---

چکیده دمای خاک یکی از مهم‌ترین پارامترهای موثر در فرایندهای هیدرولوژیکی و مطالعات کشاورزی است که اندازه گیری و تخمین آن امری ضروری می باشد؛ بنابراین تاکنون روش‌های مختلفی هم‌چون مدل‌های رگرسیونی و شبکه عصبی مصنوعی جهت برآورد دمای خاک مورد استفاده قرار گرفته است. در تحقیق حاضر نیز علاوه بر مدل شبکه عصبی مصنوعی، نخستین بار از برنامه ریزی ژنتیک به‌عنوان روشی نوین از روش‌های فراکاوشی که قادر به ارائه رابطه صریح بین متغیرهای وابسته و مستقل می‌باشد، در تخمین دمای خاک ایستگاه سینوپتیک تبریز در عمق‌های مختلف استفاده شده است. پارامترهای مهم هواشناسی از جمله دمای متوسط هوا، بارش، رطوبت نسبی و سرعت باد به‌عنوان عوامل موثر بر دمای اعماق مختلف خاک در طول دوره آماری ۱۸ ساله (۱۳۸۸-۱۳۷۱) انتخاب گردید. سپس به منظور بررسی دقت هر یک از روش‌های یاد شده، در مرحله اول ترکیب‌های مختلفی از مقادیر دمای خاک تشکیل گردید و به عنوان ورودی های این مدل ها مورد استفاده قرار گرفت. در مرحله بعد به همین ترتیب ترکیب های متفاوت با تاخیر یک روزه از پارامترهای مختلف هواشناسی به عنوان ورودی های مدل و دمای خاک به عنوان خروجی هر مدل انتخاب گردید. با توجه به شاخص‌های آماری و هم‌چنین نمودارهای پراکنش هر دو مدل قادر به تخمین قابل قبول دمای اعماق مختلف خاک می‌باشند. هم‌چنین راه حل‌های صریحی که نشانگر ارتباط بین متغیرهای ورودی و خروجی باشد، بر مبنای برنامه ریزی ژنتیک ارائه گردیدند که این امر بر ارجحیت برنامه‌ریزی ژنتیک بر مدل دیگر می‌افزاید.

---

هدف این تحقیق اولویت بندی استراتژی توسعه‌ی شهری با استفاده از فرایند تحلیل سلسله مراتبی (AHP) است. ابتدا استراتژی‌های توسعه کلان‌شهر اصفهان در ۶ استراتژی اصلی «ساماندهی کالبدی و فرم فضایی»، «پویایی اقتصاد شهری»، «زیست پذیری اجتماعی»، «دسترسی پایدار»، «ارتقای کیفیت محیط زیست» و «حکمروایی خوب» و ۳۸ استراتژی فرعی بر اساس درخت سلسله مراتبی ترسیم گردید. سپس از کارشناسان مسایل شهری خواسته شد تا بر اساس مقایسات زوجی اولویت‌ها را مشخص سازند. اوزان نهایی به دست آمده با توجه به هدف تحقیق در نرم افزار Expert Choice سنتز شد. نتایج حاصل تحقیق نشان می‌دهد که استراتژی‌های «عدالت فضایی» (توزیع یکسان امکانات و خدمات شهری بین مناطق شهری و محلات شهری) با میانگین وزنی ۱۰۲/ اولویت اول، «درآمدهای پایدار» با میانگین وزنی ۰۷۸/ اولویت دوم، «گسترش توریسم شهری» با میانگین وزنی ۰۷۳/ اولویت سوم، «کاهش آلودگی هوا» با میانگین وزنی ۰۶۳/ اولویت چهارم، داشتن «بیانیه چشم انداز» درباره آینده توسعه شهر با میانگین وزنی ۰۵۶/ اولویت پنجم و ... به دست آورد. در نهایت راهکارها و برنامه‌ها اجرایی هر کدام استراتژی‌ها ارائه گردید.

---

تخمین صحیح مقدار رسوب و نقش آن در طراحی و مدیریت پروژه‌های منابع آب با در نظر گرفتن مشکلات فنی و اقتصادی، امکان احداث و بهره‌برداری از ایستگاههای رسوب‌سنجی، همیشه نقش حیاتی در پیشبرد صحیح مطالعات مهندسی رودخانه دارد. بنابراین ارائه راهکاری مناسب جهت برآورد دقیق بار معلق رودخانه‌ها بسیار سودمند خواهد بود. به علت عدم دستیابی به اطلاعات کامل و دقیق پارامترهای تأثیرگذار در فرآیند رسوب و همچنین ساختار کاملاً غیرخطی برای مدل‌بندی آن در روش های مذکور نمی‌توان مدل جامعی به علت برآورد نه‌چندان دقیق و عدم امکان بررسی تغییرات زمانی رسوبات حمل شده توسط جریان معرفی نمود. هدف از این تحقیق بررسی قابلیت‌ مدل-های شبکه عصبی مصنوعی و برنامه‌ریزی ژنتیک به منظور پیش‌بینی رسوب معلق در رودخانه اهرچای می‌باشد. در این مدل‌ها برای تخمین بار معلق از دبی جریان، بارش، دما و داده‌های رسوب پیشین استفاده شده است. این مدل‌ها در حوضه اهر‌چای واقع در استان آذربایجان شرقی به کار برده شده و نتایج آن با داده‌های مشاهداتی مورد بررسی و مقایسه قرار گرفته است. به منظور ارزیابی کارایی هر یک از مدل‌های فوق، مقادیر مشاهداتی و مقایسه آن با مقادیر محاسباتی توسط هر یک از مدل‌ها از معیارهای ضریب تبیین(R۲)، معیار نش‌- ‌ساتکلیف(E) و جذر میانگین مربعات خطا (RMSE) استفاده گردید. در نهایت مدل برنامه‌ریزی ژنتیک به عنوان بهترین مدل در برآورد رسوب رودخانه اهرچای شناسایی و توصیه می‌شود.

---

چکیده در دهه‏های اخیر به دلیل اهمیت فرآیند بارش-رواناب توسعه مدل‏های مناسب برای تخمین رواناب از روی داده‏های بارش به مسأله ضروری تبدیل شده است. بارش یکی از مهم‌ترین داده‏های ورودی به سیستم‏های هیدرولوژیکی محسوب می‏شود که به دو صورت بارش منطقه‏ای و بارش نقطه‏ای در نظر گرفته می‏شود. برای مدل‏سازی فرآیند بارش- رواناب از مدل‏های هوشمندی که با پارامتر‏های ورودی و خروجی عملیات نگاشت را انجام می‏دهند و نتایج حاصل از دقت و صحت مناسبی برخوردار است، استفاده می‏شود. در این تحقیق برای تخمین رواناب خروجی حوضه بالخلوچای واقع در غرب استان اردبیل از مقادیر بارش پیشین و دبی پیشین تا سه روز قبل استفاده شده و بارش نیز در دو حالت بارش منطقه‏ای و بارش نقطه‏ای که مربوط به بارش ۶ ایستگاه باران‏سنجی بوده، در نظر گرفته شده است. به منظور برآورد بارش–رواناب در حوضه بالخلوچای از مدل‏های هوشمند شبکه عصبی مصنوعی (ANN) و برنامه‏ریزی ژنتیک (GP) و سیستم استنتاج عصبی–فازی تطبیقی (ANFIS) استفاده گردیده و نتایج توسط معیار‏های ارزیابی مقایسه شده است. مقدار ضریب تعیین (R۲)، جذر میانگین مربعات خطا (RMSE) و ضریب نش‏ساتکلیف (N-S) مربوط به دقیق‏ترین مدل‌های بارش منطقه‏ای برای داده‏های آزمون به ترتیب ۸۵۴/۰، ۵۷۳/۰، ۹۳۵/۰ و در دقیق‏ترین مدل بارش نقطه‏ای برای داده‏های آزمون به ترتیب ۸۵۲/۰، ۵۷۸/۰، ۹۳۲/۰ می‏باشد. با توجه به نتایج حاصل از معیار‏های ارزیابی یاد شده، به دلیل بیش‌تر بودن ضرایب تعیین و نش‏ساتکلیف و هم‌چنین کم‌تر بودن مقدار جذر میانگین مربعات خطای بارش منطقه‏ای نسبت به بارش نقطه‏ای، بارش منطقه‏ای دارای نتایج دقیق‏تری نسبت به بارش نقطه‏ای می‏باشد.

---

تخمین میزان دبی رودخانه هر منطقه یکی از مسایل مهم و اساسی در برنامه­ریزی کشاورزی و نیز مدیریت منابع آب می­باشد. لذا ارائه راهکاری مناسب جهت برآورد دقیق دبی رودخانه­ها، بسیار سودمند است. هدف این تحقیق بررسی قابلیت­ مدل­های هوشمند برنامه­ریزی بیان ژن، شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی به­منظور تخمین دبی در رودخانه مردق چای می­باشد. در این مدل­ها برای تخمین دبی جریان از داده­های دبی جریان روزانه پیشین در سه نوع متفاوت و ترکیب هریک از این حالت­ها با یک تا پنج روز تاخیر زمانی در مقیاس روزانه که در مجموع از ۴۵ نوع داده ورودی متفاوت استفاده و با یک فرآیند آموزش، عمل تخمین انجام گرفت و نتایج آن با استفاده از معیارهای ارزیابی ضریب تبیین و جذر میانگین مربعات خطا با داده­های مشاهداتی مورد بررسی و مقایسه قرار گرفت. با توجه به نتایج به­دست آمده از مدل­ها، هر سه روش از دقت قابل قبولی برخوردار بودند. در نهایت مدل شبکه عصبی-مصنوعی که دارای بیش­ترین دقت می­باشد برای این حوضه توصیه گردید.

---

در این تحقیق تخمین تبخیر از تشت سه ایستگاه سینوپتیک آستارا، کیاشهر و تالش واقع در استان گیلان با استفاده از شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیان (SVM) انجام گرفته است. از دو روش تحلیل مؤلفه اصلی (PCA) و آزمون گاما (GT) برای پیش­پردازش داده­ها و تعیین ورودی مدل­ها استفاده گردید. با توجه به نتایج، برای ایستگاه تالش ۶ متغیر ورودی و برای ایستگاه کیاشهر و آستارا ۵ متغیر ورودی توسط آزمون گاما انتخاب شد. در روش تحلیل مؤلفه­های اصلی نیز برای ایستگاه سینوپتیک آستارا و کیاشهر، پنج مؤلفه اصلی و برای ایستگاه تالش چهار مؤلفه اصلی انتخاب شده است. نتایج مدل­سازی حاکی از این است که، مدل شبکه عصبی مصنوعی مبتنی بر تحلیل مؤلفه اصلی (PCA-ANN) در ایستگاه­های آستارا و تالش به­ترتیب با مجذور میانگین مربعات خطای ۹۵۷/۰ و ۰۰۴/۱ ، ضریب نش- ساتکلیف ۸۱۵/۰ و ۷۵۶/۰ و ضریب همبستگی ۹۰۳/۰ و ۸۷۰/۰ و  مدل ماشین بردار پشتیان مبتنی بر آزمون گاما (GT-SVM) در ایستگاه کیاشهر با مجذور میانگین مربعات خطای ۲۹۵/۱، ضریب نش ساتکلیف ۶۸۳/۰ و ضریب همبستگی ۸۲۵/۰ را می­توان به­عنوان مدل­های منتخب برای ایستگاه­های مذکور انتخاب کرد. در نهایت با توجه به نتایج می­توان چنین نتیجه گرفت که روش­های استفاده شده پیش­پردازش داده­ها در این تحقیق برای پیش­بینی تبخیر از تشت با یکدیگر اختلاف چندانی ندارند و هر دو روش به­خوبی عمل کرده­اند. همچنین مدل  SVM در تمام تخمین­ها نسبت به مدل  ANN عملکرد قابل قبول­تری داشته است

---

در بین مواد معدنی، مس از جمله عناصری است که نقش برجسته‌ و حیاتی در اعمال فیزیولوژیک بدن داشته و کمبود آن می‌تواند بیماری‌های متعددی را در بین حیوانات یک منطقه ایجاد می‌نماید کمبود مس اولیه وقتی پدیدار می‌گردد که میزان مس جیره غذایی کافی نباشد در این حالت علوفه یا از زمین­هایی تهیه می‌شود که در خاک آن­ها کمبود این عنصر وجود دارد و یا این­که وجود املاح دیگر در خاک زراعی (یا همان آنتاگونیست‌های مس) مانع جذب گیاه به مقدار کافی گردیده است.
این مطالعه با توجه به گزارش­های بالینی مبنی بر وجود علائم کمبود مس در دام­های مناطق اطراف مرند، انجام پذیرفت در این مطالعه به تعداد ۷۲ نمونه خاک و گیاه از مناطق مختلف شهرستان مرند از توابع استان
آذربایجان­شرقی، اخذ گردید سپس نمونه‌ها به آزمایشگاه منتقل و مقادیر مس، آهن، روی، کلسیم، فسفر، کبالت، گوگرد، مولیبدن در نمونه‌های خاک و گیاهان مورد اندازه‌گیری قرار گرفتند در این مطالعه همبستگی معکوس غیرمعنی‌داری ما بین مقادیر مس خاک و گیاهان و آنتاگونیست‌های رقابتی مس مشاهده گردید (۰۵/۰P>) مقادیر مس خاک در منطقه مورد بررسی بسیار پایین بود که می‌تواند توجیه کننده وجود علائم بالینی کمبود مس در گوسفندان منطقه مورد بررسی باشد. در این مطالعه در برخی از موارد اندازه‌گیری شده در خاک و گیاهان حتی مقادیر پایین‌تر از نرمال نیز گزارش گردید.

---

الگوهای بزرگ­مقیاس اتمسفری با توجه به سیستمی بودن اقلیم کره زمین، به عنوان یکی از مهم­ترین عوامل  مؤثر بر اقلیم مناطق مختلف جهان تلقی می­شوند. این مسأله،  اهمیت تحقیق بر روی فرآیندهای بزرگ­مقیاس و تأثیرات آنها بر مناطق دورتر از یک منطقه معین را نشان می­دهد. در این پژوهش، ارتباط بین شاخص­های پیوند از دور نیمکره شمالی با تغییرات تبخیرتعرق[۱] ایستگاه­های سینوپتیک جنوب حوضه آبریز رودخانه ارس طی دوره آماری ۲۶ ساله (۲۰۱۷-۱۹۹۲) بررسی گردید. برای ارزیابی همگنی و توالی داده­ها از آزمون توالی استفاده شد. برای بررسی ارتباط بین این الگوها  و تغییرات متغیر مورد مطالعه از ضریب همبستگی پیرسون استفاده شد. بالاترین ضریب همبستگی معنادار بین ET ایستگاه­ها و برخی از الگوها در حالت بدون تأخیر، با تأخیر زمانی ۱، ۲ و ۳ ماهه به دست آمد که از نظر شدت ضعیف هستند. در حالی که در فصول مختلف، بیشترین ضرایب همبستگی معنی­دار از متوسط تا خیلی قوی مشاهده شد که در اهر در فصول زمستان، بهار و پاییز به ترتیب با شاخص­های SCA[۲]،EA[۳]  ، [۴]NAO و EA به مقدار *۷۹/۰، **۵۳/۰-، **۴۹/۰- و *۴۳/۰-،  در اردبیل در بهار با شاخص SCA و تابستان و پاییز باPOL[۵]  به مقدار **۵۳/۰-، **۴۴/۰ و **۵۶/۰- و [۶] در پارس­آباد در پاییز با EP/NP به مقدار *۴۶/۰  محاسبه گردید. بین فازهای EA، EA/WR[۷] و EP/NP، فاز مثبت SCA و فاز منفی PNA[۸] با نمرات Z برخی از ایستگاه­ها همبستگی معنی­دار با شدت ضعیف تا متوسط در سطح اطمینان ۹۵/۰ و بیشتر ملاحظه شد. نتایج حاصل از مدل رگرسیونی پس­رونده، علاوه بر معرفی مؤثرترین شاخص­ها در مدل­بندی ET ایستگاه­ها نشان داد که هیچ یک از  آنها، توان تببین بالای این متغیر  در حوضه ارس را ندارند.