: 2711-2720.
13
14.El-Jack, E.M.M.S. 2003. Effect of Gum Arabic on Some Soil Physical Properties and Growth of Sorghum Grown on Three Soil Types. Ph.D. thesis. Department of Soil Science. University of Khartoum, Khartoum, Pp: 1-135.
14
15.Flemming, H.C., and Wingender, J. 2001. Relevance of microbial extracellular polymeric substances (EPSs)-Part I: Structural and ecological aspects. Water Science and Technology, 43: 1-8.
15
16.Grossman, R., and Reinsch, T. 2002. 2.1 Bulk density and linear extensibility. P 201-228. In: J.H. Dane and G.C. Topp (ed.) Methods of Soil Analysis: Part 4 Physical Methods. SSSA Book Ser. 5. SSSA, Madison, WI.
16
17.Gul, S., Whalen, J.K., Thomas, B.W., Sachdeva, V., and Deng, H. 2015. Physico-chemical properties and microbial responses in biochar-amended soils: mechanisms and future directions. Agriculture, Ecosystems and Environment, 206: 46-59.
17
18.Khademalrasoul, A., Naveed, M., Heckrath, G., Kumari, K., de Jonge, L.W., Elsgaard, L., Vogel, H.J., and Iversen, B.V. 2014. Biochar effects on soil aggregate properties under no-till maize. Soil Science, 179: 273-283.
18
19.Klute, A., and Dirksen, C. 1986. Hydraulic conductivity and diffusivity: Laboratory methods. P 687-734. Methods of Soil Analysis: Part 1 Physical and Mineralogical Methods, SSSA Book Ser. 5. SSSA, Madison, WI.
19
20.Kullmann, A., Lehfeldt, J., and Benkenstein, H. 1986. The effect of an organic gel on the physical and physical-chemical properties of a sandy soil. Agrokemia es Talajtan (Hungary), 35: 39-48.
20
21.Maghchiche, A., Haouam, A., and Immirzi, B. 2010. Use of polymers and biopolymers for water retaining and soil stabilization in arid and semiarid regions. J. TaibahUniv. Sci. 4: 9-16.
21
22.Mohamed, B. 1999. Effect of natural amendments on aggregate stability and water flow in different soils. M.Sc. Thesis, University of Khartoum, Faculty of Agriculture, Shambat, Sudan.
22
23.Nelson, D., and Sommers, L.E. 1982. Total carbon, organic carbon and organic matter. P 539-579. Methods of soil analysis. Part 2. Chemical and microbiological properties.
23
24.Nimmo, J.R., and Perkins, K.S. 2002. 2.6 Aggregate Stability and Size Distribution. P 317-328 In: J.H. Dane and G.C. Topp (ed.) Methods of Soil Analysis: Part 4 Physical Methods. SSSA Book Ser. 5. SSSA, Madison, WI.
24
25.Omoike, A., Chorover, J., Kwon, K.D., and Kubicki, J.D. 2004. Adhesion of bacterial exopolymers to α-FeOOH: Inner-sphere complexation of phosphodiester groups. Langmuir, 20: 11108-11114.
25
26.Or, D., Phutane, S., and Dechesne, A. 2007. Extracellular polymeric substances affecting pore-scale hydrologic conditions for bacterial activity in unsaturated soils. Vadose Zone J. 6: 298-305.
26
27.Patil, S.V., Salunke, B., Patil, C., and Salunkhe, R. 2011. Studies on amendment of different biopolymers in sandy loam and their effect on germination, seedling growth of Gossypium herbaceum L. Applied Biochemistry and Biotechnology, 163: 780-791.
27
28.Rawls, W., Pachepsky, Y.A., Ritchie, J., Sobecki, T., and Bloodworth, H. 2003. Effect of soil organic carbon on soil water retention. Geoderma, 116: 61-76.
28
29.Rehm, B.H. 2010. Bacterial polymers: biosynthesis, modifications and applications. Nature Reviews Microbiology, 8: 578-592.
29
30.Rhoades, J., Manteghi, N., Shouse, P., and Alves, W. 1989. Soil electrical conductivity and soil salinity: New formulations and calibrations. Soil Sci. Soc. Amer. J. 53: 433-439.
30
31.Romero, D., Aguilar, C., Losick, R., and Kolter, R. 2010. Amyloid fibers provide structural integrity to Bacillus subtilis biofilms. Proceedings of the NationalAcademy of Sciences,107: 2230-2234.
31
32.Rosenkranz, H., Iden, S.C., and Durner, W. 2012. Effect of biofilm on soil hydraulic properties: Laboratory studies using xanthan as surrogate. P 9306. In: EGU General Assembly Conference Abstracts.
32
33.Smitha, S., and Sachan, A. 2016. Use of agar biopolymer to improve the shear strength behavior of sabarmati sand. Inter. J. Geotechnic. Engin. 10: 387-400.
33
34.Templeton, A.S., Trainor, T.P., Spormann, A.M., and Brown, G.E. 2003. Selenium speciation and partitioning within Burkholderia cepacia biofilms formed on α-Al2O3 surfaces. Geochimica et Cosmochimica Acta, 67: 3547-3557.
34
35.Tripathi, S., Champagne, D., and Tufenkji, N. 2012. Transport behavior of selected nanoparticles with different surface coatings in granular porous media coated with Pseudomonas aeruginosa biofilm. Environmental Science and Technology, 46, 6942-6949.
35
36.Tyler, S.W., and Wheatcraft, S.W. 1992. Fractal scaling of soil particle-size distributions: analysis and limitations. Soil Sci. Soc. Amer. J. 56: 362-369.
36
37.Vu, B., Chen, M., Crawford, R.J., and Ivanova, E.P. 2009. Bacterial extracellular polysaccharides involved in biofilm formation. Molecules, 14: 2535-2554.
37
38.Whistler, R. 2012. Industrial gums: polysaccharides and their derivatives, Elsevier.
38
39.Whistler, R.L., and Hymowitz, T. 1979. Guar: agronomy, production, industrial use and nutrition, Purdue University Press.
39
40.Yoder, R.E. 1936. A direct method of aggregate analysis of soils and a study of the physical nature of erosion losses. Agron. J. 28: 337-351.
40
ORIGINAL_ARTICLE
بررسی راندمان حذف نیترات از محلول آبی با استفاده از جاذب نانوساختار برگ درخت بلوط
سابقه و هدف: در دسترس بودن آب سالم و پاک یکی از مهمترین مسائل پیش روی بشر میباشد و به تدریج که مقدار مصرف آب بیشتر میشود مواد آلاینده نیز به طرق مختلف باعث آلوده کردن منابع آبی میگردند و این مسئله در آینده بحرانیتر خواهد شد. آلودگی محیط زیست مخصوصاً آب که عامل مهمی در محدود ساختن پیشرفتهای انسان است، چنان اهمیت پیدا کرده است که مبارزه با آن مورد بحث سمینارهای جهانی و منطقهای قرار گرفته است. آلودگی آبهای زیرزمینی و سطحی به نیترات در بسیاری از مناطق دنیا به صورت یک مشکل جدی مورد توجه است. روش-های فیزیکی، شیمیایی و بیولوژیکی مختلفی برای حذف نیترات وجود دارد از جمله این فرآیندها میتوان به اسمز معکوس، تبادل یون، کلریناسیون نقطه شکست، الکترودیالیز و دنیتریفیکاسیون شیمیایی اشاره کرد. در سالهای اخیر توجه فراوانی به مواد کمهزینه نظیر پوست درخت، نانوجاذبهای گیاهی و سایر مواد زائد به عنوان جاذب شده است. این مطالعه با هدف بررسی امکان استفاده از جاذب برگ درخت بلوط به عنوان یک جاذب ارزان قیمت و مقرونبه-صرفه در حذف نیترات از محلولهای آبی صورت گرفت.مواد و روشها: به منظور انجام آزمایشهای جذب، نخستین قدم تهیه جاذب مورد نظر است. برای این کار و به منظور رسیدن به نتیجه مطلوب، از جاذب برگ درخت بلوط به عنوان بهترین گزینه استفاده شد تا بتوان جذب را در بهترین شرایط به دست آورد. پس از آمادهسازی جاذب آزمایشهای مشخصه یابی جاذب از جمله دانه بندی ذرات و سطح ویژه جاذب به روش جذب متیلن بلو صورت گرفت. سپس آزمایشهای ناپیوسته انجام و روش تجزیه و تحلیل دادهها ذکر گردید. مطالعه حاضر درمقیاس آزمایشگاهی و به صورت ناپیوسته انجام شد. در این پژوهش جاذب برگ درخت بلوط ابتدا در برابر آفتاب نسبتاً خشک و به وسیله آسیاب خانگی خرد شده و سپس برای تهیه مواد نانومتری جاذب از الک شماره 200 عبور داده شد. و پس از شستشو با آب مقطر در آون با دمای 70 درجه سلسیوس به مدت 24 ساعت خشک شد. در این تحقیق اثر عواملی مانند pH، جرم جاذب، زمان تماس و غلظت اولیه نیترات مورد آزمایش قرار گرفت. تمام آزمایشها در سیستم ناپیوسته با سه بار تکرار انجام گرفت. تجزیه و تحلیل دادهها و رسم نمودارها توسط نرم افزار اکسل صورت گرفت. از مدلهای سینتیک لاگرگرن و هوو برای بررسی فرآیند جذب استفاده شد، همچنین بااستفاده از مدلهای ایزوترم فروندلیچ و لانگمیر، دادههای جذب تعادلی مورد تجزیه و تحلیل قرارگرفتند.یافتهها: نتایج نشان داد که برای جاذب مورد مطالعه زمان تعادل پس از 120 دقیقه و حداکثر جذب نیترات در5 pH= به دست آمد. با افزایش جرم جاذب از 3/0 تا 7/0 گرم راندمان حذف از 93/88 تا 82/93 درصد افزایش یافت، اما با افزایش میزان جاذب از 7/0 تا 6/1 گرم راندمان جذب تقریباً کاهش یافت. با افزایش غلظت نیترات محلول (120-5 میلیگرم بر لیتر)، راندمان حذف از 41/94 به 35/89 درصد کاهش یافت.نتیجهگیری: بر اساس نتایج بدست آمده فرایند جذب از مدل هوو و همکاران تبعیت کرده و دادههای جذب با ایزوترم فروندلیچ مطابقت بیشتری داشت. بنابراین میتوان اظهار نمود که برگ درخت بلوط میتواند بعنوان یک جاذب مناسب و مقرونبهصرفه با حداقل تکنولوژی در حذف نیترات مورد استفاده قرار گیرد.
https://jwsc.gau.ac.ir/article_4386_7d603842e5c456f672ce691e5faff4a0.pdf
2018-12-22
233
247
10.22069/jwsc.2019.14450.2922
نیترات
راندمان حذف
نانوجاذب
برگ درخت بلوط
علی
بافکار
alibafkar@yahoo.com
1
استادیار دانشگاه رازی - گروه مهندسی آب
LEAD_AUTHOR
ندا
بابلی
neda3701@gmail.com
2
گروه مهندسی آب دانشگاه رازی
AUTHOR
1.Agrawal, G., Lunkad, S., and Malkhed, T. 1999. Diffuse agricultural nitrate pollution of groundwaters in India. Water science and technology. 39: 3. 67-75.
1
2.APH A/AWWA/WEF. 2005. Standard methods for the examination of water and wastewater 19th Edition, WashingtonDC, USA.
2
3.Asadi, F., SHariatmadari, H., and Mir ghaffari, N. 2008. Agricultural uses in wastewater treatment supplementation, Third National Recycling Congress and Use of Renewable Organic Resources in Agriculture. Isfahan, Islamic AzadUniversity, Khorasgan Branch. (In Persian)
3
4.Bagheri, H., and Budaghpour, S. 2011. Nanotechnology and its Applications in the Water Industry. Fourth Iranian Water Resources Management Conference. Tehran, Amirkabir industrial University. 13th and 14th of May. (In Persian)
4
5.Bestani, B., Benderdouche, N., Benstaali, B., Belhakem, M., and Addou, A. 2008. Methylene blue and iodine adsorption onto an activated desert plant. Bioresource technology. 99: 17. 8441-8444.
5
6.Bozorgpour, F., Ramandi, H.F., Jafari, P., Samadi, S., Yazd, S.S., and Aliabadi, M. 2016. Removal of nitrate and phosphate using chitosan/Al2O3/Fe3O4 composite nanofibrous adsorbent: Comparison with chitosan/Al2O3/Fe3O4 beads. Inter. J. Biol. Macromol. 93: 557-565.
6
7.Dahab, M.F. 1988. Treatment alternatives for nitrate contaminated groundwater supplies. J. Environ. Syst. 17: 1. 65-75.
7
8.Daraei, H., Noorisepehr, M., Kamali, H., and Daraei, F. 2014. Efficiency of Eggshell Membrane in Removal of Phenol from Aqueous Solution.
8
9.Escudero, C., Poch, J., and Villaescusa, I. 2013. Modelling of breakthrough curves of single and binary mixtures of Cu (II), Cd (II), Ni (II) and Pb (II) sorption onto grape stalks waste. Chem. Engin. J. 217: 129-138.
9
10.Farasati, M., Seyedian, M., Boroomandnasab, S., Jaafarzadeh, N., Moazed, H., and Ghamarnia, H. 2013. Batch and column studies on the evaluation of micrometer and nanometer Phragmites australis for nitrate removal. Desalination and Water Treatment. 51: 28-30. 5863-5872.
10
11.Farasati, M. 2011. Investigation on the effect of nano structure of cane straw and cane on nitrate removal from contaminated water. PhD in Irrigation and Drainage. Chamran martyr of Ahwaz University. (In Persian)
11
12.Guan, H., Bestland, E., Zhu, C., Zhu, H., Albertsdottir, D., Hutson, J., and Ellis, A.V. 2010. Variation in performance of surfactant loading and resulting nitrate removal among four selected natural zeolites. J. Hazard. Mater. 183: 1-3. 616-621.
12
13.Guler, U.A., and Sarioglu, M. 2013. Single and binary biosorption of Cu (II), Ni (II) and methylene blue by raw and pretreated Spirogyra sp.: equilibrium and kinetic modeling. J. Environ. Chem. Engin. 1: 3. 369-377.
13
14.Hamoudi, S., Saad, R., and Belkacemi, K. 2007. Adsorptive removal of phosphate and nitrate anions fromaqueous solutions using ammonium-functionalized mesoporous silica. Industrial and Engineering Chemistry Research. 46: 25. 8806-8812.
14
15.Hegazi, H.A. 2013. Removal of heavy metals from wastewater using agricultural and industrial wastes as adsorbents. HBRC J. 9: 3. 276-282.
15
16.Karimi, M., Entezari, M.H., and Chamsaz, M. 2010. Sorption studies of nitrate ion by a modified beet residue in the presence and absence of ultrasound. Ultrasonics sonochemistry. 17: 4. 711-717.
16
17.Kraft, G.J., and Stites, W. 2003. Nitrate impacts on groundwater from irrigated-vegetable systems in a humid north-central US sand plain. Agriculture, Ecosystems & Environment. 100: 1. 63-74.
17
18.Liao, C.H., Kang, S.F., and Hsu, Y.W. 2003. Zero-valent iron reduction of nitrate in the presence of ultraviolet light, organic matter and hydrogen peroxide. Water Research. 37: 17. 4109-4118.
18
19.Li, L., Liu, F., Jing, X., Ling, P., and Li, A. 2011. Displacement mechanism of binary competitive adsorption for aqueous divalent metal ions onto a novel IDA- chelating resin: Isotherm and kinetic modeling. Water Research. 45: 1177-1188.
19
20.Malekian, R., Abedi-Koupai, J., Eslamian, S.S., Mousavi, S.F., Abbaspour, K.C., and Afyuni, M. 2011. Ion-exchange process for ammonium removal and release using natural Iranian zeolite. Applied Clay Science. 51: 3. 323-329.
20
21.Masukume, M., Onyango, M.S., Aoyi, O., and Otieno, F. 2013. Nitrate removal from groundwater using modified natural zeolite. Retrieve on August. Pp: 17-26.
21
22.Mozaffarian, V. 2010. Trees and shrubs of Iran. Tehran: Contemporary Culture, Third Edition. Pp: 281-287. (In Persian)
22
23.Parastar, S., Pour Eshgh, U., Nasseri, S., Vanuuchi, M., Golestani Far, H., Hemmati, S., Moradi, G.H., and Asadi, A. 2012. Investigation of photocatalytic removal of nitrate from aqueous solution by using Zno/UV process. J. Health Hygiene. 3: 61-54. (In Persian)
23
24.Qu, X., Brame, J., Li, Q., and Alvarez, P. J. 2012. Nanotechnology for a safe and sustainable water supply: enabling integrated water treatment and reuse. Accounts of chemical research. 46: 3. 834-843.
24
25.Shahidi, A., Jalil Nejad Fallazi, N., and Jalil Nejad Fallazi, A. 2015. Evaluation of Luffy's natural absorbent effect in the removal of bivalve cadmium from aqueous humor. J. Water Sewage. 3: 61-51. (In Persian)
25
26.Thavamani, S.S., and Rajkumar, R. 2013. Removal of Cr (VI), Cu (II), Pb (II) and Ni (II) from Aqueous Solutions by Adsorption on Alumina. Res. J. Chem. Sci. 2231, 606X.
26
27.Wang, X.S., and Qin, Y. 2005. Equilibrium sorption isotherms for of Cu2+ on rice bran. Process Biochemistry. 40: 2. 677-680.
27
28.Ward, M.H. 2005. Workgroup report: drinking-water nitrate and health- recent findings and research needs. Environmental health perspectives. 113: 11. 1607-1614.
28
29.WHO, U. 2012. Progress on drinking water and sanitation: update. New York: UNICEF and World Health Organization. Pp: 1-57.
29
30.Yu, B., Xu, J., Liu, J.H., Yang, S.T., Luo, J., Zhou, Q., and Liu, Y. 2013. Adsorption behavior of copper ions on graphene oxide–chitosan aerogel. J. Environ. Chem. Engin. 1: 4. 1044-1050.
30
31.Zawaideh, L.L., and Zhang, T.C. 1998. The effects of pH and addition of an organic buffer (HEPES) on
31
nitrate transformation in Fe0-water systems. Water science and technology. 38: 7. 107-115.
32
32.Zhao, M., Zhang, C., Zeng, G., Cheng, M., and Liu, Y. 2016. A combined biological removal of Cd2+ from aqueous solutions using Phanerochaete chrysosporium and rice straw. Ecotoxicology and environmental safety. 130: 87-92.
33
ORIGINAL_ARTICLE
بررسی برخی ویژگیهای کیفیت فیزیکی خاک در کاربریهای مختلف اراضی در حوزهی آبخیز بارده شهرکرد (استان چهارمحال و بختیاری)
سابقه و هدف: نوع کاربری زمین تأثیر چشمگیری بر ویژگیهای خاک دارد. مطالعه تأثیر کاربری زمین بر ویژگیهای کیفیت خاک، امکان شناسایی روشهای مدیریتی پایدار و بهتبع آن پیشگیری از تخریب فزاینده خاک را فراهم میکند. تغییر کاربری اراضی، قطع یکسرهی درختان، جنگلها و تبدیل مراتع به اراضی کشاورزی باعث تخریب یا اخلال در اکوسیستمهای طبیعی، کاهش ظرفیت تولید فعلی یا آیندهی خاک شده و اثرات زیانباری بر خصوصیات فیزیکی خاک دارد. با توجه به گستردگی تغییرات کاربری اراضی در ایران و از آنجایی که ویژگیهای کیفیت خاک و مقادیر آنها با توجه به اهداف تحقیق و شرایط منطقهای متفاوت میباشند، تحقیق حاضر جهت بررسی ویژگیهای کیفیت خاک بهویژه ویژگیهای فیزیکی در کاربریهای مختلف در بخشی از شهرستان شهرکرد انجام شد.مواد و روشها: این پژوهش در بخشی از حوزه آبخیز بارده با مساحت 80 کیلومتر مربع واقع در 40 کیلومتری شمال غربی شهرستان شهرکرد (مرکز استان چهارمحال و بختیاری) انجام شد. کاربری عمده اراضی در این منطقه، مراتع طبیعی و کشت دیم است. تعداد 85 نمونه از خاک سطحی به صورت تصادفی و نمونه مرکب (حاصل از سه نمونه واقع در رئوس مثلث متساویالاضلاع به علاوه یک نمونه واقع در مرکز مثلث) با فواصل 1 کیلومتر و از عمق (0-20) سانتیمتری برداشته شد به نحوی که با توجه به نقشه کاربری اراضی منطقه از کاربری مرتع 58 نمونه، کاربری کشت دیم 17 نمونه و از کاربری کشت آبی 10 نمونه از خاک سطحی تهیه گردید. همچنین از نقاط نمونه برداری نمونه دست نخورده جهت اندازه گیری جرم مخصوص ظاهری و هدایت هیدرولیکی خاک تهیه شد و ویژگیهای فیزیکی از جمله توزیع اندازهای ذرات، جرم مخصوص ظاهری، تخلخل کل، شاخصهای پایداری خاکدانه و هدایت هیدرولیکی اشباع در آنها اندازهگیری شد. تجزیه و تحلیل آماری براساس روشهای آمار کلاسیک و با استفاده از نرمافزار آماری Statistica Ver.8 انجام شد. برای بررسی ویژگیهای کیفیت فیزیکی خاک در کاربریهای مختلف از تجزیه واریانس (ANOVA) و مقایسه میانگین (روش دانکن در سطح 5 درصد) استفاده شد.یافتهها: نتایج نشان داد که جرم مخصوص ظاهری، درصد سیلت، پایداری ساختمان خاک به روش الک تر و خشک در اراضی کشاورزی (کشت دیم و آبی) بیشتر از اراضی مرتعی بود که از لحاظ آماری معنیدار نبود. تخلخل کل خاک و درصد شن در کاربری مرتع دارای مقدار بیشتری نسبت به کاربری کشت دیم و آبی بود. همچنین در کاربری کشاورزی بهخصوص کشت دیم در مقایسه با کاربری مرتع درصد رس بیشتر، ولی هدایت هیدرولیکی اشباع کمتر است که این تفاوت معنیدار نبود. نتایج تجزیه واریانس و مقایسه میانگین خصوصیات مورد بررسی، از لحاظ آماری تفاوت معنیداری را بین سه کاربری مرتع، کشت آبی و کشت دیم نشان نداد. نتیجهگیری: برای جلوگیری از تخریب اراضی و کاهش کیفیت خاک در کاربریها، راهکار طولانیمدت در اراضی زراعی، کاهش عملیات خاکورزی و افزودن مادهآلی به خاک میباشد. در اراضی مرتعی نیز باید از ورود دامهای مازاد بر ظرفیت مرتع و ورود دام به مرتع قبل از آمادگی مرتع جهت چرا ممانعت کرد.
https://jwsc.gau.ac.ir/article_4387_34454287b95ace9816fdb0c669cff1c5.pdf
2018-12-22
249
263
10.22069/jwsc.2018.14523.2933
کاربری اراضی
کیفیت خاک
نمونه مرکب
حوزه آبخیز بارده
احمد
کریمی
karimiahmad1342@yahoo.com
1
هیات علمی دانشگاه شهرکرد
AUTHOR
ناهید
مغانی
nahid.moghan94@gmail.com
2
گروه علوم خاک، دانشکده کشاورزی، دانشگاه شهرکرد
LEAD_AUTHOR
جهانگرد
محمدی
jahan.mohammad@ymail.com
3
گروه خاکشناسی دانشگاه شهرکرد
AUTHOR
مهدی
نادری
khnaderi@yahoo.com
4
هیات علمی دانشگاه شهرکرد
AUTHOR
1.Asghari, Sh., Ahmadnejad, S., and Keivan Behjou, F. 2016. Deforestation effects on soil quality and water retention curve parameters in eastern Ardabil. Iran. Eurasian Soil Science. 49: 3. 338-346.
1
2.Asghari, Sh., Hashemian Soofian, S., Goli Kalanpa, E., and Mohebodini, M. 2014. Impacts of land use change on soil quality indicators in eastern Ardabil province. Gorgan, J. Water Soil Cons. 22: 1.
2
(In Persian)
3
3.Bagheri, R., Mohammadi, S., and Saljuqi, M. 2016. Land use change effects on some soil physical properties (Case study: Baft city of Kerman province). Iran. J. Range Des. Res. 23: 2. 231-243. (In Persian)
4
4.Bahrami, A., Emadodin, I., Ranjbar-Atashi, M., and Rudolf-Bork, H. 2010. Land Use Change and Soil Degradation: A Case Study, North of Iran. Agric. Biol. J. North. Amer. 1: 4. 600-605.
5
5.Blake, G.R., and Hartge, K.H. 1986a. Bulk Density, P 363-375. In: Klute A. (Ed). Methods of Soil Analysis. Part 1. 2nd ed. Agron. Monogr. 9. ASA Madison. WI.
6
6.Blake, G.R., and Hartge, K.H. 1986b. Particle Density, P 377-381. In: Klute A. (Ed). Methods of Soil Analysis. Part 1. 2nd ed. Agron. Monogr. 9. ASA Madison. WI.
7
7.Boroumand, M., Ghajar Sapanlu, M., and Bahmanyar, M.A. 2014. The Effect of Land use Change on Some of the Physical and Chemical Properties of Soil (Case study: Semeskande Area of Sari). J. Water. Manage. Res. 5: 9. 78-94. (In Persian)
8
8.Celik, I. 2005. Land-use effects on organic matter and physical properties of soil in a southern Mediterranean highland of Turkey. Soil and Tillage Research. 83: 270-277.
9
9.Danielson, R.H., and Suterland, P.L. 1986. Porosity. P 443-460. In: Klute, A. (Ed.). Methods of Soil Analysis. Part 1. Physical and Mineralogical Methods. Agronomy Monograph, 9. 2nd edition, ASA and SSSA, Madison, WI.
10
10.Datta, A., Basak, N., Chaudhari, S.K., and Sharma, D.K. 2015. Soil properties and organic carbon distribution under different land uses in reclaimed sodic soils of North-West India. Geoderma Regional. 4: 134-146.
11
11.Emami, H., and Leczian, A. 2010. Investigating the relationship between the slope of the moisture curve and some of the physical properties of soil quality. J. Water Soil. 24: 1035-1027.
12
12.Emami, H., Neyshabouri, M.R., and Shorafa, M. 2012. Relationships between some soil quality indicators in different agricultural soils from Varamin, Iran. J. Agric. Sci. Technol. 14: 951-959.
13
13.Fakouri, T., Emami, H., and Ghahraman, B. 2011. Effect of Different Land Uses on Water Infiltration: Case study in Neyshabour, Khorasan Razavi, J. Water Res. Agric. 25: 2. 195-206.
14
14.Gee, G.W., and Bauder, J.W. 1986. Particle size analysis. P 404-407 In: Klute, A. (Ed). Methods of Soil Analysis. Part 1. 2nd edition. Agron. Monogr. 9. ASA and SSSA Madison WI.
15
15.Ghaiumi Mohamadi, A.M., Ghorbani Dashtaki, Sh., Raiesi, F., and Tahmasbi, P. 2013. Effect of land abandonment on variation of soil water infiltration parameters. J. Soil Water Cons. 2: 41-51. (In Persian)
16
16.Gholami, L., Davari, M., Nabiollahi, K., and Joneidi Jafari, H. 2016. Effect of land use changes on some soil physical and chemical properties (case study: Baneh). Gorgan. J. Soil Water Resour. Cons. 5: 3. 14-25.
17
17.Gol, C., Çakir, M., Edis., S., Yilmaz., H. 2010. The effects of land use/land cover change and demographic processes (1950-2008) on soil properties in the Gokçay catchment,Turkey. Afric. J. Agric. Res. 4: 13. 1670-1677.
18
18.Haghighi, F., Gorji M., and Shorafa, M. 2010. A study of the effects of land use changes on soil physical properties and organic matter. Land Degradation and Development. 21: 496-502.
19
19.Hatami Golmakani, P., Sheikh, V.B., and Hosseinalizadeh, M. 2016. The effect of measurement methods on saturated hydraulic conductivity in eastern loess lands of Golestan province, Gorgan. J. Soil Manage. Sust. Prod. 6: 4. 87-102. (In Persian)
20
20.Izquierdo, A.E., and Ricardo Grau, H. 2009. Agriculture adjustment, land-use transition and protected areas in northwestern Argentina. J. Environ. Manage. 90: 858-865.
21
21.Kelishadi, H., Mosaddeghi, M.R., Hajabbasi, M.A., and Ayoubi, S. 2013. Near-saturated soil hydraulic properties as influenced by land use management systems in Koohrang region of central Zagros, Iran. Geoderma. 213: 426-434.
22
22.Kemper, W.D., and Rosenau, R.C. 1986. Aggregate stability and size distribution. P 425-442. In: Klute, A (Ed). Methods of Soil Analysis. ASA and SSSA. Madison. WI.
23
23.Kizilkaya, R., and Dengiz, O. 2010. Variation of land use and land cover effects on some soil physico-chemical characteristics and soil enzyme activity. Zemdirbyste-d Agriculture. 97: 2. 15-24.
24
24.Klute, A., and Dirksen, C. 1986. Hydraulic conductivity of saturated soils (constant head), P 694-696. In: Klute, A. (ed). Methods of Soil Analysis. Part 1, 2nd ed. Agronomy. Monograph 9. ASA and SSSA, Madison, WI.
25
25.Liu, M.Y., Chang, Q.R., Qi, Y.B., Liu, J., and Chen, T. 2013. Aggregation and soil organic carbon fractions under different land uses on the tableland of the Loess Plateau of China. CATENA. 115: 19-28.
26
26.Motaghian, H.R., and Mohammadi, J. 2011. Comparison of some soil physical quality indices in different land uses in Marghmalek catchment, Shahrekord (Chaharmahal-va-BakhtiariProvince). J. Water Soil. 25: 1. 115-124. (In Persian)
27
27.Mousavi, S.F., Moazzeni, M., Mostafazadeh-Fard, A., and Yazdani, M.R. 2012. Effects of rice straw incorporation on some physical characteristics of paddy soils. J. Agric. Sci. Technol. 14: 1173-1183.
28
28.Niknahad Gharmakher, H., and Maramaei, M. 2011. Effects of land use change on soil properties (Case study: the Kechik catchment). J. Soil Manage. Sust. Prod. 1: 2. 81-96. (In Persian)
29
29.Presley, D.R., Ransom, M.D., Kluitenberg, G.J., and Finnell, P.R. 2004. Effect of thirty years irrigation on the genesis and morphology of two semiarid soils in Kansas. Soil Sci. Soc. Amer. J. 68: 1916-1926.
30
30.Riahi, M.R., Wahabzadeh, G., and Raei, R. 2015. The Role of Land Use Change on Some Soil Physicochemical Properties (Case study: Watershed Basin of Keyasar Galooga). J. Water Soil Knowledge. 26: 1. 159-171.
31
31.Silva, G.L., Lima, H.V., Campanha, M.M., Gilkes, R.J., and Oliveira, T.S. 2011. Soil physical quality of Luvisols under agroforestry, natural vegetation and conventional crop management systems in the Brazilian semi-arid region. Geoderma, 167-168: 61-70.
32
32.Turudu, O.A. 1981. Investigation of some physical and chemical properties of spruce forest, beech forest and meadow and maize farmland soils located same aspects in Trabzon Hamsikoy province. KardenizTechnicalUniversity Forestry Faculty Publication Number-13, KardenizTechnicalUniversity Press, Trabzon.
33
33.Vahabzadeh, Kebria Gh., Riahi, M.R., and Roshun, S. 2016. Investigation of Land use Change on Physicochemical Characteristics and Soil Erosion in Kaftargar Basin of Behshahr. Quar. J. Environ. Erosion Res. 6: 2 (26).75-88.
34
34.Yao, M.K., Angui, P.K., Konaté, S., Tondoh, J.E., Tano, Y., Abbadie, L., and Benest, D. 2010. Effects of land use types on soil organic carbon and nitrogen dynamics in Mid-West Cote d’Ivoire. Europ. J. Sci. Res. 40: 2. 211-222.
35
35.Zhao, G., Mu, X., Wen, Z., Wang, F., and Gao, P. 2013. Soil erosion, conservation and Ecoenvironment changes in the Loess Plateau of China. Land Degradation and Development. 24: 499-510.
36
ORIGINAL_ARTICLE
تاثیر گوگرد بر برخی از خصوصیات شیمیایی خاک و غلظت عناصر غذایی در دانه گندم (Triticum astivum L.)
سابقه و هدف: در خاکهای آهکی ایران به علت pH بالا، عناصر غذایی از حلالیت اندکی برخوردار بوده و جذب آنها توسط گیاهان با مشکل مواجه است. برای رفع این مشکلات و برای دستیابی به عملکرد مطلوب در چنین خاکهایی ناگزیر به استفاده ازگوگرد به عنوان یک ماده اصلاحی برای کاهش موضعی pH خاک و افزایش حلالیت عناصر غذایی می باشد. هدف از اجرای این تحقیق بررسی اثر گوگرد همراه با باکتری تیوباسیلوس بر تغییرات pH، هدایت الکتریکی، فسفر، گوگرد، روی و آهن قابل استفاده در خاکهای زیر کشت گندم و غلظت عناصر غذایی در دانه آن در چهار منطقه از خاکهای این استان با گوگرد قابل جذب متفاوت بود. مواد و روشها: آزمایشی شامل چهار تیمار مصرف گوگرد (500،250،0 و1000 کیلوگرم بر هکتار)، در سه تکرار و در قالب طرح بلوک-های کامل تصادفی، در چهار مزرعه با مقدار گوگرد قابل جذب متفاوت ( 7، 13، 18و 27 میلیگرم برکیلوگرم خاک)، در مناطق مختلف استان کرمانشاه (چغانرگس، ماهیدشت، نجفآباد و قمشه) و در سال زراعی 95-1394، اجرا شد. قبل از کاشت، خصوصیات شیمیایی و فیزیکی خاکهای مورد آزمایش با روشهای استاندارد آنالیز گردید.گندم در کرتهای آزمایشی کشت شد و نمونه برداری از خاک در دو مرحله از رشد گندم (پنجه زنی و ساقه رفتن) و پس از برداشت برای اندازهگیری خصوصیات شیمیایی خاک و نسبت به برآورد عملکرد گندم و اندازه گیری عناصر غذایی در دانه آن با روشهای متداول اقدام گردید یافتهها: نتایج نشان داد که در تمام خاکهای مورد آزمایش، تأثیر مقادیر مختلف گوگرد همراه با باکتری تیوباسیلوس بر کاهش pH خاک، افزایش هدایت الکتریکی، فسفر،گوگرد، آهن و روی قابلاستفاده خاک در مرحله پنجه زنی، ساقه رفتن و پس از برداشت گندم در مقایسه با تیمار شاهد در مزارع چغانرگس، ماهیدشت اختلاف معنیداری در سطح یک درصد (p <0.01) و در نجفآباد و قمشه در سطح پنج در-صد (p <0.05) وجود داشت. کمترین مقدار pH خاک و بیشترین مقدار خصوصیات اندازهگیری شده در تمام مزارع آزمایشی با مصرف 1000 کیلوگرم گوگرد بر هکتار و در مرحله ساقه رفتن شاهده شد. پس از برداشت محصول، بهعلت ظرفیت بافری، pH خاک و عناصر غذایی، نسبت به مرحله ساقه رفتن کاهش یاقتند. همچنین با مصرف گوگرد مقدار غلظت عناصر غذایی بهطور معنیداری در دانه گندم در هر چهار مزرعه افزایش و بیشترین غلظت این عناصر با مصرف 1000 کیلوگرم گوگرد بر هکتار گوگرد بود. نتیجهگیری: تأثیر گوگرد همراه با باکتریهای تیوباسیلوس بر خصوصیات شیمیاییخاک و مقدار غلظت عناصر غذایی در دانه گندم امیدوارکننده بود و این بیانگر پتانسیل خوب آن برای کاربرد در بخش کشاورزی میباشد و هرخاک آهکی دارای پتانسیل خاصی برای اکسیداسیون گوگرد است که وابسته به خصوصیات آن خاک میباشد و تنها مقدار کربنات کلسیم معیار مناسبی برای کاربرد گوگرد برای افزایش حلالیت عناصر غذایی نمی باشد.
https://jwsc.gau.ac.ir/article_4388_6fa6572cedf3d3987ea44720d08cf793.pdf
2018-12-22
265
280
10.22069/jwsc.2019.14774.2979
pH
هدایت الکتریکی
فسفر
گوگرد
روی
محمد حسین
داوودی
davoodi_mh@yahoo.com
1
استادیار موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران
LEAD_AUTHOR
جلال
قادری
ghaderij@yahoo.com
2
عضو هیات علمی، بخش تحقیقات خاک و آب، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان کرمانشاه، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرمانشاه، ایران.
AUTHOR
کاظم
خاوازی
khavazik@yahoo.com
3
استاد موسسه تحقیقات خاک و آب، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
AUTHOR
1.Abdou, A., Soaud, A.A., Al Darwish, F.H., Saleh, M.E., El-Tarabily, K.A., Sofian-Azirun, M., and Motior, R.M. 2011. Effects of elemental sulfur, phosphorus, micronutrients and Paracoccus versutus on nutrient vailability of calcareous soils. Aust. J. Crop Sci.5: 5. 554-561.
1
2.Besharati, H., and Rastin, N. 1998. Effect of application Thiobacillus spp. Inoculants and elemental sulfur on pH and phosphorus availability. Iran. J. Soil Water Sci. 13: 6. 23-39. (In Persian)
2
3.Bouyoucos, G.J. 1962. Hydrometer method improved for making particle size analyses of soils. Agron. J. l54: 5. 464-465.
3
4.Black, C.A., Evans, D.D., and Dinauer, R.C. 1965. Methods of Soil Analysis. Am. Soc. Agron. Madison, WI. 9: 653-708.
4
5.Brady, N.C., and Weil, R.R. 2002. The Nature and Properties of Soils. 14nd Ed. Prentice Hall, Upper Saddle River, New Jersey.
5
6.Buresh, R.J., Austin, E.R., and Craswell, E.T. 1982. Analytical methods in N-15 research. Fert. Res. 3: 37-62.
6
7.El-Fatah, M.S., and Khaled, S.M. 2010. Influence of organic matter and different rates of sulfur and nitrogen on dry matter and mineral composition of wheat plant in new reclaimed sandy Soil. J. Am. Sci. 6: 11. 1078-1084.
7
8.El-Kholy, A.M., Ali, O.M., El-Sikhry, E.M., and Mohamed, A.L. 2013. Effect of Sulfur application on the availability of some nutrients in Egyptian soils. Egypt. J. Soil Sci. 53: 3. 361-377.
8
9.El-Tarabily, K.A., Soaud, A.A., Saleh, M.E., and Matsumoto, S. 2006. Isolation and characterization of sulfur oxidizing bacteria, including strains of Rhizobium, from calcareous sandy soils and their effects on nutrient uptake and growth of maize (Zea mays L.). Aust. J. Agric. Res. 57: 1. 101-111.
9
10.Erdal, Đ., Gülser F., Tüfenkçi, S., Sağlam, M., and Karaca, S. 2000. Influence of sulfur fertilization on corn (Zea mays L.) plant growth and phosphorus uptake in a calcareous soil. YüzüncüYılUniversity. J. Natur. Appl. Sci. 7: 1. 37-42.
10
11.Erdal, I., Kepenek, K., and Kızılgoz, I. 2004. Effect of elemental sulfur and sulfur containing waste on the iron nutrition of strawberry plants grown in a calcareous soil. Bio. Agric. Hort. 23: 263-272.
11
12.Erdem, H., Torun, M.B., Erdem, N., Yazıcı, A., Tolay, I., Gunal, E., and Özkutlu, F. 2016. Effects of different forms and doses of sulfur application on wheat. Turk. J. Agric. Food Sci. Tech. 4: 11. 957-961.
12
13.Fox, R.L., Alson, R.A., and Rhoades, H.F. 1964. Evaluating the sulfur status of soils by plants and soil tests. Soil Sci. Soc. Am. Proc. 21: 287-292.
13
14.Gholami, A., and Ansori, A. 2015. Improved nutrient uptake and growth of maize in response to inoculation with Thiobacillus and Mycorrhiza on an alkaline soil. Comm. Soil Sci. Plant Anal. 46: 17. 2111-2126.
14
15.Gohargani, J. 2015. Effect of sulfur, organic matter and Thiobacillus on availability of micronutrients in canola seeds in a calcareous soil. J. Soil Biol. 3: 1. 73-82. (In Persian)
15
16.Hashemimajd, K., Mohamadi farani, T., and Jamaati, S. 2012. Effect of elemental sulfur and compost on pH, electrical conductivity and phosphorus availability of one clay soil. Afric. J. Biotech. 11: 6. 1425-1432.
16
17.Hammad, S.A., El-Hamdi, K.H., Abou El-Soud, M.A., and El-Sanat, G.M.A. 2007. Effect of some soil amendments application on the productivity of wheat and soybean, mobility and availability of nitrogen. J. Agric. Sci. 32: 9. 7953-7965.
17
18.Janzen, H.H., and Bettany, J.R. 1987. Oxidation of elemental sulfur under field conditions in central Saskatchewan. Can. J. Soil Sci. 67: 609-618.
18
19.Kalbasi, M., Filsoof, F., and Rezai-Nejad, Y. 1988. Effect of sulfur treatments on yield and uptake of Fe, Zn and Mn by corn, sorghum and soybeans. J. Plant Nutr. 11: 1353-1360.
19
20.Kaplan, M., and Orman, S. 1998. Effect of elemental sulfur and sulfur containing waste in a calcareous soil in Turkey. J. Plant Nutr. 21: 1655-1665.
20
21.Khan, M.J., Khan, M.H., Khattak, R.A., and Jan, M.T. 2006. Response of maize to different levels of sulfur. Comm. Soil Sci. Plant Anal. 37: 1-2. 41-51.
21
22.Imran, M., Sajida, P., Amjad, A., and Fayaz, A. 2014. Influence of sulfur rates on phosphorus and sulfur content of miaze crop and its utilization in soil. Intl J. Farm Alli Sci. 3: 11. 1194-1200.
22
23.Lindsay, W.L., and Norvell, W.A. 1978. Development of a DTPA test for zinc, iron, manganese and copper. Soil Sci. Soc. Am. J. 42: 421-428.
23
24.Malakouti, M.J., and Keshavarz, P. 2006. A look at the fertility status of Iranian soils (Evaluation and Utilization). 1st edition. Tehran: SanaPress, Iran. 503p. (In Persian)
24
25.McDonald, G.K., and Mousavvi Nik, M. 2009. Increasing the supply of sulfur increases the grain zinc concentration in bread and durum wheat. UC Davis: The Proceedings of the internationalPlant Nutrition Colloquium XVI. Retrieved: http://escholarship.org/uc/item.
25
26.McLean, E. 1982. Soil pH and lime requirement. Methods of Soil Analysis- Part 2. Chemical and Microbiological properties. Agronomy Monograph 9.2, Pp: 199-224.
26
27.Olsen, S.R., Cole, C.V., Watanabe, F.S., and Dean, L.A. 1954. Estimation of available phosphorus in soils by extraction with sodium bicarbonate. U.S. Department of Agriculture Circular, 939p.
27
28.Orman, S., and Hüseyin, O. 2012. Effects of sulfur and zinc applications on growth and nutrition of bread wheat in calcareous clay loam soil. Afric. J. Biotech. 11: 13. 3080-3086.
28
29.Ryan, J., Estefan, G., and Rashid, A. 2007. Soil and Plant Analysis Laboratory Manual, Icarda, 172p.
29
30.Quin, B.F., and Wood, P.H. 1976. Rapid manual determination of sulfur and phosphorous in plant material. Comm. Soil Sci. Plant Anal. 7: 4. 415-425.
30
31.Safaa, M.M., Khaled, S.M., and Hanan, S. 2013. Effect of elemental sulfur on solubility of soil nutrients and soil heavy metals and their uptake by maize plants. J. Am. Sci.9: 12. 19-24.
31
32.Soaud, A.A., Al Darwish, F.H., Saleh, M.E., El-Tarabiliy, K.A., Sofian-Azirun, M., and Rahman, M. 2011. Effects of elemental sulfur, phosphorus, micronutrients and Paracoccus versutus on nutrient availability of calcareous soils. Aust. J. Crop Sci. 5: 5. 554-561.
32
33.Slaton, N.A. 1998. The influence of elemental sulfur amendments on soil chemical properties and Rice growth. University of Arkansas. A dissertation of Doctor of Philosophy.
33
34.Walkley, A., and Black, I.A. 1934. An examination of the Degtjareff method for determining soil organic matter and a proposed modification of the chromic acid titration method. Soil Sci. 37: 1. 29-38.
34
35.Westerman, R.L. 1990. Soil Testing and Plant Analysis. 3rd edition. Soil Sci Soc. Am, Inc. Madison, Wisconsin, U.S.A.
35
36. Ye, R., Wright, A.L., and McCray, J.M. 2011. Seasonal changes in nutrient availability for sulfur-amended everglades soils under sugarcane. J. Plant Nutr.34: 14. 2095-2113.
36
ORIGINAL_ARTICLE
بررسی اثر بستر نفوذپذیر متخلخل در حوضچه آرامش بر مشخصات پرش هیدرولیکی
سابقه و هدف: یکی از کاربردهای مهم پرش هیدرولیکی کنترل فرسایش پایین دست کانال از سیستم های انتقال آب با سرعت بالا مانند تنداب ها و سرریزها بوسیله مستهلک کردن مقدار زیادی از انرژی جنبشی پرش هیدرولیکی در حوضچه آرامش می باشد. حوضچه های آرامش معمولا از بتن صاف و نفوذ ناپذیر ساخته می شوند که این امر مشکلاتی از نظر زیست محیطی و همچنین هزینه و صعوبت اجرا به دنبال دارد. استفاده از حوضچه های آرامش در کانال های طبیعی پوشش داده شده با ریپ رپ و کانال های سنگی رو به گسترش است. این حوضچه ها ذاتا زبرتر و نسبت به حوضچه های آرامش سنتی نفوذپذیر می باشند. در حال حاضر تاثیر نفوذپذیری کانال بر روی مشخصات پرش هیدرولیکی مانند اعماق مزدوج و طول پرش نامشخص است. در این تحقیق مشخصات پرش هیدرولیکی در حوضچه آرامش با بستر نفوذپذیر متخلخل به عنوان جایگزینی برای حوضچه های بتنی در اینگونه موارد مورد بررسی قرار گرفته است. مواد و روشها: برای انجام آزمایشها یک کانال آزمایشگاهی به طول 6 متر و عرض 80 سانتیمتر با جداره شیشهای مجهز به مخزن تأمین هد به ارتفاع 3 متر در ابتدای کانال در آزمایشگاه هیدرولیک دانشگاه فردوسی مشهد طراحی و ساخته شد. دبی موردنیاز آزمایشها توسط سیستم آبرسانی آزمایشگاه مجهز به پمپ سانتریفیوژ با توان آبدهی 100 لیتر بر ثانیه تأمین گردید. از دو دریچه کشویی در ابتدا و انتهای کانال بهمنظور ایجاد جریان فوق بحرانی، تنظیم عمق پایاب و تثبیت موقعیت پرش استفاده شد. از سه نوع شن خوب دانهبندی شده با میانگین قطر دانهبندی مختلف در محدوده 8/9 تا 38 میلیمتر با طولها و ضخامتهای متفاوت برای ایجاد بستر نفوذپذیر استفاده گردید. آزمایشها برای پنج عدد فرود متفاوت در محدوده 3/5 تا 4/7 انجام شد. عمق اولیه، ثانویه و طول پرش برای هر آزمایش اندازهگیری شده و با نتایج حاصل از بستر صاف نفوذناپذیر مقایسه گردید. یافتهها: درمجموع اهداف مختلف موردنظر این تحقیق که در درجه اول شامل ارزیابی اثر بالقوه نفوذپذیری کف حوضچه آرامش بر روی مشخصات پرش هیدرولیکی مانند نسبت اعماق مزدوج و طول پرش بود، به دست آمد. نتایج آزمایشها نشان داد که پارامترهایی مانند میانگین قطر دانهبندی بستر حوضچه، طول و ضخامت بستر و عدد فرود جریان بر ابعاد پرش هیدرولیکی و میزان افت انرژی حاصل از آن مؤثرند. نتیجهگیری: نفوذپذیری بستر سبب کاهش ابعاد پرش هیدرولیکی شده بطوریکه نسبت اعماق مزدوج در مقایسه با بستر صاف بهطور میانگین 19 درصد و نیز طول پرش حدوداً 31 درصد کاهش مییابد.
https://jwsc.gau.ac.ir/article_4389_5829ee102472c9e7871d0f36cfcdd937.pdf
2018-12-22
281
292
10.22069/jwsc.2018.14679.2967
حوضچه آرامش
بستر نفوذپذیر
تخلخل
پرش هیدرولیکی
نیما
اکبری
nima.akb@gmail.com
1
دانشجوی دکتری دانشگاه فرودوسی مشهد
LEAD_AUTHOR
کاظم
اسماعیلی
kazem.esmaili@gmail.com
2
دانشیار دانشگاه فردوسی مشهد
AUTHOR
سعید رضا
خداشناس
saeedkhodashenas@yahoo.fr
3
گروه مهندسی آب-دانشگاه فردوسی مشهد
AUTHOR
1.Badizadegan, R., Esmaeili, K., Maghrebi, M.F., and Saneie, M. 2011. Hydraulic jump properties in irrigation canals with corrugated bed. J. Water Soil. 25: 3. 676-687. (In Persian)
1
2.Hager, W.H. 1992. Energy dissipaters and hydraulic jump. Kluwer Academic, Dordrecht, the Netherlands.
2
3.Hosseini, S.M., and Abrishami, J. 1999. Open channel hydraulics. Second Edition. Astan Quds Razavi publications, Mahhad, Iran.
3
4.Hughes, W.C., and Flack, J.E. 1984. Hydraulic jump properties over a rough bed. J. Hydr. Engin. 110: 12. 1755-1771.
4
5.McCorquodale, J.A. 1986. Chapter 8: Hydraulic jumps and internal flows. Encyclopedia of fluid mechanics, N.P. Cheremisinoff, ed., Vol. 2, Gulf Publishing, Houston, Pp: 120-173.
5
6.Pagliara, S., Palermo, M., and Das, R. 2015. Eco-friendly countermeasures for enlarged basins erosion. J. River Res. Appl. 32: 3. 441-451.
6
7.Peterka, A.J. 1958. Hydraulic design of stilling basins and energy dissipaters. Engineering Monograph No. 25, U.S. Bureau of Reclamation, Denver.
7
8.Rajaratnam, N. 1967. Hydraulic jumps. Advances in Hydroscience, 4: 197-280.
8
9.Rajaratnam, N. 1968. Hydraulic jumps on rough beds. Transportation Engineers Institute, Canada, 11: A-2. 1-8.
9
10.Salehian, S., Shafai-Bajestan, M., Mousavi-Jahromi, H., Kashkooli, H., and Kashefipour, S.M. 2011. Hydraulic jump characteristics due to natural beds. World Appl. Sci. J. 13: 5. 1005-1011.
10
11.Shafai-Bajestan, M., and Neisi, K. 2009. A new roughened bed hydraulic jump stilling basin. Asi. J. Appl. Sci. 2: 5. 436-445.
11
ORIGINAL_ARTICLE
بررسی اثر ارتفاع بیوراکتور پر شده با بیوچار در حذف نیترات و آمونیوم از زهآبزهکشها
سابقه و هدف: یکی از مهمترین آلایندهها در آبهای سطحی و زیرزمینی نیتروژن محلول به فرم نیترات میباشد. سیستمهای زهکشی مصنوعی با افزایش نسبی سرعت انتقال زهآب به آبهای سطحی نسبت به حالت طبیعی باعث میشوند زمان به وقوع پیوستن فرآیندهای طبیعی از جمله دنیتریفیکاسیون کاهش یابد. بیوراکتورهای دنیتریفیکاسیون با ایجاد یک محیط از منابع کربنی و عبور آب زهکش از میان آن باعث افزایش دنیتریفیکاسیون و حذف نیترات از محیط میگردند. در این مطالعه از بیوچار به عنوان دیواره کربنی در بیوراکتور استفاده شده است. در گام نخست به مقایسه عملکرد بیوراکتور پر شده با بیوچار و بیوراکتور پر شده از پوشال گندم در حذف نیترات و آمونیوم از زهآب زهکشهای زیرزمینی پرداخته شد. پس از آن تأثیر ارتفاع بیوراکتور بر غلظت نیترات و آمونیوم خروجی از بیوراکتورهای پر شده با بیوچار پوشال گندم مورد بررسی قرار گرفت. علاوه بر این تأثیر گذر زمان بر کارایی بیوراکتورها در حذف نیترات و آمونیوم برای یک دوره چهار ماهه مورد بررسی گردید. مواد و روشها: در راستای اهدف تحقیق، بیوراکتورهایی با لولههای پلی اتیلنی با ارتفاع 125 سانتی متری شبیه سازی شدند. فاکتور تغییر ارتفاع در 4 سطح شامل 5/32، 5/62، 5/92، 125 سانتی متر که به ترتیب با H1 ، H2، H3 و H4 نشان داده شده، مورد بررسی قرار گرفت. شاهد (B0) حاوی 30 درصد حجمی پوشال گندم و بیوراکتورهای نمونه (B1) حاوی 30 درصد حجمی بیوچار پوشال گندم میباشند. یافتهها: نتایج نشان داد، غلظت نیترات خروجی از بیوراکتورهای دنیتریفیکاسیون به طور معنی داری تحت تأثیر بیوچار به کار رفته در آنها قرار دارد. میانگین غلظت نیترات خروجی از بیوراکتورهای دارای 30 درصد بیوچار 16/18 میلی گرم در لیتر است در حالیکه این مقدار در بیورکتورهای فاقد بیوچار برابر با 01/49 میلیگرم در لیتر میباشد. همچنین با افزایش ارتفاع بیوراکتور غلظت نیترات خروجی از بیوراکتور کاهش مییابد. در پایان دوره 4 ماهه نمونهبرداری غلظت نیترات خروجی از تیمارهای نمونه H1B1، H2B1، H3B1 وH4B1 از 160 میلیگرم در لیتر به ترتیب به مقادیر 91/20، 85/12، 04/8 و 23/5 میلیگرم در لیتر کاهش یافت، در حالیکه در تیمارهای شاهد H1B0، H2B0، H3B0 وH4B0 غلظت نیترات خروجی در پایان دوره نمونه برداری برابر با 17/42، 36/36، 99/28 و 65/19 میلیگرم در لیتر است. گذر زمان در سطح 1 درصد تأثیر معنا داری در میزان حذف نیترات دارد و در پایان دوره 4 ماهه آزمایش، میانگین غلظت نیترات خروجی از بیوراکتورهای نمونه به پایینترین حد یعنی 77/21 میلیگرم در لیتر میرسد، این در حالی است که میانگین غلظت نیترات خروجی در روز اول نمونه برداری 21/59 میلیگرم در لیتر مشاهده گردید. غلظت آمونیوم خروجی از بیوراکتورهای حاوی بیوچار و بیوراکتورهای فاقد بیوچار در مقایسه با غلظت آمونیوم ورودی به آنها افزایش یافت، علت این امر را میتوان اینگونه بیان کرد که بخشی از نیترات توسط باکتریهای بیهوازی به آمونیوم تبدیل میگردد. ولی علی رغم این افزایش مقدار آن بسیار ناچیز و کمتر از 5/0 میلیگرم در لیتر است.نتیجهگیری: راندمان حذف نیترات در بیوراکتورهای دارای بیوچار بیشتر از بیوراکتورهای فاقد بیوچار هست. افزایش ارتفاع بیوراکتور سبب افزایش حذف نیترات میگردد.
https://jwsc.gau.ac.ir/article_4390_1e0f2e65b4d4651d67426e82b778ef60.pdf
2018-12-22
293
304
10.22069/jwsc.2019.14556.2938
بیوچار"
" نیترات"
" دنیتریفیکاسیون"
" آمونیوم"
مریم
احمدوند
tina_ahmadvand@yahoo.com
1
گروه مهندسی آب- دانشگاه تهران- پردیس ابوریحان
AUTHOR
جابر
سلطانی
jsoltani@ut.ac.ir
2
عضوهیات علمی، گروه مهندسی آب، پردیس ابوریحان، دانشگاه تهران
LEAD_AUTHOR
مریم
وراوی پور
mvaravi@ut.ac.ir
3
عضو هیات علمی گروه مهندسی آب - پردیس ابوریحان- دانشگاه تهران
AUTHOR
سید ابراهیم
هاشمی گرمدره
sehashemi@ut.ac.ir
4
عضو هیات علمی گروه آبیاری و زهکشی - پردیس ابوریحان- دانشگاه تهران- تهران
AUTHOR
1.Ahmadvand, M., Soltani, J., Hashemi Garmdareh, S.E., and Varavipour, M. 2018. The relationship between the characteristics of Biochar produced at different temperatures and its impact on the uptake of NO3--N, Environ. Health Engin. Manage. J. 5: 2. 67-75.
1
2.Beesley, L., and Marmiroli, M. 2011. The immobilisation and retention of soluble arsenic, cadmium and zinc
2
by biochar. Environmental Pollution 159: 474-480.
3
3.Behnam, H., Farrokhian Firouzi, A., and Moezzi, A.A. 2016. Effect of sugarcane bagasse biochar and compost on some soil mechanical properties. Water and Soil Conservation. 23: 4. 235-250 .(In Persian)
4
4.Bedessem, M.E., Edgar T.V., and Roll, R. 2005. Nitrogen removal in laboratory model leachfields with organic-rich layers. J. Environ. Qual. 34: 3. 936-942.
5
5.Bock, E., Smith, N., Rogers, M., Benham, B., and Easton, Z.M. 2015. Enhanced Nitrate and Phosphate Removal in a Denitrifying Bioreactor with Biochar. J. Environ. Qual. 44: 605-613.
6
6.Boostani, H.R. 2018. Effect of organic manures, their biochars and arbuscular mycorrhizae fungi on distribution of zinc chemical fractions in a calcareous soil. Water and Soil Conservation. 24: 5. 49-71. (In Persian)
7
7.Boostani, H.R., and Najafi Ghiri, M. 2018. Effect of organic manures, theirs biochar and mycorrhizae fungi application on the chemical forms of potassium in a calcareous soil. 24: 6. 159-176. (In Persian)
8
8.Christianson, L., Hedley, M., Camps, M., Free, H., and Saggar, S. 2011. Influence of biochar amendments on denitrification bioreactor performance. www.massey. ac.nz/flrc/workshops/11/Manuscripts.
9
9.Daniel, T.C., Sharpley, A.N., and Lemunyon, J.L. 1998. Agricultural phosphorus and eutrophication: A symposium overview. J. Environ. Qual. 27: 2. 251-257.
10
10.Hashemi, S.A., Heydarpur, M., and Mustafa Zadeh Fard, B. 2011. Investigation of the amount of nitrate removal in the two situations of the placing biological filters in subsoil drainage systems. J. Irrig. Sci. Engin. 34: 2. 71-81.
11
11.Inyang, M., Gao, B., Pullammanappallil, P., Ding, W., and Zimmerman, A.R. 2010. Biochar from anaerobically digested sugarcane bagasse. Bioresour. Technol. 101: 8868-8872.
12
12.Kellman, L.M. 2005. A study of tile drain nitrate -15N values as a tool for assessing nitrate sources in an agricultural region. Nutrient Cycling in Agroecosystems 71.
13
13.Lehmann, J., Gaunt, J., and Rondon, M. 2005. Bio-char sequestration in terrestrial ecosystems- a review. Mitigation and adaptation strategies for global change.
14
14.Lehmann, J., Gaunt, J., and Rondon, M. 2006. Bio-char sequestration in terrestrial ecosystems - a review. Mitigat. Adaptat. Strateg. Global Change. 11: 403-427.
15
15.Najafi Ghiri, M., and Boostani, H.R. 2017. Effect of application of crop and licorice root residues and their biochars on potassium status of a calcareous soil. Water and Soil Conservation. 24: 3. 77-93. (In Persian)
16
16.Randal, G.W., Vetsch, J.A., and Huffman, J.R. 2003. Nitrate Losses in Subsurface Drainage from a Corn–Soybean Rotation as Affected by Time of Nitrogen Application and Use of Nitrapyrin. J. Environ. Qual. 32: 5. 1764-1772.
17
17.Robertson, W.D., Blowes, D.W., Ptacek, C.J., and Cherry, J.A. 2000. Long- term performance of in situ reactive porouse media barriers for nitrate remediation. Ground Water. 38: 5. 689-695.
18
18.Van Zwieten, L., Kimber, S., Morris, S., Chan, K.Y., Downie, A., Rust, J., Joseph, S., and Cowie, A. 2010.
19
Effects of biochar from slow pyrolysis of papermill waste on agronomic performance and soil fertility. Plant Soil 327: 235-246.
20
19.Verheijen, F., Jeffery, S., Bastos, A.C., Velde, M.V.D., and Diafas, I. 2009. Biochar Application to Soils – A Critical Scientific Review of Effects on Soil Properties, processes and functions. EUR 24099 EN. Office for the Official Publications of the European Communities, Luxemburg, 149p.
21
ORIGINAL_ARTICLE
هجوم آبشور بر سیستم منابع آب دشت آذرشهر و ارزیابی اثرات آن در تأمین نیازهای 20 سال آینده
چکیده سابقه و هدف : زمانی که سیستم منابع آب با مشکلات جدی و بحران مواجه میشود میبایست جهت حل اساسی مشکل ریشههای مسبب اصلی و تاریخچه شروع مشکلات مشخص گردد تا بتوان راهحل مؤثری ارائه کرد. اقدامات وقتی میتوانند مؤثر باشند که بهموقع صورت گیرند در غیر این صورت هزینه بالا و تأثیر کمتری خواهند داشت. در این مقاله تاریخ هجوم آبشور به سیستم منابع آب دشت آذرشهر با استفاده از تحلیل آماری و سیستم اطلاعات جغرافیایی شناسایی و علت مؤثر واقع نشدن اقدامات بحث شده است و درنهایت به ارزیابی اثرات آن در تأمین نیازهای 20 سال آینده در نرمافزار WEAP پرداختهشده است.مواد و روشها: تغییرات وارده بر دستگاهها معمولاً تدریجی است تا اینکه این اثرات کوچک جمع شده و از آستانه تحمل سیستم بالاتر رود.در این تحقیق با استفاده از دادههای کیفیت آب زیرزمینی،تراز آب زیرزمینی دشت آذرشهر و همچنین تراز دریاچه ارومیه تاریخ پیشروی عمده و هجوم آبشور به آبخوان اواخر سال 1379 بعد از حدود 5 سال خشکسالی متوالی مشخص گردید. با استفاده از شبکه عصبی تغییرات منابع برای 20 سال آینده پیشبینی و با توجه به نیازها به ارزیابی اثرات تغییر در تأمین نیازهای 20 سال آینده در نرمافزار WEAP بر اساس سناریو سال آبی پرداختهشده است . یافتهها: در اثر 5 سال خشکسالی متوالی برداشتها از آبخوان بهسرعت افزایشیافته، و از انجاییکه هیچ اقدام سازه ای قابلتوجه و علیالخصوص اقدامات غیر سازهای (مؤلفههای حکمرانی خوب) از قبیل شفافیت (دسترسی کامل تمام گرودارن به دادههای اطلاعاتی) و مشارکت تمام گرودارن در حل مشکل و نهایتاً پاسخگویی کافی در برابر عدم اقدامات مؤثر وجود نداشته، اثرات تجمعی این 5 سال خشکسالی موجب تغییر بزرگی در سیستم شده است.در اثر این تغییر، ظرفیت سیستم بهشدت متأثر شده و امکان تأمین نیازهای آتی در دشت مقدور نخواهد بود و این موضوع پایداری اقتصادی و اجتماعی منطقه را بهشدت تهدید میکند.نتیجهگیری:تغییر بزرگ وارده بر سیستم منابع آب آذرشهر پس از 5 سال خشکسالی متوالی در انتهای سال1379 بانفوذ گسترده آبشور از محدوده جزیره اسلامی به آبخوان رخداده است.اقدامات سازهای صورت گرفته بهقدری کوچک بوده که نتوانسته اثر این تغییر واردشده بر سیستم را خنثی کند و در عمل تا سال1393 شوری آب زیرزمینی گسترشیافته است.اگر بخواهد سطح کشت سال آبی 1394-1395 در 20 سال آینده حفظ شود و مقدارسطح شور شده از سطح شور شده سال آبی 1394-1395فراتر نرود، در تأمین نیاز کشاورزی 16 تا 18میلیون مترمکعب کمبود خواهد بود. میتوان با مدیریت تقاضای آب کشاورزی با اجرای طرحهای تحتفشار و قطرهای بهصورت پلهای (هر 5 سال 5%) این کمبود را به 13 میلیون مترمکعب در انتهای دوره 20 ساله و با کاهش سالیانه 1% از اراضی آبی زراعی در کنار مدیریت تقاضای آب کشاورزی این کمبود را در انتهای دوره 20 ساله به 10 میلیون مترمکعب کاهش داد.
https://jwsc.gau.ac.ir/article_4391_b5a8f07b11478b5077423ca370c18191.pdf
2018-12-22
305
313
10.22069/jwsc.2019.13904.2864
"هجوم آبشور "
"سیستم منابع آب دشت آذرشهر"
"شبکه عصبی"
"GIS"
"WEAP"
سید عباس
حسینی
abbas_hoseyni@srbiau.ac.ir
1
دانشگاه آزاد اسلامی،واحد علوم و تحقیقات تهران،گروه عمران آب،تهران، ایران
LEAD_AUTHOR
تقی
مهدوی
tmfmahdavi@gmail.com
2
دانشجوی دکتری دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، گروه عمران آب ، تهران، ایران
AUTHOR
مجید
خیاط خلقی
kholghi@ut.ac.ir
3
استاد گروه مهندسی آبیاری و آبادانی، بخش منابع آب، دانشگاه تهران.
AUTHOR
1.Abhisheka, K., Singha, M.P., Ghoshb, S., and Anand, A. 2012. Weather forecasting model using Artificial Neural Network, Procedia Technology, 4: 311-318. 2.Alcamo, J., and Bennett, E.M. 2005. Millennium Ecosystem Assessment; Ecosystems and Human Well-being, Island Press, Washington, 155p.
1
3.Dixon, B., and Uddameri, V. 2016. GIS and Geocomputation for Water Resource Science and Engineering. WILEY, American Geophysical Union, 568p.
2
4.East Azerbaijan Regional Water. 2010. Geophysical studies of Azarshahr Plain (In Persian)
3
5.East Azarbaijan Agricultural Jihad. 1996. Supplementary Report of Artificial Recharge TIMORLO-GOGAN Region (in Persian)
4
6.Gharajedaghi, J. 2011. System thinking; managing chaos and complexity, 3th ed., MK.
5
7.Muttiah, R., and Wurbs, R. 2002. Modeling the Impacts of Climate Change on Water Supply Reliabilities. Water International. 27: 3. 401-419.
6
8.McKee, T.B., Nolan, J., and Kleist, J. 1995. Drought monitoring with multiple time scales. Preprints, Ninth Conf. on Applied Climatology, Dallas, Pp: 233-236.
7
9.Sieber, J., Swartzand, C., and Huber-Lee, A. 2005. User guide for WEAP21. Stockholm Environment Institute and TELUS Institute, 173p.
8
10.United Nations Development Programme. 2013. User’s Guide on Assessing Water Governance. Denmark.
9
ORIGINAL_ARTICLE
پیشبینی فرم بستر رودخانههای ماسهای با استفاده از روش درخت تصمیم
چکیدهسابقه و هدف: فرم بستر یا به عبارتی ناهمواریهای بستر به شکلهای مختلف در بستر رودخانه اطلاق میشود که در اثر حرکت جریان به وجود میآید و تأثیر مستقیم و مهمی روی زبری بستر و در نتیجه مقاومت در مقابل جریان و تأثیر روی پروفیل سطح آب را در پی دارد. از آنجا که محاسبات دبی- اشل رودخانه و سرعت جریان کاملاً تحت تأثیر زبری قرار دارد، لذا پیشبینی دقیق شکل بستر از اهمیت زیادی برخوردار است. بهدلیل تأثیر پارامترهای مختلف در شکلگیری فرم بستر رودخانهها، تعیین معادلات حاکم بر آن مشکل بوده و مدلهای ریاضی نیز از دقت کافی برخوردار نیستند. امروزه استفاده از سیستمهای هوش مصنوعی بهعنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. هدف این پژوهش، معرفی روشی است که با استفاده از آن بتوان فرم بستر رودخانههای ماسهای را با دقت بالایی پیشبینی نمود.مواد و روشها: در پژوهش حاضر، برای بهدست آوردن نتایج بهتر و کاهش پراکندگی دادهها، دادهها بهطور تصادفی به دو بخش آموزش (70 درصد) که شامل 1647 دادهی آزمایشگاهی و آزمون (30 درصد) که شامل 560 دادهی آزمایشگاهی است تقسیم شدند. روش هوشمند درخت تصمیم بر روی دادههای بخش آزمون در محیط برنامهنویسی وکا کدنویسی شد و در نهایت با استفاده از الگوریتمهای (Random Forest) و (Random Tree) واسنجی بر روی دادهها انجام گردید. سپس روشهای تجربی وانراین، انگلند هانسن و سیمونز و ریچاردسون بر روی دادههای بخش آزمون اجرا گردید.یافتهها: ارزیابی نتایج بهدست آمده با استفاده از معیارهای آماری مجذور میانگین مربعات خطا (RMSE)، نرخ دستهبندی صحیح (CCI) و مساحت زیر منحنی (ROC Area) انجام شده است. نتایج نشان داد که الگوریتم(Random Forest) برای دادههای آزمایشگاهی با معیارهای آماری 85%CCI= درصد، 17/0RMSE=، 97/0ROC= دارای بهترین عملکرد است. از سوی دیگر با بررسی نتایج روشهای تجربی مشخص شد که برای دادههای آزمایشگاهی، روش وانراین با نتایج %64CCI= درصد، 07/1RMSE= دارای عملکرد بهتری میباشد. بین متغیرهای مختلف محیطی دبی، عرض، عمق، شیب، قطر متوسط ذرات رسوبی و دما برای دادههای آزمایشگاهی دارای بیشترین اهمیت در پیشبینی فرمهای بستر بودند.نتیجهگیری: در این پژوهش برتری مدلهای محاسباتی نرم در مدلسازی و پیشبینی فرم بستر مشهود بوده و مدلهای اجرا شده در محیط وکا عملکرد بهتری داشتند. اصولاً از آنجا که در شکلگیری فرم بستر رودخانهها، عوامل متعددی دخالت دارند و همچنین بهدلیل ماهیت پیچیدهی آن، پیشبینی این پدیده بسیار دشوار و گاهی کمدقت است. از آنجا که روشهای هوش مصنوعی برای تحلیل مسائلی بهکار میروند که شناخت و توصیف صریح از ماهیت مسئله وجود ندارد، بنابراین بسیاری از مسائل مربوط به فرمهای بستر را میتوان با این روشها حل نمود.
https://jwsc.gau.ac.ir/article_4392_46af2a99061a5fc6e2d0b1ef8e1f3f92.pdf
2018-12-22
315
324
10.22069/jwsc.2018.13915.2866
پیشبینی
درخت تصمیم
رودخانههای ماسهای
فرم بستر
هوش مصنوعی
مسعود
کرباسی
m.karbasi@znu.ac.ir
1
هیات علمی دانشگاه زنجان
LEAD_AUTHOR
نگین
میرمرسلی
nmirmorsali1993@gmail.com
2
گروه مهندسی آب، دانشکده کشاورزی، دانشگاه زنجان، زنجان، ایران
AUTHOR
1.Amiri, S.M., and Hekmatzadeh, A.A. 2014. A Finite Volume Numerical Model for Simulating Dune Bed Form. Babool, 8th National Civil Engineering Congress, Pp: 211-220. (In Persian)
1
2.Brownlie, W.R. 1981. Compilation of alluvial channel data: laboratory and Field.
2
3.Chen, W., Xie, X., Wang, J., Pradhan, B., Hong, H., Bui, D.T., Duan, Z., and Ma, J. 2017. A comparative study of logistic model tree, random forest and classification and regression tree models for spatial prediction of landslide susceptibility. Catena, 151: 147-160.
3
4.Gholami, A., Bonakdari, H., Ebtehaj, I., and Fenjan, S. 2015. Assessment and comparing of support vector machines model and regression equation for predicting alluvial channel geometry. Mesopotamia Environ. J. 1: 56-64.
4
5.Gupta, Sh., Abraham, S.K., Sugumaran, V., and Amarnath, M. 2016. Fault Diagnostics of a Gearbox via Acoustic Signal using Wavelet Features, J48 Decision Tree and Random Tree Classifier. Indian, J. Sci. Technol. 33: 9. 1-8.
5
6.Javadi, F., Ahmadi, M.M., and Qaderi, K. 2015. Estimation of Bedform Dimension Using Artificial Neural Network (ANN) and Support Vector Machine (SVM). J. Agr. Sci. Tech. 17: 859-868.
6
7.Karamisheva, R.D., Lyness, J.F., Myers, W.R.C., and Sullivan, J.O. 2005. Prediction of Bed Form Height in Straight and Meandering Compound Channels. J. Water Resour. Manage.III. 80: 311-320.
7
8.Neill, C.R. 1969. Bed Forms in the Lower Red Deer River, ALBERTA. Amsterdam, J. Hydrol. 7: 58-85.
8
9.Norozi, H., Nadiri, A., Asghari, A., and Gharekhani, M. 2017. Prediction of Transmissivity of Malekan Aquifer using Random Forest Method. J. Water Soil Sci. 27: 2. 61-75. (In Persian)
9
10.Pahlavan Rad, M.R., Khormali, F., Toomanian, N., Kiani, F., and Komaki, Ch.B. 2015. Digital Soil Mapping Using Random Forest Model in Golestan Province. J. Water Soil Cons. 21: 6. 73-93. (In Persian)
10
11.Shafaee Bajestan, M. 1999. Sediment Hydraulic. Shahid Chamran University. Press. 305p. (In Persian)
11
12.Shen, H.W., Fehlman, H.M., and Mendoza, C. 1990. Bed Form Resistances in Open Channel Flows. California, J. Hydr. Engin. 116: 6. 799-815.
12
13.Youssef, A.M., Pourghasemi, H.R., Pourtaghi, Z.S., and Al-Katheeri, M.M. 2016. Landslide susceptibility mapping using random forest, boosted regression tree, classification and regression tree and general linear models and comparison of their performance at Wadi Tayyah Basin, Asir Region, Saudi Arabia. Landslides, 13: 5. 839-856.
13