ORIGINAL_ARTICLE
پیشبینی بار رسوبی معلق بر مبنای پارامترهای فیزیوگرافی حوضه
بار رسوبی معلق یکی از مهمترین عناصر رودخانهای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازههای احداثی بر روی این منابع دارد. پارامترهای فیزیوگرافی که بیانگر ویژگیهای فیزیکی حوضه آبریز هستند میتواند به عنوان یک فاکتور تعیین کننده در میزان رسوبزایی حوضه آبریز مطرح گردد. روشهای متعددی به منظور برآورد بار معلق رودخانهها وجود دارد. از جمله این روشها استفاده از مدلهای دادهکاوی میباشد که در حل مسایل هیدرولوژی رسوب بسیار پرکاربرد میباشد. لذا در این پژوهش با تلفیق مدلهای دادهکاوی و پارامترهای فیزیوگرافی، بار رسوب 30 حوضه آبریز در استان لرستان با دوره آماری 33 ساله برآورد گردید. به منظور بررسی اثر شاخصهای مختلف فیزیوگرافی بر میزان برآورد رسوب در گام نخست دبی جریان به عنوان تنها ورودی مدلها و در گام بعدی شاخصهای مختلف فیزیوگرافی حوضه به عنوان ورودیهای مدلهای مختلف دادهکاوی انتخاب گردید. در این مطالعه از پنج مدل دادهکاوی از جمله شبکه عصبی مصنوعی، ماشینبردار پشتیبان تکاملی، درخت تصمیم، فرآیند گوسی و رگرسیون استفاده شد. نتایج نشان داد تمامی مدلها از دقت قابل قبولی برخوردار بودند. در هر دو مجموعه داده، مدل ماشینبردار پشتیبان تکاملی دارای بهترین دقت بود. با بهکارگیری شاخصهای مورد اشاره دقت در تمامی مدلها افزایش یافت به طوریکه در مدل ماشینبردار پشتیبان تکاملی میزان میانگین مربعات خطا از 74/6 به 3 کاهش یافت و ضریب همبستگی از 994/0 به 999/0 افزایش یافت. وزندهی پارامترها نیز نشان داد که بیشترین وکمترین وزن به ترتیب مزبوط به شاخص زبری و نسبت کشیدگی بوده است.
https://hyd.tabrizu.ac.ir/article_12753_f6d66fcfc808bbf940927ef2d1e6c269.pdf
2021-05-22
21
1
10.22034/hyd.2021.30405.1452
بار معلق
پارامترهای فیزیوگرافی
دادهکاوی
ماشین بردار تکاملی
هوش محاسباتی
استان لرستان
مهدی
حیات زاده
mhayatzadeh@ardakan.ac.ir
1
گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران
AUTHOR
سحر
امینی
s.amini@ardakan.ac.ir
2
گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی،دانشگاه اردکان، اردکان، ایران
AUTHOR
علی
فتح زاده
fat@ardakan.ac.ir
3
عضو هیات علمی / دانشگاه اردکان
LEAD_AUTHOR
مریم
اسدی
maryamasadi6969@gmail.com
4
دانشکده منابع طبیعی، دانشگاه تهران
AUTHOR
Ahmadifard, F., Ghazanfari, P., & Malekirad, Z. (2011). Relationship Between Physiographic and Geological Features in Baghakmesh Watershed of Jajroud River, 6th Iranian National Geological Conference. Shiraz.
1
Arab Ameri, A., Pourghasemi, H.R. and Cerda, A., (2018), Erodibility prioritization of sub- watersheds using morphometric parameters analysis and its mapping, Science of the Total Environment, 613-614, PP. 1385-1400.
2
Asadi, M., Fathzadeh, A., & Taghizadeh Mehrjardi, R. (2017). Optimization of Suspended Load Estimation Models Using Morphological Context Parameters and Feature Reduction Technique. Iran Soil and Water Research, 3(48), 669-678.
3
Asadi, M., Fathzadeh, A., & Taghizadeh Mehrjardi, R. (2017). The Effects of the Daily, Monthly, and Annual Time Scales on the Suspended Sediment Load Prediction. Hydrogeomorphology, 4(10), 121-143.
4
Asselman, N., (2000), Fitting and interpretation of sediment rating curves, Journal of hydrology, 23(4): PP. 228-248.
5
Ataei, Y., Nikpoor, MR., Kanooni, A., & Hoseini, Y. (2019). Estimation of River Suspended Load using ANN, GEP and Rating Curve. 2nd International and 6th National Iranian Congress on Organic vs. Conventional Agriculture, Ardabil, Iran, PP. 1-10.
6
Chang, F.J., Tsai, Y.H., Chen, P.A., Coynel, A. and Vachaud, G., (2015), Modeling water quality in an urban river using hydrological factors-data driven approaches, Journal of environment management, 151, PP. 87-96.
7
Cheng, M.Y., Wu, Y.W., (2009), Evolutionary support vector machine inference system for construction management, Automation in Construction, 18(5), PP. 597-604.
8
Dastorani, M., & Azimi Fashi, K., & Talebi, A., & Ekhtesasi, M. (2013). Estimation of Suspended Sediment using Artificial Neural Network (Case Study: Jamishanwatershed in Kermanshah). Journal of Watershed Management Research, 3(6), 61-74.
9
Esfandiari, F.,& Gharachorlo, M. (2015). Investigation of Spatio-Temporal Relationships of Suspended Sediment Load with Basin Rainfall (Case Study: Gharasoo Watershed). Hydrogeomorphology, 2(4), 125-142.
10
Faghih, H., Amini, A., Haidari, F., Khalili, K. (2016). Assessing the Artificial Neural Network Efficiency to Estimate Suspended Sediment Load using Classified Data. Environment and Water Engineering, 1(1), 51-64.
11
Falamaki, A., & Eskandari, M., & Baghlani, A., & Ahmadi, S. (2013). Modeling Total Sediment Load in Rivers Using Artificial Neural Networks. Journal of Soil and Water Resources Conservation, 2(3), 0-0.
12
Falamaki, A., M. Eskandari, A. Baghlani and A. ahmadi. (2013). Modeling total sediment load in rivers using artificial neural networks. Journal of water and soil conservation, 2: PP. 13-26
13
Farajzadeh, M., Hodaei, A., Mollashahi, M., Rajabi Rostam Abadi, N. (2017). The Analysis and Comparison of the Suspended Sediment in the Caspian Sea and Central Iran Drainage Basins. Hydrogeomorphology, 4(11), 59-81.
14
Fathzadeh, A., & Asadi, M., & Taghizadeh Mehrjardi, R. (2017). How Much the Remote Sensing Indices Can Improve Suspended Sediment Predictions?. Physical Geography Research Quarterly, 49(1 ), 21-24.
15
French, M.N., Krajewski, W.F. and Cuykendall, R.R., (2003), Rainfall forecasting in space and time using artificial neural network, Journal of hydrology, 137(1): PP. 31-41.
16
Hayatzadeh M, Chezgi J, Dastorani M. (2015). Evaluation of Sediments Using Rating Curve and Artificial Neural Network Methods by Combining Morphological Parameters of Basin (Case Study: Bagh Abbas Basin). JWSS, 19 (72), 217-228.
17
Huang, H.L. and Chang, F.L., (2008), Evolutionary support vector machine for automatic feature selection and classification of microarray data, Biosystems, 90(2), PP. 516-528.
18
Kakaei, Lafdani, E., Moghaddamnia, A., Ahmadi, A., (2013), Daily suspended sediment load prediction using artificial neural networks and support vector machines, Journal of Hydrology, 478: PP. 50-62.
19
Kalteh, A.M., (2013), Monthly river flow forecasting using artificial neural network and support vector regression models coupled with wavelet transform, Comput. Geoscience, 54(5): PP. 1-8.
20
Kisi, O., (2010), River suspended sediment concentration modeling using a neural differential evolution approach, Journal of Hydrology, 1389(1), PP. 227-235.
21
Kisi, O., (2012), Modeling discharge-suspended sediment relationship using least square support vector machine, Journal of Hydrology, 456: PP. 110-120
22
Kumar, D., A. Pandey, N. Sharma and W. Flugel. (2016). Daily suspended sediment simulation using machine learning approach. Catena, 138: 77-90.
23
Leo, Q.J., She, Z.H., Fang, N.F., Zho, H.D. and Ai, L., (2013), Modeling the daily suspended sediment concentration in a hyper concentrated river on the loess plateau using the Wavelet-ANN approach, Geomorphology, 186: PP. 181-190.
24
Melesse, A.M., Ahmad, S., McClain, M.E., Wang, X. and Lim, Y.H. (2011), Suspended sediment load prediction of river systems: An artificial neural network approach, Agricultural Water Management, 98(5): PP. 855-866.
25
Misra, D.T., Oommen, A. and Mishra, S.K., (2009), Application and analysis of support vectors machine based simulation for runoff and sediment yield, bios stems engineering, 103: PP. 527-535.
26
Rajaee, T., Mirbagheri, S.A. and Zounemat-kermani, M., (2009), Daily suspended sediment concentration simulation using ANN and neuro-fuzzy models, Science of the total environment, 407: PP.4916-4927.
27
Rasmussen, C.E., and Williams, C.K.I., (2006), Gaussian Processes for Machine Learning, the MIT Press, Massachusetts Institute of Technology.
28
Sharma, N., Zakaullah, M.D., Tiwari, H. and Kumar, D., (2015), Runoff and sediment yield modeling using ANN and support vector machines: a case study from Nepal watershed, Earth Sys., 1(1): PP. 1-8.
29
Tabatabaei, M., Slaimani, K., Habibnezhadroushan, M., & Kavyan, A. (2015). Estimation of Daily Suspended Sediment Concentration Using Artificial Neural Networks and Data Clustering by Self-Organizing Map (Case Study: Sierra Hydrometry Station- Karaj Dam Watershed). jwmr, 5 (10), 98-116.
30
Yang, C.T., Marsooli, R. and Aalami, T., (2009), Evaluation of total load sediment transport formulas using ANN, International Journal of Sediment Research, 24: PP. 274-286.
31
Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O. and Lee, K.K., (2011), A comparative study of artificial neural networks and support vector machines for predicting groundwater levels in a coastal aquifer, Journal of Hydrology, 396: PP. 128-138.
32
Zho, Y.M., Lu, X.X. and Zhou, Y., (2007), Suspended sediment flux modeling with artificial neural network: An example of the longchuanjiang river in the upper Yangtze catchment China, Geomorphology, 84(1): PP. 111-125
33
Zoratipoor, A. (2016). Comparison of the Efficiency of Neurophasic Methods, Artificial Neural Networks and Statistical Models in Estimating Suspended Sediment in Rivers. Journal of Range and Watershed Managment, 69(1), 65-78.
34
Zounemat kermani, M, Kisi, Ō. Adamowski, J. and Ramezani Charmahineh, A., (2016), Evaluation of data driven models for river suspended sediment concentration modeling, Journal of hydrology, 535, PP. 457-472.
35
ORIGINAL_ARTICLE
تأثیرگذاری برخی از شاخصهای اقلیمی بر آبگیری دریاچههای داخلی ایران
یکی از مهمترین عوامل ساختاری کره زمین اقلیم است. هرگونه ناهنجاری در هر یک از این مؤلفه ها سبب اختلال و اغتشاش در کل سیستم میشود. ضریب تغییرات کم بارش، معرف پایداری و توزیع زمانی یکنواخت است. بهمنظور بررسی ارتباط بین فاکتورهای اقلیمی و اثر آن بر آبگیری دریاچههای داخلی ایران از دادههای 50 ساله اقلیمی دما و بارش پایگاه داده اسفزاری در یاختههای 15*15 کیلومتر استفاده شد. در پردازشهای آماری علاوه بر اندازهگیریهای گرایش مرکزی بارش و دما، از شاخصهای پراکندگی استفاده گردید. آستانههای بهدستآمده نشان میدهد که حوضهای با دارا دمای متوسط از 78/15 کمتر، متوسط بارش سالانه از 215 میلیمتر بیشتر، ضریب برفی از 13 درصد بیشتر، ضریب تغییرات بارش از 40 درصد کمتر و ضریب تغییرات دما از 43/7 بیشتر میتواند حیات دریاچه را تضمین میکند. همهی حوضه های داخلی ایران در دوره کواترنری به یک تناسب دچار تغییر دما نشدهاند وضعیت و شواهدی که از آبگیری دریاچه ها کواترنری وجود دارد با بارش دو برابر نسبت به شرایط کنونی و دمایی 6-12 درجه کاهش نسبت به امروز همخوانی ندارد؛ بهطوریکه با کاهش 3، 9 و 12 درجه دما و افزایش بارش، خط تعادل آبوخشکی نمیتوانسته به آثار تراسهای کواترنری برسد. تغییر ارتفاع خط تعادل آبوخشکی با مقدار تغییرات دما و بارش بهتنهایی قابل تفسیر نیست و علیت را باید در تغییر رژیم بارش و وضعیت ژئومورفولوژیکی منطقه جستجو کرد.
https://hyd.tabrizu.ac.ir/article_11005_6d80c7ae99074d4a825c1a9cfe4de50b.pdf
2021-05-22
40
23
10.22034/hyd.2021.11005
کواترنری
اقلیم
خط تعادل آبوخشکی
دریاچههای داخلی ایران
غلام حسن
جعفری
jafarihas@yahoo.com
1
عضو هیأت علمی دانشگاه زنجان
LEAD_AUTHOR
مینا
آوجی
mina.avaji@yahoo.com
2
گروه جغرافیا دانشگاه زنجان
AUTHOR
Alaei Taleghani, M. (2009). Geomorphology of Iran. Qomes Publication, Tehran. 360p.
1
Abaei Fini, M., & Farajzadeh Asl, M. (2001). Pattern of Spatial and Temporal Changes in Rainfall in Iran. Journal of Geographical Research, 62: 114-125.
2
Alizadeh, A. (2015).Principles of Applied Hydrolog. 40th Edition, Astan Quds Razavi, Mashhad. 912p.
3
Asakereh H. (2011). Principles of Statistical Climatology.Zanjan University. Zanjan University Press. 545p.
4
Asakereh, H. & Razmi, R. (2012). Analysis of Annual Precipitation Changes in Northwest of Iran. Journal of Geography and Environmental Planning, 47: 162-147.
5
Asakereh, H. (2008). Spatial Variations of Irrigated Rainfall Frequency Distribution Patterns. Navar, 68 and 69: 72-85.
6
Burakowski, E.A., Cameron, P., Wake, B, B., David, P. B., (2008). Trends in wintertime climate in the northeastern, Geophysical Research: Atmospheres (1984-2012). 113: (D20).
7
Davoodi, M., Mohammadi, H. & Bai, N. (2010). Analysis and Forecasting of Some Climatic Elements of Mashhad. Navarro Scientific-Technical Journal of the National Meteorological Organization, 70-71: 35-46.
8
Fatahi, E., & Rezaei, T. (2009).Pattern of Daily Climate Circulation on Iran, Journal of Geographical Research, 93: 45-74
9
Gandomkar, A., & Khadem al-Husseini, A. (2009).Investigating the Trends of Rainfall Changes in Zabul, Land Planning Journal, 6: 65-77.
10
Hosseini M., S. & Ghanbari, R. (2014). Statistics and Probabilities in Geography, Mahkameh Publications. Tehran.254p.
11
Jahanbakhsh Asl, S., & Torabi, S. (2004).Survey and Forecasting of Temperature and Precipitation in Iran, Journal of Geographical Research, 74: 104-126.
12
Jahanbakhsk Asl, S., Asakereh, H., Ashrafi, S. (2020). Downscaling the Relationship between the Precipitation and Runoff of the Rood Zard Basin in the Climate Change Context. Journal of Hydrogeomorphology 6(21): 109-132.
13
Krinsley, D. (2009). Iranian Desert and Geomorphological and Paleo-Climatological Properties. Translated by Abbas Pashaie, Geographical Organization Publications. 328p.
14
Lashkari, H., Naghizadeh, H., Moradi, M., Najafi. M. S. (2014). Synoptic Analysis of Basic Snowfall Temperature in Northwest of Iran, Journal of Climatological Research, 19 and 20: 11-22
15
Mahmoudi, P., Khosravi, M., Masoudian, A. & Alijani, B. (2015). The Relationship between Telecommunication Patterns and Iran's Frost Freeze, Journal of Geography and Development, 40: 194-175.
16
Maryanaji, Z., Darvishi, M. (2018). Investigating the Role of Hydrogeomorphologic Factors and Climatic Changes in Snow Cover in the Alvand. Journal of Hydrogeomorphology 4(16): 159-175.
17
Masoudian, A. (2012). Iranian Climate, Sharia Toos Publications, Isfahan, 277p.
18
Mir Mousavi, H., Sabouri, L. (2014). A Study of Snowfall Changes Trends in Northwestern Iran. Geography and Environmental Planning, 55: 136-119.
19
Mirghobzadeh, M. H., Ghanbarpour, M. R., Habibnejad Roshan, M. (2011).Modeling of snowmelt flow using hydrological model of snowmelt runoff (Case study: Karaj Dam Watershed).Research Studies Iranian Water, 3: 40-52.
20
Pedram, M. (2011). Snowfall and its relation with the temperature in the Kurdistan province, Journal of Geographical Research. 1: 55-70.
21
Ramesht, M., Shah Zidi, S. (2011). Geomorphology Application in National, Regional, Economic, Tourism Planning, Second Edition, Isfahan University Press, 409p.
22
Rasooli Majd, N., Aligholinia, T., Montazeri, M. (2014). Zonal Coefficient of Seasonal Variation and its Seasonal Investigation in West Azerbaijan Province, National Conference on Climate Change and Sustainable Development of Agriculture and Natural Resources, Tehran: 1-8.
23
Serquet, G., Marty, Ch., Dulex, J, Rebetez, M. (2011). Dependence of the snowfall/ precipitation- day ratio in Switzerland, Geophysical research letters, 38(7) L07703.
24
Wheatkar, A. (2008). Investigating the Trends of Precipitation Changes in Zabul, First International Conference on Water Crisis, Tehran: 9-1
25
Zolfaghari, H., Hashemi, R., Fashi, M. (2009).Investigation of the Ratio of Maximum Daily Precipitation to Annual Precipitation in Iran, Journal of Geographical Research, 92: 167-188.
26
ORIGINAL_ARTICLE
پتانسیلیابی منابع آب زیرزمینی با استفاده از رویکرد تلفیقی AHP و Fuzzy Topsis (مطالعه موردی: دشت سیلاخور)
طی چند دهه گذشته، در نتیجه افزایش جمعیت، صنعتی شدن، شهرنشینی و ... تقاضا برای آب افزایش یافته که عمدهی این نیاز با بهرهبرداری از منابع آب زیرزمینی تأمین گردیده است. از این رو، بایستی عدم قطعیت موجود در تقاضا و تأمین آب را با مدیریت صحیح آبهای زیرزمینی، با تعیین مناطق دارای پتانسیل آب زیرزمینی به حداقل رساند. در این پژوهش تلاش شده تا با استفاده از روش ترکیبی فرآیند تحلیل سلسله مراتبی و تاپسیس فازی در محیط سیستم اطلاعات جغرافیایی، نقاط دارای پتانسیل منابع آب زیرزمینی در دشت سیلاخور را تعیین نمود. در این راستا، یازده لایهی موضوعی شامل لایههای لیتولوژی، بارش، پوشش گیاهی، تراکم و فاصله از گسل، ارتفاع، شیب، دما، کاربری اراضی، تراکم و فاصله از آبراهه براساس پردازش تصاویر ماهوارهای و دادههای آماری تهیه و در ایجاد نقشهی پتانسیلیابی منابع آب زیرزمینی به کار گرفته شد. نقشهی پتانسیل منابع آب زیرزمینی در پنج طبقه شامل پتانسیل زیاد، خوب، متوسط، کم و خیلیکم پهنهبندی گردید. بر این اساس نقاط دارای پتانسیل زیاد تا متوسط بیشتر در مرکز و جنوب غربی دشت قرار گرفته و منطبق بر نواحی آبرفتهای کواترنری و سازندهای سخت کربناته میباشد. اعتبار سنجی توسط تعداد چاههای بهرهبرداری موجود در منطقه انجام شد که نتایج بدست آمده بیانگر آن است که، استفاده از رویکرد تلفیقی فرآیند تحلیل سلسله مراتبی و تاپسیس فازی در پتانسیلیابی با موقعیت چاهها همخوانی خوبی دارد، به طوری که حدود 87 % از چاههای بهرهبرداری در مناطقی با پتانسیل آب زیرزمینی متوسط تا زیاد قرار گرفته است.
https://hyd.tabrizu.ac.ir/article_14193_696a01fff8d3d308d848b68b00f73fb4.pdf
2021-05-22
59
41
10.22034/hyd.2021.37835.1548
تاپسیس فازی
فرآیند تحلیل سلسله مراتبی
پتانسیلیابی
آب زیرزمینی
دشت سیلاخور
محمد
سعیدی
saeidi.mohamad70@gmail.com
1
گروه عمران دانشگاه آیت اله العظمی بروجردی(ره)
AUTHOR
مهدی
کماسی
komasi@abru.ac.ir
2
دانشیار گروه مهندسی عمران - دانشگاه آیت اله العظمی بروجردی (ره)
LEAD_AUTHOR
شهاب
حسن پور
shahab.hassanpour@gmail.com
3
گروه عمران دانشگاه آیت اله بروجردی (ره)
AUTHOR
ORIGINAL_ARTICLE
تحلیل اثر پذیری تغییرات خط ساحلی خزر در ارتباط با تغییرات کاربری اراضی، موردمطالعه: خط ساحلی بابل رود
مناطق ساحلی به دلیل کاربردهای متعدد برای انسان از اهمیت ویژهای برخوردار هستند. تغییرات در خط ساحلی با وجود انسان و اثراتش نظیر تغییرات کاربری اراضی، اجتنابناپذیر است و به همین دلیل مطالعه میزان ارتباط بین تغییرات خط ساحلی و تغییرات کاربری اراضی ضرورت دارد. خط ساحلی بابلرود با طول حدود 9 کیلومتر در اکثر محدوده خود با شهر بابلسر تلاقی دارد که این موجب تاثیرگذاری فعالیتهای انسانی بر روی تغییرات خط ساحلی در این محدوده میگردد. رفتار نوسانی دریای خزر و میزان پسروی و پیشروی خط ساحلی در این محدوده میتواند متأثر از فعالیتهای انسانی و ایجاد تغییرات در کاربری اراضی ساحلی باشد. دادههای استفاده شده در این پژوهش شامل تراز سطح دریای خزر و تصاویر لندست در سنجندههای TM و OLI میباشد. طول دوره موردمطالعه 42 ساله از سال 1976 میلادی تا 2018 میلادی مشخص شده است که با روند آستانه تغییرات تراز دریای خزر هماهنگی دارد. روش پژوهش تحلیلی - مقایسهای بین دادههای و اطلاعات تراز دریا و تغییرات خط ساحلی و نقشههای کاربری اراضی است که برای محاسبه تغییرات خط ساحلی از سامانه (DSAS) در نرمافزار ArcGIS10.7 و برای محاسبه تغییرات کاربری اراضی از نرمافزار ENVI5.3.1 استفاده شده است. بعد از محاسبه تغییرات خط ساحلی و محاسبه آماره NSM، نمودار تغییرات خط ساحلی استخراج و با تغییرات مساحت کاربریهای اراضی مورد مقایسه قرار گرفته است. نتایج نشان میدهد که فعالیتهای انسانی بیش از تراز دریا، در تغییرات خط ساحلی تأثیرگذار بودهاند که مهمترین این فعالیتها، توسعه ساختوسازها و سازههای ساحلی فراتر از خط ساحلی طبیعی است.
https://hyd.tabrizu.ac.ir/article_12700_3e63c24863c83b07f9cad057e8a738b1.pdf
2021-05-22
78
61
10.22034/hyd.2021.43412.1564
خط ساحلی دریای خزر
کاربری اراضی
DSAS
بابلرود
بابلسر
حمید
عمونیا
amounia.h@gmail.com
1
دانش آموخته ژئومورفولوژی- مدیریت محیطی ،دانشگاه تربیت مدرس،ایران،تهران
AUTHOR
سیاوش
شایان
shayan@modares.ac.ir
2
دانشیار گروه جغرافیای طبیعی دانشگاه تربیت مدرس
LEAD_AUTHOR
مجتبی
یمانی
myamani@ut.ac.ir
3
استاد گروه جغرافیا.دانشگاه تهران
AUTHOR
Ahmed, A. (2011). Some of the major environmental problems relating to land use changes in the coastal areas of Bangladesh. J. Geogr. Reg. Plan, 4, 1–8.
1
Amini, L., & Kakroodi, A.A. (2019). Bathymetry from Shallow Coastal Environment using Neural Network : Case Study: Southeastern of the Caspian Sea. Quantitative Geomorphological Research, 7(3), 216-230. (In Persian).
2
Asghari Sarskanrood, S., Poorahmed, M. (2016). Detection and Extraction of Changes in Zarineh Rud River’s Variation between 1989 and 2014 via Remote Sensing Data. Hydrogeomorphology, 2(5), 1-16.
3
Bird, E, (2008), costal geomorphology An Introduction, JohnWiley, Second Edition, 438.
4
Cai, F.; Liu, J.; Bing, L.; & Gang. L (2009) Coastal erosion in China under the condition of global climate change and measures for its prevention. Progress in Natural Science, 19(4), 415-426.
5
Costanza, R. (1999). The ecological, economic, and social importance of the oceans. Ecological Economics, 31, 199–213.
6
Cracknell, A.P. (1999). Remote Sensing Techniques in Estuaries and Coastal Zones- an Update, International Journal of Remote Sensing, 19(3), 485-495.
7
Ericson, J.P.; Vörösmarty, C.J.; Dingman, S.L.; Ward, L.G.; & Meybeck, M. (2006). Effective sea-level rise and deltas: Causes of change and human dimension implications. J. Glob. Planet. Change, 50, 63–82.
8
Fatemi, S, B., & Rezaei, Y. (2012). Fundamentals of Remote Sensing. Azadeh Publications. (In Persian).
9
Griffiths, C.J. (1988). The impact of Sand Extraction from Seasonal Streams on Erosion of Kunduchi Beach. In Beach Erosion along Kunduchi Beach, North of Dar es Salaam; A Report for NEMC byBeach Erosion Monitoring Committee, 55.
10
Himmelstoss, E. (2009). DSAS 4.0 Installation Instructions and User Guide. U.S. Geological Survey Open-File Report 2008-1278 (Vol. 3).
11
Kakroodi, A.A. (2013). Fluctuations of the Caspian Sea and its impact on its southeastern coasts, Quantitative Geomorphological Research, 2(3), 33-44. (In Persian).
12
Kildow, J.T.; & McIlgorm, A. (2010). The importance of estimating the contribution of the oceans to national economies. Marine Policy, 34 (3), 367-374.
13
Lo, K. F. A., & Gunasiri, C. W. D. (2014). Impact of coastal land use change on shoreline dynamics in Yunlin County, Taiwan. Environments - MDPI, 1(2), 124–136.
14
Lorestani, G. (2015). The Prediction of Annual Rate of Shoreline Change in the Caspian Sea, Gorganroud River Delta, Physical Geography Research Quarterly, 47(2), 241-254.(In persian).
15
Poulos, S. E., & Chronis, G. T. (2001). Coastline changes in relation to longshore sediment transport and human impact, along the shoreline of kato Achaia (NW Peloponnese, Greece). Mediterranean Marine Science, 2(1), 5–13.
16
Rio, L.D.; Gracia, F.J.; & Benaventae, J. (2013).Shoreline change patterns in sandy coasts. A case study in SW Spain. J. Geomorphol., 196, 252–266.
17
Sharifikia, M., shayan, S, & vali, M. (2017). Analysis of the dynamics of the eastern part of the Caspian Sea coastline series based on remote sensing data. MJSP; 21 (4): 122-139. (In Persian).
18
Shayan, S., Yamani, M., Abdollahi Kakroudi, A & Amounia.H. (2020). Estimation of coastline changes in the Caspian delta basin using digital coastline analysis system (deltas: Haraz, Babolrood and Talar). Quantitative Geomorphology Research, 8 (4), 34–46. (In Persian).
19
Sutton-Grier, A. E., Wowk, K., & Bamford, H. (2015). Future of our coasts: The potential for natural and hybrid infrastructure to enhance the resilience of our coastal communities, economies and ecosystems. Environmental Science and Policy, 51(02), 137–148.
20
Thieler, E.R., Himmelstoss, E.A., Zichichi, J.L., and Ergul, Ayhan, (2017). Digital Shoreline Analysis System (DSAS) version 4.0 — An ArcGIS extension for calculating shoreline change (ver.4.4, July 2017): U.S. Geological Survey Open-File Report 2008-1278
21
Thoai,D.T; Dang, A.N; & Oanh, N. T. K. (2019).Analysis of coastline change in relation to meteorological conditions and human activities in Ca mau cape,Viet Nam. Ocean & Coastal Management, 171(1), 56-65.
22
Yamani, M., Gourabi, A., Abedini, Z. (2015). The Analysis of Morphological Changes in the Pattern of Babolroud by Transect Technique. Hydrogeomorphology, 2(3), 137-157.
23
Yamani, M., Maghsoudi, M., & Amounia, H. (2016). The determine of boundary development in beach line of Caspian Sea by using geomorphologic and sea level changes data (Case Study: Babolrood to Talar rivers beach line). Geographical Planning of Space, 6(19), 32–44.
24
Ahmed, A. (2011). Some of the major environmental problems relating to land use changes in the coastal areas of Bangladesh. J. Geogr. Reg. Plan, 4, 1–8.
25
Amini, L., & Kakroodi, A.A. (2019). Bathymetry from Shallow Coastal Environment using Neural Network (Case Study: Southeastern of the Caspian Sea). Quantitative Geomorphological Research, 7(3), 216-230. (In Persian).
26
Asghari Sarskanrood, S., Poorahmed, M. (2016). Detection and Extraction of Changes in Zarineh Rud River’s Variation between 1989 and 2014 via Remote Sensing Data. Hydrogeomorphology, 2(5), 1-16.
27
Bird, E, (2008), costal geomorphology An Introduction, JohnWiley, Second Edition, 438.
28
Cai, F.; Liu, J.; Bing, L.; & Gang. L (2009) Coastal erosion in China under the condition of global climate change and measures for its prevention. Progress in Natural Science, 19(4), 415-426.
29
Costanza, R. (1999). The ecological, economic, and social importance of the oceans. Ecological Economics, 31, 199–213.
30
Cracknell, A.P. (1999). Remote Sensing Techniques in Estuaries and Coastal Zones- an Update, International Journal of Remote Sensing, 19(3), 485-495.
31
Ericson, J.P.; Vörösmarty, C.J.; Dingman, S.L.; Ward, L.G.; & Meybeck, M. (2006). Effective sea-level rise and deltas: Causes of change and human dimension implications. J. Glob. Planet. Change, 50, 63–82.
32
Fatemi, S, B., & Rezaei, Y. (2012). Fundamentals of Remote Sensing. Azadeh Publications. (In Persian).
33
Griffiths, C.J. (1988). The impact of Sand Extraction from Seasonal Streams on Erosion of Kunduchi Beach. In Beach Erosion along Kunduchi Beach, North of Dar es Salaam; A Report for NEMC byBeach Erosion Monitoring Committee, 55.
34
Himmelstoss, E. (2009). DSAS 4.0 Installation Instructions and User Guide. U.S. Geological Survey Open-File Report 2008-1278 (Vol. 3).
35
Kakroodi, A.A. (2013). Fluctuations of the Caspian Sea and its impact on its southeastern coasts, Quantitative Geomorphological Research, 2(3), 33-44. (In Persian).
36
Kildow, J.T.; & McIlgorm, A. (2010). The importance of estimating the contribution of the oceans to national economies. Marine Policy, 34 (3), 367-374.
37
Lo, K. F. A., & Gunasiri, C. W. D. (2014). Impact of coastal land use change on shoreline dynamics in Yunlin County, Taiwan. Environments - MDPI, 1(2), 124–136.
38
Lorestani, G. (2015). The Prediction of Annual Rate of Shoreline Change in the Caspian Sea, Gorganroud River Delta, Physical Geography Research Quarterly, 47(2), 241-254.(In persian).
39
Poulos, S. E., & Chronis, G. T. (2001). Coastline changes in relation to longshore sediment transport and human impact, along the shoreline of kato Achaia (NW Peloponnese, Greece). Mediterranean Marine Science, 2(1), 5–13.
40
Rio, L.D.; Gracia, F.J.; & Benaventae, J. (2013).Shoreline change patterns in sandy coasts. A case study in SW Spain. J. Geomorphol., 196, 252–266.
41
Sharifikia, M., shayan, S, & vali, M. (2017). Analysis of the dynamics of the eastern part of the Caspian Sea coastline series based on remote sensing data. MJSP; 21 (4): 122-139. (In Persian).
42
Shayan, S., Yamani, M., Abdollahi Kakroudi, A & Amounia.H. (2020). Estimation of coastline changes in the Caspian delta basin using digital coastline analysis system (deltas: Haraz, Babolrood and Talar). Quantitative Geomorphology Research, 8 (4), 34–46. (In Persian).
43
Sutton-Grier, A. E., Wowk, K., & Bamford, H. (2015). Future of our coasts: The potential for natural and hybrid infrastructure to enhance the resilience of our coastal communities, economies and ecosystems. Environmental Science and Policy, 51(02), 137–148.
44
Thieler, E.R., Himmelstoss, E.A., Zichichi, J.L., and Ergul, Ayhan, (2017). Digital Shoreline Analysis System (DSAS) version 4.0 — An ArcGIS extension for calculating shoreline change (ver.4.4, July 2017): U.S. Geological Survey Open-File Report 2008-1278
45
Thoai,D.T; Dang, A.N; & Oanh, N. T. K. (2019).Analysis of coastline change in relation to meteorological conditions and human activities in Ca mau cape,Viet Nam. Ocean & Coastal Management, 171(1), 56-65.
46
Yamani, M., Gourabi, A., Abedini, Z. (2015). The Analysis of Morphological Changes in the Pattern of Babolroud by Transect Technique. Hydrogeomorphology, 2(3), 137-157.
47
Yamani, M., Maghsoudi, M., & Amounia, H. (2016). The determine of boundary development in beach line of Caspian Sea by using geomorphologic and sea level changes data (Case Study: Babolrood to Talar rivers beach line). Geographical Planning of Space, 6(19), 32–44.
48
ORIGINAL_ARTICLE
استخراج مساحت تحت پوشش برف کوهستان سبلان با استفاده از تصاویر ماهوارهای لندست به روش طبقهبندی شیگرا
پوشش برف و یخ یک منبع حیاتی بوده و به تغییرات اقلیم بسیار حساس میباشد. اندازهگیری دقیق و منظم توزیع مکانی برف و یخ برای مدیریت منابع آبی ضروری میباشد. دراین پژوهش اقدام به استخراج سطح پوشش برف کوهستان سبلان با استفاده ازتصاویر ماهوارهای لندست ۵ برای سال ۲۰۰۰ و لندست ۸ برای سال ۲۰۲۰ با استفاده از طبقهبندی شیگرا و همچنین با استفاده از شاخصهای طیفی NDSI و NDSINW شد. نتایج بررسی نقشههای طبقهبندی مستخرج از روش شیگرا نشان داد که مساحت تحت پوشش برف برای سالهای ۲۰۰۰ و ۲۰۲۰ به ترتیب ۲۵۰۰ و ۱۹۵۴ کیلومترمربع میباشد که ضریب کاپا و صحت کلی برای هر دو سال به ترتیب 99/0 و 99 درصد میباشد. سپس اقدام به استخراج مساحت تحت پوشش برف با استفاده از شاخصهای طیفی NDSI و شاخص NDSINW شد. هر دو شاخص ذکر شده قادر به استخراج سطح پوشش برف با دقت نسبی مناسب در منطقه سرد و زمستانی هستند. ولی شاخص NDSI به دلیل اینکه تمایزی میان برف و آب قائل نمیشود مکن است نتایج متفاوتی در مناطقی با حضور عوارض آبی در ارتباط با استخراج مساحت تحت پوشش برف حاصل کند. درحالیکه شاخص NDSINW با حذف پسزمینه عوارض آبی دقیقتر عمل میکند. در رابطه با تحقیق حاضر شاخص NDSI مقادیر مساحت تحت پوشش برف را ۲۶۱۰ و ۲۵۷۷ کیلومترمربع و شاخص NDSINW مقادیر ۲۵۷۷ و ۱۹۳۷ کیلومترمربع به ترتیب برای سالهای ۲۰۰۰ و ۲۰۲۰ استخراج کرده است که مساحت به دست آمده از شاخص NDSINW به مساحت استخراجشده به روش طبقهبندی شیگرا نزدیکتر میباشد.
https://hyd.tabrizu.ac.ir/article_12740_de0666f9e8060091d4239bab3d03995e.pdf
2021-05-22
97
79
10.22034/hyd.2021.43548.1566
طبقه بندی شی گرا
مساحت پوشش برف
شاخص های طیفی NDSI و NDSINW
کوهستان سبلان
بتول
زینالی
zeynali.b@uma.ac.ir
1
دانشیار دانشگاه محقق اردبیلی
LEAD_AUTHOR
احسان
قلعه
ghale.ehsan@yahoo.com
2
دانشجوی دکترا جغرافیای طبیعی دانشگاه محقق اردبیلی
AUTHOR
شیوا
صفری
safari.shiva@gmail.com
3
دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه محقق اردبیلی
AUTHOR
Custodio, E., Cabrera, M.D.C., Poncela, R., Puga, L.O., Skupien, E., & Del Villar, A. (2016). Groundwater intensive exploitation and mining in Gran Canaria and Tenerife, Canary Islands, Spain. Hydrogeological, environmental, economic and social aspects, Science of the Total Environment, 557, 425–437.
1
Donmez, C., Çiçekli, S.Y., Cilek, A., & Arslan, A. (2020). Mapping snow cover using landsat data: toward a fine-resolution water-resistant snow index. Meteorology and Atmospheric Physics. 10.1007/s00703-020-00749-y.
2
Farzinkia, R., Zanganehasadi, M., Amirahmadi, A., Zandi, R. (2019). The Relationship between Tectonic Activity and Its Impact on Land Subsidence in the Jovein Basin. Hydrogeomorphology, 6(20), 165-185.
3
Feyzizade, B. (2019). Comparative evaluation of pixel basic and object-oriented processing techniques in the classification of Aster satellite images for the extraction of agricultural and garden land maps on the eastern shore of Lake Urmia. Scientific - Research Quarterly of Geographical Data (SEPEHR), 109, 168-183.
4
Haghizadeh, A., yousefi, H., yarahmadi, Y., & kiyani, A. (2020). Simulation of Climate Change Impact on Snowmelt Runoff (case study: Sarab Seyed Ali Watershed - Lorestan). Water and Irrigation Management, 10(1), 101-112.
5
Hu, L., & Jiao, J. (2015). Calibration of a large-scale groundwater flow model using GRACE data: A case study in the Qaidam Basin, China. Hydrogeology Journal, 15, 112-129.
6
Kadkhodaei, S., Jahanbakhsh Asl, S., & Valizadeh Kamran, K. (2020). The estimation of snowmelt runoff using SRM model (case study: Sahzab Catchment). Geography and Planning, 24(71), 319-337.
7
Kakehmami, A., Ghorbani, A., Asghari Sarasekanrood, S., Ghale, E., & Ghafari, S. (2020). Study of the relationship between land use and vegetation changes with the land surface temperature in Namin County. Journal of RS and GIS for Natural Resources, 11(2), 27-48.
8
Laliberte, A., Koppa, J., Rango, A. (2006). Comparison of nearest neighbor and rule-based decision tree classification in an object-oriented environment. USDA-ARS, Jornada Experimental Range.
9
Manickam, S., & Barros, A. (2020). Parsing Synthetic Aperture Radar Measurements of Snow in Complex Terrain: Scaling Behavior and Sensitivity to Snow Wetness and Land cover. Journal remote sensing, 12(483), 1-31.
10
Notarnicola, C. (2020). Hotspots of snow cشاover changes in global mountain regions over 2000–2018. Journal Remote Sensing of Environment, 243, 1-19.
11
Otsu, N.A. (1979). Threshold Selection Method from Gray-Level Histograms. IEEE Trans Man Cybern, 9, 62–66.
12
Parajka J., Holko, L., & Kostka, Z. (2001). Distributed modelling of snow water equivalent-Coupling a snow accumulation and melt model and GIS. Institute of Hydrology. Slovak Academy of Sciences, 14, 86-102.
13
Salmani, S., Ebrahimi, H., Mohammadzade, K., Valizade, K. (2019). Evaluation of various object-oriented classification techniques in land use extraction from Iconus satellite images. Scientific - Research Quarterly of Geographical Data (SEPEHR), 111, 206-215.
14
Seifi, H., & Feizizadeh, B. (2019). Application of interferometric method and radar remote sensing images to estimate the depth of snow and water discharge, Case Study: (Yamchi Basin). Iran-Water Resources Research, 15(1), 341-355.
15
Seifi, H., & Ghorbani, I. (2019). Estimating snow cover trends using Object-Oriented Methods and images received from OLI and TIRS sensors (Case Study: Sahand Mountain). Scientific- Research Quarterly of Geographical Data (SEPEHR), 28(109), 77-91.
16
Shayan, S., Yamani, M., Yadegari, M. (2017). Zoning of the Land Subsidence in the Hamedan Qarachai Watershed. Hydrogeomorphology, 3(9), 139-158.
17
Sood, V., Singh, S., Taloor, A., Prashar, SH., & Kaur, R. (2020). Monitoring and mapping of snow cover variability using topographically derived NDSI model over north Indian Himalayas during the period 2008–19, https://doi.org/10.1016/j.acags.2020.100040.
18
Taylor, R.G., Scanlon, B., Doll, P., Rodell, M., van Beek, R., Wada, Y., Longuevergne, L., Leblanc, M., Famiglietti, J., Edmunds, M., Konikow, L., Green, T.R., Chen, J.Y., Taniguchi, M., Bierkens, M.F.B., MacDonald, A., Fan, Y., Maxwell, R.M., Yechieli, Y., Gurdak, J.H., Allen, D., Shamsudduha, M., Hiscock, K., Yeh, P.J.F., Holman, I., & Treidel, H. (2013). Ground water and climate change. Nature Climate Change, 3(4): 322–329.
19
Thomas, A.C., Reager, J.T., Famiglietti, J., & Rodell, M. (2014). A GRACE-based water storage deficit approach for hydrological drought characterization. Geophysical Research Letters, 41(5), 1537–1545.
20
Voss K.A., Famiglietti, J., Lo, M., de Linage, C., Rodell, M., & Swenson, S. (2013). Groundwater depletion in the Middle East from GRACE with implications for trans boundary water management in the Tigris-Euphrates-Western Iran region. Water Resource Research, 49: 27-39.
21
Xu, H. (2006). Modification of normalized difference water index (NDWI) to enhance open water features in remotely sensed imagery. International Journal of Remote Sensing, 27(14), 3025-3033
22
Yan, D., Huang, C., Ma, N., & Zhang, Y. (2020). Improved Landsat-Based Water and Snow Indices for Extracting Lake and Snow Cover/Glacier in the Tibetan Plateau. Journal water, 12, 1-16.
23
Ghorbani, M., Asadi, A., Jabari, H., & Farsadizadeh, D. (2015). Extraction of Instantaneous Unit Graph Hydrocopy (IUH) Using Shannon Entropy Theory, Journal of Watershed Management, 5(10).
24
Jena, S.K., & Tiwari, K.N. (2006). Modeling synthetic unit hydrograph parameters with geomorphologic parameters of watersheds, Journal of Hydrology, 319, 1-14.
25
Khaleghi, S., Parvin Nia, M., & Montaseri, H. (2018). Simulation of Moment Unit Hydrographs Using a Conceptual Linear Reservoir Model, Master of Science in Civil Engineering, Water Resources Management, Faculty of Civil Engineering, Yasuj University, 143 p.
26
ORIGINAL_ARTICLE
پیش بینی رواناب دشت اردبیل با رویکردهای پیشپردازش زمانی موجکی
مدلسازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگیهای علم هیدرولوژی است. هدف از این پژوهش استفاده از روشهای پیش پردازش زمانی از جمله رفـع نویز موجکی و تبدیل موجک برای پیش بینی سریهای زمانی ماهانه رواناب در دشت اردبیل میباشد. شـبیه سـازی بـارش – روانـاب بـا اسـتفاده از مدل جعبـه سـیاه شبکه عصبی مصنوعی برای سه ترکیب دادههای بارش و رواناب دشت اردبیل انجـام گردید. ترکیب اول و دوم دادهها از دادههای خود ایستگاه در زمانهای گذشته استفاده میکند و ترکیب سوم دادهها از دادههای ایستگاههای بالادست (ایستگاههای گیلانده و کوزه تپراقی) برای پیش بینی رواناب خروجی دشت (ایستگاه سامیان) استفاده میکند. نتایج نشان داد کـه اعمـال روشهای پیش پردازش زمانی رفـع نویز مـوجکی و استفاده از تبدیل موجک در شــبیه ســازی بارش-رواناب بــا مدل شبکه عصبی مصنوعی به ترتیب بطور متوسط باعــث بهبــود 4 و 39 درصدی در مرحلــه آزمایش مدل شده است.
https://hyd.tabrizu.ac.ir/article_12822_facf66c264060119285c315464211bfb.pdf
2021-05-22
116
99
10.22034/hyd.2021.44060.1570
مدلسازی رواناب
تبدیل موجک
رفع نویز موجکی
شبکه عصبی مصنوعی
دشت اردبیل
فرناز
دانشور وثوقی
fdaneshvar.vousoughi@gmail.com
1
استادیارگروه مهندسی عمران، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران.
LEAD_AUTHOR
رسول
صمدزاده
samadzadehr@gmail.com
2
دانشیار گروه جغرافیا، واحد اردبیل، دانشگاه آزاد اسلامی، اردبیل، ایران
AUTHOR
ORIGINAL_ARTICLE
مدلسازی مکانی پارامترهای کیفی آب بر اساس سازندهای زمینشناسی
کشور ایران با متوسط بارندگی سالیانۀ کمتر از240 میلی متر، جزء مناطق خشک و نیمه خشک جهان است. بدین منظور در این تحقیق با انتخاب حوضۀ ایزدخواست به عنوان نمونه ای از حوضه های داخلی زاگرس برای بررسی رابطۀ بین سازندهای زمین شناسی و پارامترهای کیفی آب و مدل سازی مکانی از مدل رگرسیون وزنی جغرافیایی (GWR) استفاده شده است که در این مدل از پارامترهای مختلف کیفیت آب (EC، TDS، SAR، CL، Na، K، SO4) به عنوان متغیرهای وابسته و سازندهای زمین شناسی به عنوان متغیر مستقل استفاده شده است. ارزیابی میزان کارایی مدل در حوضۀ آبریز بر اساس ضریب تعیین (R2) انجام شد که نتایج نشان داد این مدل با قدرت تغییر پذیری مکانی بالا و ضریب تعیین بالاتر از 80/0 تأثیر سازندهای مختلف بر منابع آبی را در نقاط مختلف و مناطق بحرانی با بیش ترین آثار منفی به خوبی مشخص کرده است . در اغلب پارامترهای کیفی مانند سدیم، پتاسیم، کلر و هدایت الکتریکی بیشترین میزان همبستگی مربوط به غرب حوضه می باشد که رسوبات تبخیری موجود در حوضه از جمله گنبد نمکی در این قسمت از مهم ترین سازندهای تغییر کیفیت آب میباشند. همچنین وجود رابطۀ معنی دار پارامترهای کیفی آب با سطح اساس حوضه یا دریاچه های فصلی، نشان دهندۀ شسته شدن و حمل این رسوبات به این نقاط توسط آب های جاری میباشد که این سازندها به دلیل سست بودن، خود را به صورت بدلندها و تپه ماهورها در منطقه نشان داده اند.
https://hyd.tabrizu.ac.ir/article_12804_9743323df853bab059cc6cd09ef39328.pdf
2021-05-22
137
117
10.22034/hyd.2021.44081.1571
کیفیت آب
زمینشناسی
GWR
حوضۀ ایزدخواست
استان فارس
مریم
انصاری
ansarimaryam149@gmail.com
1
دانشجوی دکترا دانشگاه رازی کرمانشاه
AUTHOR
ایرج
جباری
iraj.jabbari@razi.ac.ir
2
دانشیار گروه جغرافیا، دانشکدۀ ادبیات، دانشگاه رازی، کرمانشاه، ایران
LEAD_AUTHOR
فرهنگ
سرگردی
fsargordi@razi.ac.ir
3
استادیار گروه علوم و مهندسی آب، دانشکده علوم و مهندسی کشاورزی، دانشگاه رازی، کرمانشاه، ایران
AUTHOR
Alizadeh, A. (2015). Principles of Applied Hydrology, Mashhad, Astan Quds Razavi Publication, 40, 942 p.
1
Azizi, F., Asghari Moghaddam, A., & Nazemi, A. (2019). Groundwater Flow and Salinity Intrusion Simulation in Malekan Plain Aquifer, Iranian journal of watershed management science, 45(13), 32-43.
2
Erfanian, M., Hossein khah, M., & Alijanpoor, A. (2013). Introduction to multivariate regression methods (OLS and GWR) in spatial modeling of land use effects on water quality, Extension and Development of Watershed Management, 1(1), 33-39.
3
Hossein khah, M,. Erfanian, M., & Alijanpoor, A. (2016). Modeling the Effects of Land Use on Water Quality Parameters Using OLS and GWR Multivariate Regression Methods in Fars Province Watersheds, Journal of environmental studies, 42(2), 353-373
4
Jafari, M., & Tavili, A. (2013). Reclamation of Aridlands, Tehran, Tehran university press, 4, 396 p.
5
Jafarian, H., Vaezihir, A., & Pirkharrati, H. (2018). TheDetermination of the Influential Parameters in Hydrochemistry of Hard Rocks and Karstic Groundwater in the West of Urmia, Iran, Journal of Hydrogeomorphology, 4(15), 75-94.
6
Jehbez, O. (1994). Hidrochemical evaluation of Sarvestan basin with emphasis on the role of geological formations, MSc in Hydrology, University of Shiraz, 436 p.
7
Mirkazehi Rige, M. (2013). Effect of geological formations on groundwater quality Khash Plain, MSc in Watershed Management, Faculty of Water and Soil, Department of Range and Watershed Management, University of Zabol, 120 p.
8
Rahmati, O., Mahmoodi, N., Mosaedi, A., & Heidari, F. (2015). Assessing the effect of landuse and lithology on spring water quality in Piranshahr waters, Iranian journal of watershed management science, 27(8), 19-26.
9
Ranjbar, Gh., & Pirasteh-Anosheh, H. (2015), A glance to the salinity research in Iran with emphasis on improvement of field crops production, Iranian journal of crop sciences, 17(2), 165-178.
10
Shahbazi, R., & Feizneia, S. (2011). Geological effects on degradation of surface water and groundwater quality in central drainage basin of Iran (case study: Cheshme-Ali Damghan Watershed), Environmental Erosion Research Journal, 1(1), 93-104.
11
Teimouri, M., & Asadi Nalivan, O. (2020). Assessing the impact of land use and geology on groundwater quality using multivariate statistical models and geostatistical analyses (Case Study: Part of the Hable-Rood River Basin),Journal of Hydrogeomorphology, 7(25), 97-121.
12
Brunsdon, H., Fotheringham, S., & Charlton, M. (1996). Geographically Weighted Regression: A method for exploring spatial nonstationarity, Geographical Analysis, 28(4), 281-298.
13
Calvache, M. L., & Bosch, A. (1997). Effects of geology and human activity on the dynamics of salt-water intrusion in three coastal aquifers in southern Spain, Environmental Geology, 30(3/4), 215-223.
14
Drever, J. I. (1988). The geochemistry of natural waters, the University of Michigan, Prentice-Hall, 2, 437 p.
15
Feng, C., Mao, Z., Yang, H., Fui, J., Shi, Y., Cheng, Y., Zhang, H., Niu, L., & Ashraf, M.A. (2016). Original of formation water salinity variation and its geological significance in change 9 stream Jiyuan Oilfield, Sains Malaysiana, 45(1), 9–18.
16
Li, Y., Liu, X., Han, Z., & Dou, J. (2020). Spatial Proximity-Based GeographicallyWeighted Regression Model for Landslide Susceptibility Assessment: A Case Study of Qingchuan Area, China, Applied Sciences, 1107(10), 1-16.
17
Meyer, R., Engesgaard, P., & Sonnenborg, T. O. (2019). Origin and dynamics of saltwater intrusion in a regional aquifer: combining 3-D saltwater modeling with geophysical and geochemical Data, Water Resources Research, 55(3), 1792-1813.
18
Nazeer, M., & Bilal, M. (2018). Evaluation of Ordinary Least Square (OLS) and Geographically Weighted Regression (GWR) for water quality monitoring a case study for the estimation of salinity, Oceanic and coastal sea research, 17(2), 305-310.
19
Okkonen, J., & Klove, B. (2012). Assessment of temporal and spatial variation in chemical composition of groundwater in an unconfined esker aquifer in the cold temperate climate of Northern Finland, Cold Regions Science and Technology, 71, 118-128.
20
Pasculli, A., Palermi, S., Sarra, A., Piacentini, T., & Miccadei, E. (2014). A modelling methodology for the analysis of radon potential based on environmental geology and geographically weighted regression, Environmental Modelling and Software, 54, p. 165-181.
21
Pratt, B., & Changa, H. (2012). Effects of land cover, topography, and built structure on seasonal water quality at multiple spatial scales, Journal of Hazardous Materials, 209– 210, 48-58.
22
Tran, D., Xu, D., Dang, V., & Alwah, A.Q. (2020). Predicting urban waterlogging risks by regression models and internet open-data sources, Water, 879(12), 1-23.
23
Tu, J. (2011). Spatially varying relationships between land use and water quality across an urbanization gradient explored by geographically weighted regression, Applied Geography, 24(31), 376-392.
24
Tu, J., & Xia, Z. (2008). Examining Spatially Varying Relationships Between Land Use And Water Quality Using Geographically Weighted Regression I: Model Design And Evaluation, Science of The Total Environment, 407(1), 358-378.
25
Xie, Z., Zhang, C., & Berry, L. (2013). Geographically weighted modelling of surface salinity in Florida Bay using Landsat TM data, Remote Sensing Letters, 4(1), 75-83.
26
Xu, H., & Zhang, C. (2021). Investigating spatially varying relationships between total organic carbon contents and pH values in European agricultural soil using geographically weighted regression, Science of the Total Environment, 752, 1-11.
27
ORIGINAL_ARTICLE
اولویت بندی عوامل مؤثر بر وقوع زمین لغزش و پهنه بندی حساسیت آن با استفاده از روش رگرسیون چندمتغیره ی خطی مطالعه ی موردی: حوضه ی آبریز وهرگان-غرب استان اصفهان
کشور ایران با توپوگرافی عمدتاً کوهستانی، فعالیت های تکتونیکی و لرزه خیزی، تنوع اقلیمی و زمین شناسی شرایط طبیعی مستعدی را برای طیف وسیعی از زمین لغزش داراست. هدف این پژوهش بررسی رخداد زمین لغزش، اولویت بندی فاکتورهای موثر بر آن و پهنه بندی خطر آن در حوضه آبریز وهرگان واقع در پیشکوه های زاگرس است. منطقه ای که به شکل طبیعی و با داشتن لیتولوژی نامقاوم، خاک ضخیم، شیب و بارش نسبتا زیاد از پتانسیل بالایی برای وقوع زمین لغزش برخوردار بوده و دخالت های انسانی به عنوان عامل تحریک کننده نقش پررنگی در تشدید آن ایفا نموده است. ویژگی های مستعد طبیعی و دخالت نابجای انسانی سبب رخداد دست کم 140 زمین لغزش جدید در منطقه ی مورد مطالعه شده است. برای انجام این تحقیق از روش رگرسیون چندمتغیره خطی استفاده گردید. بنابراین، نقشه ی پراکندگی زمین لغزش های رخ داده به عنوان متغیر وابسته و دوازه عامل ارتفاع، شیب، جهت شیب، سنگ شناسی، گسل، بارش، آبراهه، جاده های ارتباطی، کاربری اراضی، پوشش گیاهی، TWI و SPI به عنوان متغیرهای مستقل مورد بررسی قرار گرفتند. نتایج نشان داد که ایجاد راه های ارتباطی بر روی دامنه های پرشیب با خاک سست و ضخیم، با ضریب استاندارد 0.411 مهمترین عامل در ایجاد زمین لغزش بوده است. همچنین، عوامل طبیعی شامل لیتولوژی و بارش با ضریب تأثیر 0.362 و 0.299 و کاربری اراضی با ضریب 0.286 بیشترین نقش و عوامل پوشش گیاهی و شاخص TWI هر کدام با ضریب تأثیر 0.103 و 0.127 کمترین نقش را در وقع زمین لغزش های منطقه ایفا کردهاند. نتایج نهایی حاصله از پهنه بندی حوضه بر اساس شاخص های به کار گرفته شده نشان داد که بخش عمده حوضه در محدوده ی خطر بسیار زیاد و زیاد رخداد زمین لغزش قرار دارد. بر اساس نتایج حاصله پیشنهاد میگردد که با توجه به حساسیت بسیار بالای بخش های زیادی از حوضه به زمین لغزش، همه فعالیت ها و کاربری های زمین متناسب با ویژگی های سنگ شناسی و خاکشناسی و همچنین شیب دامنه در نظر گرفته شود.
https://hyd.tabrizu.ac.ir/article_12902_c639d9a2b2069c861a9d09ba3d1054bf.pdf
2021-05-22
163
139
10.22034/hyd.2021.12902
زمینلغزش
رگرسیون چندمتغیرهی خطی
وهرگان
اصفهان
محمد
شریفی پیچون
mscharifi@yazd.ac.ir
1
استادیار گروه جغرافیا، دانشگاه یزد، یزد، ایران
LEAD_AUTHOR
کوروش
شیرانی
2
استادیار بخش تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان اصفهان، اصفهان، ایران
AUTHOR
مائده
شیرانی
maedeh_7242@yahoo.com
3
کارشناسی ارشد ژئومورفولوژی، دانشگاه یزد، یزد، ایران
AUTHOR
ORIGINAL_ARTICLE
ارزیابی مدل QUAL2Kwدر شبیه سازی کیفی رودخانه خرمآباد
در این پژوهش به شبیهسازی کیفیت آب رودخانه خرمآباد به کمک مدل یک بعدی QUAL2Kw در طول یک بازه 35 کیلومتری از رودخانه پرداخته شد. به همین منظور از پارامترهای مهم کیفی آب از جمله اکسیژن محلول (DO)، اکسیژنخواهی زیستشیمیایی کربنی (CBODf)، اکسیژنخواهی شیمیایی (COD)، نیترات (NO3)، هدایت الکتریکی (EC) و اسیدیته (pH) و پارامتر دما در دو ماه تیر و شهریور سال 1397 به ترتیب برای واسنجی و صحتسنجی مدل استفاده گردید. نتایج نشان داد که با پیوستن رودخانه فرعی به رودخانه اصلی و تخلیه پساب منابع آلاینده صنعتی، شهری و کشاورزی به رودخانه، پارامترهای کیفی COD، NO3 و CBODf روند صعودی پیدا میکنند. نتایج حاصل از شاخص های ارزیابی نشان داد شاخص NRMSE در مرحله واسنجی و صحتسنجی مدل برای pH کمترین مقدار و برابر 83/8 و 22/9 درصد بدست آمد و برای EC به ترتیب 05/11 و 86/13 درصد محاسبه شد. شبیهسازی پارامتر DO نیز در طول رودخانه دارای نوساناتی بود این در حالی است که شاخصهای آماری NRMSE، RMSE و MAE برای این پارامتر در هر دو مرحله واسنجی و صحتسنجی در حد قابل قبولی بدست آمدند، به طوری که شاخصهای فوق در مرحله واسنجی مدل به ترتیب 49/12، 917/0 و 72/0 و در مرحله صحتسنجی مدل به ترتیب 65/24، 78/1، 55/1 محاسبه شد. همچنین مدل توانست با دقت خوبی پارامتر دما را در تیرماه (92/1 RMSE=و 57/1=MAE) و شهریورماه (77/2 RMSE=و 5709/2=MAE) شبیهسازی کند. در نهایت نتایج حاصل از این پژوهش بیانگر دقت مناسب مدل QUAL2Kw در شبیهسازی پارامترهای فوق در رودخانه خرمآباد بود.
https://hyd.tabrizu.ac.ir/article_12644_4b686075637bda67658d32c39b972ec9.pdf
2021-05-22
181
165
10.22034/hyd.2021.44490.1576
پارامترهای کیفی
شبیهسازی
مدل QUAL2Kw
خرمرود
استان لرستان
بابک
شاهی نژاد
b.shd1355@gmail.com
1
استادیار گروه مهندسی آب، دانشگاه لرستان
LEAD_AUTHOR
زهره
ایزدی
z.izadi2010@gmail.com
2
دانشجوی دکتری سازه های آبی
AUTHOR
بهزاد
جوادی
b.javadi59@gmail.com
3
مدیر دفتر مهندسی رودخانه شرکت آب منطقه ای لرستان
AUTHOR
Afrous, A., & Zallaghi, M. (2020). Qualitative Simulation of Nitrate and Phosphate along the Dez River using QUAL2KW Model. Iranian Journal of Soil and Water Research, 50(9), 2099-2111.
1
Allam, A., Fleifle, A., Tawfik, A., Yoshimura, C., & El-Saadi, A. (2015). A simulation-based suitability index of the quality and quantity of agricultural drainage water for reuse in irrigation. Science of the Total Environment, 536, 79-90.
2
Areeyaenezhad, R., Sarai Tabrizi, M., & Babazadeh, H. (2019). Modeling Water Quality of Rivers Using QUAL2Kw Model (Case Study: Shahroud River). Journal of Environmental Science and Technology, 21(7), 1-13.
3
Azimi, M.M. (2008). Investigation of uncertainty of river quality parameters, Case study: Jajroud River. Master Thesis, University of Water and Power Industry (Shahid Abbaspour), Faculty of Water, 105.
4
Babakhani, Z., Saraee Tabrizi, M., & Babazadeh, H. (2019). Determining the Self-Purification capacity of Diwandara River using model qual2kw. Journal of Echo Hydrology, 6(3), 673-684.
5
Banejad, H., Kamali, M., Amirmoradi, K., & Olyaie, E. (2013). Forecasting some of the qualitative parameters of rivers using wavelet artificial neural network hybrid (W-ANN) model (case of study: Jajroud river of Tehran and Gharaso river of Kermanshah). Iranian Journal of Health and Environment, 6(3), 277-294.
6
Bayati khatibi, M., Shahbazi, M., & Heidari, M. A. (2015). Speculations and Analysis on the Changes in Water Quality of Ahar River and its Impacts on Human Health. Hydrogeomorphology, 1(1), 93-109.
7
Chang, H. (2008). Spatial analysis of water quality trends in the Han River basin, South Korea. Water Research, 42(13), 3285-3304.
8
Cox, B. A. (2003). A review of dissolved oxygen modelling techniques for lowland rivers. Science of the Total Environment, 314, 303-334.
9
Emamgholi, Z., & Yasi, M. (2020). Impacts of variation of river geometry on flowing water quality (Case Study: Ghezel Ozan River). Journal of Hydraulics, 14(4), 1-17.
10
Ghafari, P., Tavakolizadeh, A.A., & Zarshenas, M. (2006). Investigation of mathematical models for networking in rivers and wetlands. Seventh International Seminar on River Engineering, Shahid Chamran University.
11
Ghorbani, Z., Amanipoor, H., & Battaleb-Looie, S. (2020). Water quality simulation of Dez River in Iran using QUAL2KW model. Geocarto International, 1-13.
12
Hashemi, Z., Gholami Sefidkouhi, M. A., & Ahmadi, K. (2019). Evaluation and Simulation of Talar River Quality by using QUAL2KW Model. Iranian Journal of Irrigation & Drainage, 12(6), 1500-1510.
13
Hemond, H. F., & Fechner, E. J. (2014). Chemical fate and transport in the environment. Elsevier, 486.
14
Hoseini, P., & Hoseini, Y. (2017). Changes in Self-Purification Capacity of the Ahvaz Karun River in 2008 and 2014 using QUAL2K. Amirkabir Journal. Civil Eng. 49(1), 35-45.
15
Hossain, M. A., Sujaul, I. M., & Nasly, M. A. (2014). Application of QUAL2Kw for water quality modeling in the Tunggak River, Kuantan, Pahang, Malaysia. Research Journal of Recent Sciences, 3(6),6-14.
16
Kannel, P. R., Lee, S., Lee, Y. S., Kanel, S. R., & Pelletier, G. J. (2007). Application of automated QUAL2Kw for water quality modeling and management in the Bagmati River, Nepal. Ecological modelling, 202(3-4), 503-517.
17
Oliveira, B., Bola, J., Quinteiro, P., Nadais, H., & Arroja, L. (2012). Application of Qual2Kw model as a tool for water quality management: Cértima River as a case study. Environmental Monitoring and Assessment, 184(10), 6197-6210.
18
Pelletier, G.J., & Chapra, S.C. (2005). QUAL2Kw theory and documentation (version 5.1), a modeling framework for simulating river and stream water quality. Washington: Department of Ecology.
19
Sarda, P., & Sadgir, D. P. (2015). Water Quality Modeling and Management of Surface Water using Soft Tool. International Journal of Science, Engineering and Technology Research (IJSETR), 4(9), 2988-2992.
20
Shahidi, A., & Khadempour, F. (2020). Investigating the Qualitative Satus of Groundwater in the Plain of Khorasan Razavi Province Using GWQI and AWQI Indexes and Its Zoning with Geographic Information System (GIS). Hydrogeomorphology, 6(22), 1-20.
21
Sharma, D., Kansal, A., & Pelletier, G. (2017). Water quality modeling for urban reach of Yamuna River, India (1999–2009), using QUAL2Kw. Applied Water Science, 7(3), 1535-1559.
22
Shokri, S., Hooshmand, A. R., & Moazed, H. (2016). Qualitative Simulation of Ammonium and Nitrate along the Gargar River Using the Qual2Kw Model. Journal of Wetland Ecology, 6(23), 57-68.
23
Torabiyan, A., & Hashemi, H. (2002). Surface water quality modeling, Tehran: University of Tehran Press, 528.
24
ORIGINAL_ARTICLE
آسیبپذیری آبخوان دشت حاجیآباد براساس مدلهای DRASTIC و SINTACS
با توجه به نیاز روزافزون جوامع بشری به منابع آب زیرزمینی، بهویژه در مناطق خشک و نیمهخشک مانند ایران، حفاظت و جلوگیری از آلودگی این منابع امری ضروری تلقی میگردد. بدین منظور، ارزیابی آسیبپذیری آبهای زیرزمینی میتواند نقشی حیاتی در حفاظت و بهرهبرداری از این منابع ایفا نماید. دشت حاجیآباد با وسعت حدود 158 کیلومتر مربع در فاصله 160 کیلومتری شمال بندرعباس واقع شده است. نظر به اهمیت این دشت از جهت تأمین آب کشاورزی و شرب منطقه و با توجه به روند افت سطح آب زیرزمینی منطقه، برداشت از منابع آب در سالهای اخیر ممنوع شده است. در از این پژوهش، ارزیابی آسیبپذیری آبخوان دشت حاجیآباد توسط مدلهای DRASTIC و SINTACS انجام گرفت. در نهایت نقشههای نهایی آسیبپذیری با مقادیر EC واسنجی شد. به منظور بررسی خصوصیات هیدروژئوشیمیایی منابع آب زیرزمینی دشت، از نقاط تعیین شده 26 نمونه آب در دورههای مختلف سال آبی 1398 برداشت گردید که آنالیز نمونهها آب در آزمایشگاه آب و خاک هرمزگان انجام گردید. همچنین، از نتایج دادههای نمونههای آب آنالیز شده توسط سازمان آب منطقهای هرمزگان نیز استفاده شده است. اندیس آسیبپذیری مدل دراستیک برای منطقه موردمطالعه، مقداری بین (94-128( و برای SINTACS (115-156( بهدستآمده است. طبق برآورد نقشههای آسیبپذیری تهیهشده برای هر دو مدل، بیشترین پتانسیل آسیبپذیری مربوط به قسمتی از بخش مرکزی و شرقی منطقه مورد مطالعه میباشد. مقدار شاخص همبستگی بین EC و مدلهای آسیبپذیری DRASTIC و SINTACS به ترتیب 39 و 35 برآورد شده است.
https://hyd.tabrizu.ac.ir/article_12826_11f6f5a4f34439f9749926b05d6ddedb.pdf
2021-05-22
202
183
10.22034/hyd.2021.45261.1584
آسیب پذیری آبخوان ها
روش SINTACS
آب زیرزمینی
هرمزگان
مهرداد
حسن زاده
mehdihassanzadeh888@gmail.com
1
دانشجوی دکتری عمران
AUTHOR
مهدی
مومنی رق آبادی
m.momenreghabadi@gmail.com
2
استادیار گروه مهندسی عمران، دانشگاه آزاد کرمان
LEAD_AUTHOR
امیر
رباطی
a_robati@iauk.ac.ir
3
استادیار گروه مهندسی عمران دانشگاه ازاد اسلامی کرمان
AUTHOR
Akhavan S, Mousavi SF, Abedi-Koupia J and Abbaspour K. (2011). Conditioning DRASTIC model to simulate nitrate pollution case study: Hamadan-Bahar plain. Environmental Earth Science 63: 1155-1167.
1
Al-Adamat, R., Foster, I. and Baban, S. (2003). Groundwater vulnerability and risk mapping for the Basaltic aquifer of the Azraq basin of Jordan using GIS, remote sensing and DRASTIC. Applied Geography, 23, 303-324.
2
Aller, L., T. Bennet, J.H. Lehr, R.J. Petty, and G. Hackett. (1987). DRASTIC: a standardized system for evaluating groundwater pollution potential using hydrogeological settings. EPA/600/2–87/035. US Environmental Protection Agency, Ada, OK, USA.
3
Anane, M., Abidi, B., Lachaal, F., Limam, A., Jellali, S. (2015). GIS-based DRASTIC, Pesticide DRASTIC and the Susceptibility Index (SI): comparative study for evaluation of pollution potential in the Nabeul-Hammamet shallow aquifer, Tunisia. Journal of Hydrogeology, 21(3): 715-731.
4
Asghari moghadam A, Nadiri A, Paknia V. (2015). Vulnerability Assessment of Bostan Abad Plain Qquifer by DRASTIC and SINTACS Models. Journal of Hydrogeomorphology, 3(8), 21-52
5
Bouwer, H. (1978). Grondwater Hydrology. McGraw-Hillpub. U .S. A.
6
Cameron E and Peloso GF. (2001). An application of fuzzy logic to the assessment of aquifer's pollution potential. Environmental Geology 40: 1305-1315.
7
Chitsazan M and Akhtari Y. (2009). A GIS-based DRASTIC model for assessing aquifer vulnerability in Kherran plain, Khuzestan, Iran. Water Resource Management 23: 1137-1155.
8
Civita M. (1994). Le carte Della vulnerabilita` degli acquiferi all’inquinamento. Teoria & practica (Aquifer vulnerability maps to pollution) (in Italian), Pitagora Ed, Bologna, 325.
9
El-Naqa, A., Hammouri, N. & Kioso, M. (2006). GIS Based Elevation of Groundwater Vulnerability in the Russefia Area Jordan, Revista Mexicana de Ciencias Geologicas, 23(3): 277-287.
10
Foster, S. S. D. (1987). Fundeamntal concept in aquifer vnlnterability, pollution risk and protection strategy. Vulnerablitily of soil and groundwater topollutants, 38: 69-86
11
Jang W, Engel B, Harbor J, Theller, L. (2020). Integrated environmental modeling for efficient aquifer vulnerability assessment using machine learning. Environmental Modelling & Software. 124(4): 678-688.
12
Kozłowski M, Sojka M. (2019). Applying a Modified DRASTIC Model to Assess Groundwater Vulnerability to Pollution: A Case Study in Central Poland. Pol. J. Environ. Stud. 28(3): 1223-1231.
13
Maqsoom A, Aslan B, Khalil U, Ghorbanzadeh O, Ashraf H, Tufail R, Farooq D, Blaschke T. (2020). A GIS-based DRASTIC Model and an Adjusted DRASTIC Model (DRASTICA) for Groundwater Susceptibility Assessment along the China–Pakistan Economic Corridor (CPEC) Route. SPRS Int. J. Geo-Inf, 9(5): 332-344.
14
Margat, J. (1968). Vulnérabilité des nappes d’eau souterraine à la pollution. BRGM Publication, 68.
15
Mosazadeh R. (2017). Hydrochemical evaluation and vulnerability of Chai Dasht aquifer in Urmia plain. Master Thesis in Hydrogeology, Urmia University.
16
Nadiri A, Sedghi Z. (2018). Vulnerability assessment of multiple aquifers using DRASTIC and SINTACS practical frameworks. Journal of Hydrogeology, 4 (2), 171-188.
17
Nadiri A.A, Asghari Moghaddam A, Tsai F, & Dixon B.(2013). Optimization of DRASTIC Method by Supervised Committee Machine Artificial Intelligence to Assess Groundwater Vulnerability for Maragheh-Bonab Plain Aquifer, Iran. Journal of hydrology. 530: 89-100.
18
Nadiri, A.A., Gharekhani, M., Khatibi, R. (2018a). Mapping aquifer vulnerability indices using artificial intelligence-running multiple frameworks (AIMF) with supervised and unsupervised learning. Water Resour. Manage, 32(9): 3023-3040.
19
Nadiri, A.A., Sedghi, Z., Khatibi, R., Sadeghfam, S. (2018b). Mapping specific vulnerability of multiple confined and unconfined aquifers by using artificial intelligence to learn from multiple DRASTIC frameworks. Journal Environ Manage, 227:415-428
20
Panagopoulos, G., A. Antonakos, and N. Lambrakis. (2005). Optimization of DRASTIC model for groundwater vulnerability assessment, by the use of simple statistical methods and GIS. Hydrogeology Journal (published online).
21
Panagopoulos, G., A. Antonakos, and N. Lambrakis. (2005). Optimization of DRASTIC model for groundwater vulnerability assessment, by the use of simple statistical methods and GIS. Hydrogeology Journal (published online).
22
Pathak DR, Hiratsuka A, Awata I and Chen L. (2008). GIS base Fuzzy optimization method to groundwater vulnerability evaluation. Pp 2716-2719. Proceeding of The 2nd international Conference on Bioinformatics and Biomedical Engineering .16-18 May, Shanghai, China.
23
Qian, H., P. Li, KWF. Howard, C. Yang, and X. Zhang. (2012). Assessment of groundwater vulnerability in the Yinchuan Plain, northwest China using OREADIC. Environ Monitoring Assess 184(6):3613–3628.
24
Rahman, A. (2008). A GIS based model for assessing groundwater vulnerability in shallow aquifer in Algarh, India. Applied Geography 28 (1): 32-53
25
Rahman, A. (2008). A GIS based model for assessing groundwater vulnerability in shallow aquifer in Algarh, India. Applied Geography 28 (1): 32-53
26
Rajput H, Goyal R, Brighu U. (2020). Modification and optimization of DRASTIC model for groundwater vulnerability and contamination risk assessment for Bhiwadi region of Rajasthan, India. Environmental Earth Sciences, 42: 79-86
27
Ramezani sarbandi M, Ghazavi R, Dokhani S, Mortazavi M. (2016). The Investigation of the Groundwater Vulnerability to Pollution Using DRASTIC and GODS Models (A Case Study: Rafsanjan Plain). Journal of Hydrogeomorphology, 4(10), 65-80
28
Rezaei, F., Safavi, H.R., Ahmadi, A. (2013). Groundwater vulnerability assessment using fuzzy logic: a case study in the Zayandehrood aquifers, Iran. Environmental management, 51(1):267-277.
29
Saidi Salwa, Bouri Salem and Ben Dhia Hamed. (2011). Sensitivity analysis in groundwater vulnerability assessment based on GIS in the Mahia-Ksour Essaf aquaifer, Tunisia: a validation study. Hydrological Sciences Journal. 56(2): 288-304
30
Scanlon, B.R., Healy, R.W., Cook, P.G. (2002). Choosing appropriate techniques for quantifying groundwater recharge. Hydrogeology Journal, 10(1):18-39.
31
Sharadqah, S. (2017). Contamination Risk Evaluation of Groundwater in the Canton of Portoviejo-Ecuador, using Susceptibility Index and two Intrinsic Vulnerability Models. American Journal of Environmental Sciences, 13(1):65-76.
32
Soyaslan I. (2020) Assessment of groundwater vulnerability using modified DRASTIC-Analytical Hierarchy Process model in Bucak Basin, Turkey. Arabian Journal of Geoscience.
33