سامانه مدیریت نشریات علمی دانشگاه علوم پزشکی مشهد

سلیمانی, محمد, خلیلی, کیوان, بهمنش, جواد. (1395). پیش‌بینی مقادیر پارامترهای کیفی EC و TDS با استفاده از تغییرات دبی جریان رودخانه مطالعه موردی رودخانه های مهاباد چای و بالخلوچای (بایزید آباد) حوضه آبریز دریاچه ارومیه 1392-1371. , 2(4), 285-298. doi: 10.22038/jreh.2017.20958.1116
محمد سلیمانی; کیوان خلیلی; جواد بهمنش. "پیش‌بینی مقادیر پارامترهای کیفی EC و TDS با استفاده از تغییرات دبی جریان رودخانه مطالعه موردی رودخانه های مهاباد چای و بالخلوچای (بایزید آباد) حوضه آبریز دریاچه ارومیه 1392-1371". , 2, 4, 1395, 285-298. doi: 10.22038/jreh.2017.20958.1116
سلیمانی, محمد, خلیلی, کیوان, بهمنش, جواد. (1395). 'پیش‌بینی مقادیر پارامترهای کیفی EC و TDS با استفاده از تغییرات دبی جریان رودخانه مطالعه موردی رودخانه های مهاباد چای و بالخلوچای (بایزید آباد) حوضه آبریز دریاچه ارومیه 1392-1371', , 2(4), pp. 285-298. doi: 10.22038/jreh.2017.20958.1116
سلیمانی, محمد, خلیلی, کیوان, بهمنش, جواد. پیش‌بینی مقادیر پارامترهای کیفی EC و TDS با استفاده از تغییرات دبی جریان رودخانه مطالعه موردی رودخانه های مهاباد چای و بالخلوچای (بایزید آباد) حوضه آبریز دریاچه ارومیه 1392-1371. , 1395; 2(4): 285-298. doi: 10.22038/jreh.2017.20958.1116

پیش‌بینی مقادیر پارامترهای کیفی EC و TDS با استفاده از تغییرات دبی جریان رودخانه مطالعه موردی رودخانه های مهاباد چای و بالخلوچای (بایزید آباد) حوضه آبریز دریاچه ارومیه 1392-1371

مجله پژوهش در بهداشت محیط
مقاله 4، دوره 2، شماره 4 - شماره پیاپی 8، اسفند 1395، صفحه 285-298    اصل مقاله (1.24 M)
نوع مقاله: Research Paper
شناسه دیجیتال (DOI): 10.22038/jreh.2017.20958.1116
نویسندگان
محمد سلیمانی1؛ کیوان خلیلی* 2؛ جواد بهمنش3
1دکترای تخصصی، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.
2استادیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.
3دانشیار، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران.
چکیده
مقدمه :  بیش از سه دهه است که هیدرولوژیست ‌ها، استفاده از مدل‌های چندمتغیره را جهت توصیف و مدل‌سازی داده‌ های پیچیده هیدرولوژی توصیه می‌ کنند، درحالی که به تازگی اهمیت مدل‌ های چند متغیره در آب‌شناسی مطرح شده است. در واقع در مدل‌ های چند متغیره با دخالت دادن عوامل مؤثر دیگر، می‌توان نتایج توصیف، مدل‌ سازی و پیش‌بینی پارامترهای مختلف را بهبود بخشید.
 مواد و روش‌ها: در این مطالعه، مدل‌ های چند ‌متغیره خود همبسته با میانگین متحرک هم‌زمان آرما (کارما) جهت مدل‌سازی پارامترهای EC و TDS ایستگاه‌ های جنوب دریاچه ارومیه مورد ارزیابی قرار گرفت. جهت استفاده از مدل‌ های کارما، از سری زمانی دبی سالانه، مقادیر EC، TDS، SAR و pH مربوط به سه ایستگاه هیدرومتری کوتر، بالقچی و گردیعقوب در دوره آماری (1392-1371) استفاده شد.
 یافته ها:  نتایج بررسی روند تغییرات پارامترهای کیفی رودخانه‌ های غرب حوضه دریاچه ارومیه نشان داد که در دوره آماری مورد بررسی روند دبی رودخانه‌ های مورد مطالعه در جنوب دریاچه ارومیه کاهشی بوده و در مقابل مقادیر EC و TDS روندی افزایشی را تجربه کرده ‌اند. بر اساس نتایج مدل‌سازی مقادیر EC و TDS، میزان متوسط خطا (RMSE) در مدل‌ سازی مقادیر EC در مرحله آموزش برابر باmho/cm  16/60 و در مرحله آزمایش  mho/cm 13/26 و برای مقادیر پارامتر TDS در مرحله آموزش برابر با 19/84 و در مرحله آزمایش 12/71 بود. مقادیر برآورد شده از محاسبه خطا و دقت مدل تماماً در محدوده اطمینان واقع شدند.
نتیجه گیری :  در واقع می‌توان چنین نتیجه‌گیری کرد که در روش‌های مدل‌سازی چند ‌متغیره با در نظر گرفتن عوامل مؤثر بیشتر، می‌توان دقت مدل‌ های سری زمانی و نتایج حاصل از آنها را ارتقاء داد.
کلیدواژه‌ها
سری زمانی؛ مدل چند متغیره CARMA؛ پارامترهای کیفی؛ دریاچه ارومیه؛ مهابادچای
مراجع

1. Khalili, K. Fakherifard,A.dinpajhooh, Y& behmanesh, J., 2012. The introduction and application of the proposed integrated model BL-ARCH for predict daily river discharge (Case Study: Shahrchay River of Orumiyeh). Journal of Soil and Water (Agricultural Science and Technology). Volume 27, Number 2.

2. Khalili, K. Nazeri Tahrudi, M.2014,  Modeling of Annual water level of Urmia Lake by using linear time series models. Journal of water management in arid areas. Volume 1, Issue 1, 35-25.

3. Khalili, K. Nazeri Tahrudi, M & Ahmadi.F. 2014. Evaluation and analysis of river water volume by using historical data and predicted (Case Study: West River basin of Urmia Lake). Irrigation Science and Engineering, Volume 38, Number 1, 97-109.

4. Khalili, K .; hesari, B. 2004, predicted the drought by time-series models (case study Orumieh synoptic station). The first annual conference of Iran Water Resources Management: 26 to 27 November, Faculty of Engineering, Tehran University.

5. AbbasZadeh Afshar, M. Khalili,K. and BEHMANESH, J. 2015. Application of Consolidated AR-ARCH model to predict the water level of the Lake. Knowledge of soil and water. Vol. 25, No. 2/4, 175-186.

6. Nazeri Tahrudi M, Khalili K, 2015. Compare Fusion models ARMA-ARCH and ARMA-PARCH at the moment of maximum flood (Case Study: West Azerbaijan Province Siminehrood River).

7. Nazeri Tahrudi M, Khalili K, 2015. ARMA parameter estimation methods for modeling and prediction of annual rainfall, case study: Shahrekord synoptic stations. International Journal of analytical research and development of water resources. Issue 2, 121-130.

8. Asadollahfardi A, Taklifi G.H, Ghanbari A. 2012. Application of artificial neural network to predict TDS in Talkheh Rud River. Journal of Irrigation and Drainage Engineering, 138(4):70–363.

9. Box, G.E. and Jenkins, G.M. 1976. Time series analysis. Forcasting and Control, San Francisco: Holden-Day.

10. Caiado J, 2007. Forecasting water consumption in Spain using univariate time series models. Munich Personal RePEc Archive, MPRA Paper No. 6610, posted 7. Online at http://mpra.ub.uni-muenchen.de/6610/

11. Douglas, E.M., Vogel, R.M., Kroll, C.N., 2000. Trends in flood and low flows in the United States: impact of spatial correlation. J.Hydrol. 240, 90–105.

12. De Domenico M, Ghorbani MA, Makarynskyy O, Makarynska D and Asadi H, 2013. Chaos and reproduction in sea level. Applied Mathematical Modeling 37: 3687-3697.

13. Fiering, M. B. 1964. Multivariate techniques for synthetic hydrology. Journal of hydrology. Div. ASCE, 90, HY5, pp 43-60.

14. Kendall, M.G. 1938. A new measure of rank correlation, Biometrika 36: 81-93.

15. Mann, H.B. 1945. Nonparametric test against trend, Econometrica 13: 245-259.

16. Matalas, N. C. 1967. Mathematical assessment of synthetic hydrology. Journal of Water Resource. 3, 4, pp937-945.

17. Matalas, N. C. and Wallis, J. R., 1971. Statistical properties of multivariate fractional noise processes. Journal of water resource. 3, 4, pp. 1460-1468.

18. Mejia, J. M., 1971. On the generation of multivariate sequences exhibiting the Hurst phenomenon and some state university, Fort Colins, Colorado.

19. O'Connel, P.E,. 1974. Stochastic modeling of long-term persistence in streamflow sequences. Ph.D, Thesis. Imperial College, University of London.

20. Salas, J. D., Delleur, J. W., Yevjevich, V. and Lane, W. L., 1980, Applied Modeling of Hydrologic Time Series, Water Resources Publications, Littleton, Colorado, 484 p. (2nd Printing 1985, 3rd Printing, 1988).

21-   Şen, Z. 2012. Innovative Trend Analysis Methodology. J. Hydrol. Eng., 17(9), 1042–1046.

22. Thomas H.A., Fiering M.B. 1962. Mathematical Synthesis of Stream Flow Sequences for the Analysis of River Basin by Simulation. Harward University Press, Cambrige, 751pp.

23. Valencia, D. and Schaake, J. C. 1973. Disaggregation processes in stochastic hydrology. Journal of water resource 9, 3, pp. 580-585.

24. Young GD and Pisano WC, 1968. Operational hydrology using residuals. Journal of the Hydraulics Division 94(4): 909-924.

25. Yu, Y.S., Zou, S., Whittemore, D. 1993. Non-parametric trend analysis of water quality data of rivers in Kansas. Journal of Hydrology, 150: 61-80.

26. Zou P, Jingsong Y, Jianrong F, Guangming L and Dongshun L, 2010. Artificial neural network and time series models for predicting soil salt and water content. Agricultural Water Management 97: 2009-2019.

 

 

آمار
تعداد مشاهده مقاله: 1,686
تعداد دریافت فایل اصل مقاله: 1,431