1399 10 2 0 191

0 ارزیابی مزرعه ای تأثیر دو پلیمر سوپرجاذب A200 و استاکوزورب بر هیدرولیک جریان در آبیاری جویچه‌ای Field evaluation of the effect of two superabsorbent polymers A200 and Stakosorb on hydraulic performance in furrow irrigation https://jwim.ut.ac.ir/article_77840.html 10.22059/jwim.2020.295696.747 0 هدف از این مطالعه بررسی تأثیر استفاده از پلیمرهای سوپرجاذب بر هیدرولیک جریان و نفوذ آب در آبیاری جویچه‌ای بود. به این منظور از دو نوع سوپرجاذب A200 و استاکوزورب با دو مقدار 16 و 30 گرم در مترمربع خاک، و تحت دو شدت جریان مختلف (0.3 و 0.6 لیتر بر ثانیه) استفاده شد. آزمایش طی پنج نوبت آبیاری و در شرایط بدون کشت در تابستان 1397 انجام شد. نتایج نشان داد که هر دو سوپرجاذب باعث افزایش زمان پیشروی و زمان پسروی شدند، و با افزایش مقدار سوپرجاذب‌های اعمال شده تأثیر آنها بیشتر شد. نتایج نشان داد که افزودن سوپر جاذب به خاک با کاهش رواناب و افزایش مقدار نفوذ همراه شد و هر چه مقدارسوپر جاذب بیشتری بکار برده شد، رواناب بیشتر کاهش یافته و و مقدار نفوذ بیشتر افزایش داشت. همچنین در شدت جریان ورودی بالاتر تأثیر سوپرجاذب‌ها بر روی پارامترهای نفوذ و زمانهای پیشروی و پسروی کمتر بود. در مقایسه دو پلیمر، سوپرجاذب استاکوزورب چه بر افزایش زمان‌های پیشروی و پسروی و چه بر افزایش مقدار نفوذ آب در خاک تأثیر بیشتری را نسبت به A200 نشان داد. 1 The study was conducted at the experimental farm of college of Aburayhan of University of Tehran located in Karaj. The aim of this study was to investigate the effect of using superabsorbent polymer on flow hydraulic parameters of the flow and water infiltration in furrow irrigation. For this purpose, two types of superabsorbent A200 and Stockosorb with two values of 16 and 30 g/m2 of soil under two different flow rates (0.3 and 0.6 L/s) were used. The experiment was carried out in five irrigation regimes and in non-cultivated conditions in the summer of 2018. The results showed that both superabsorbents increased the time of the advance and recession and increased their amount by increasing the amount of superabsorbent. Also, the results showed that the addition of super adsorbent to soil decreased the runoff and increased the amount of infiltration, and with the increase of the flow rate to the furrows, the effect of superabsorbent was reduced. Stockosorb superabsorbent had a greater effect on the increase in advance and Recession times and enhance of water penetration in the soil. 173 187 اعظم احمدی سراییلانی Azam Ahmadi Saraeilani دانشجویان دکتری، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران azam.ahmadi63@gmail.com محمود مشعل Mahmoud Mashal دانشیاران گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران mmashal@ut.ac.ir بهزاد آزادگان Behzad Azadegan دانشیاران گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران bazad@ut.ac.ir پیام کمالی Payam Kamali دانشجویان دکتری، گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران payamkamali@ut.ac.ir آبیاری سطحی رواناب سوپرجاذب نفوذ 1. ابراهیمی پاک ن.، خدادادی دهکردی د. و اگدرنژاد ا. (1396). تأثیر تنش رطوبتی و سوپرجاذب بر عملکرد محصول ذرت. مدیریت آب و آبیاری، 7 (1): 59-72.##2. اخوان س.، افشار و. و سروش ف. (1394). اثر کاربرد پلی‌آکریل‌آمید بر میزان فرسایش خاک در آبیاری جویچه­ای و جویچه­ای یک در میان. آبیاری و زهکشی ایران، 9 (1): 152-162.##3. افاضاتی م.، ایران دوست م. و رضایی استخرویه ع. (1394). تأثیر پلیمر سوپرجاذب بر رشد و عملکرد گیاه خیار گلخانه‌ای تحت شرایط کم‌آبیاری. مدیریت آب و آبیاری، 5(5): 203-214.##4. بهبهانی س. م. ر.، مشهدی ر.، رحیمی خوب ع. و نظری فر م. ه. (1388). بررسی تأثیر پلیمر سوپرجاذب استاکوسورب بر پیاز رطوبتی آبیاری قطره­ای و خصوصیات فیزیکی خاک. آبیاری و زهکشی ایران، 3 (1): 91-100.##5. جنوبی ر،. رضاوردی‌نژاد و. و عباسی ف. (1395). ارائة مدل بهینه‌سازی برآورد پارامترهای نفوذ و ضریب زبری آبیاری نواری با استفاده از داده‌های پیش‌روی و رواناب. مدیریت آب و آبیاری، 6 (1): 45-29.##6. زارع ابیانه ح. و زارعی ع. (1397). کارایی مصرف آب، عملکرد و رشد گیاه تربچه رقم Sparkler در شرایط کمبود رطوبت در خاک حاوی دو جاذب رطوبتی. تحقیقات آب و خاک ایران، 49 (2): 365-375.##7. سهرابی ت.، جهان جو ب. و کشاورز ع. (1384). تأثیر ماده شیمیایی پلی‌آکریل‌آمید بر تلفات خاک و نفوذ آب در خاک در روش آبیاری جویچه­ای. تحقیقات مهندسی کشاورزی، 6 (24): 33-46.##8. سیاری س.، رحیم پور م. و ذونعمت کرمانی م. (1394). ارزیابی سیستم آبیاری جویچه‌ای با مقادیر مختلف دبی ورودی. مدیریت آب و آبیاری، 5 (5): 191-202.##9. صادقی س.، حزباوی ز.، یونسی ح. و بهزادفر م. (1392). روند تغییرات هدررفت خاک و غلظت رسوب بر اثر کاربرد پلی‌آکریل‌آمید. حفاظت منابع آب و خاک، 2 (4): 53-67.##10. عسکری ف.، نفیسی س.، امیدیان ح. و هاشمی س. ع. (1373). سنتز، شناسایی و اصلاح خواص ابرجاذب­ها. سمینار بین‌المللی علوم و تکنولوژی پلیمر، ص 120.##11. فلاح قوچان ز. (1388). اثر سطوح مختلف سوپرجاذب A200 بر برخی خصوصیات فیزیکی خاک. پایان­نامه کارشناسی ارشد آبیاری و زهکشی، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.##12. کیخایی، ف. (1380). بررسی اثر پلیمر جاذب رطوبت PR 3005 A بر میزان آب مصرفی و برخی خصوصیات کمی و کیفی کتان روغن. پایان­نامه کارشناسی ارشد دانشکده کشاورزی، دانشگاه تربیت مدرس.##13. مختاری‌مطلق پ. و شریفان ح. (1393). بررسی تأثیر پلیمر سوپرجاذب A200 بر مراحل مختلف الگوی جریان آب در آبیاری شیاری. پژوهش­های حفاظت آب و خاک، 21 (3): 203-220.##14. مختاری‌مطلق پ.، غلامی سفیدکوهی م. و شریفیان ح. (1396). تخمین پارامترهای مختلف نفوذپذیری خاک در آبیاری جویچه­ای با حضور پلیمر سوپرجاذب. پژوهش­های حفاظت آب و خاک، 24 (5): 281-289.##15. منتظر ع. ا. (1387). بررسی تأثیر پلیمر سوپرجاذب استاکوسورب بر زمان پیش‌روی و پارامترهای نفوذ خاک در روش آبیاری جویچه­ای. آب و خاک (علوم و صنایع کشاورزی)، 22 (2): 342-357.##16. Abu-Zreig M, Al-Sharif M, Amayreh J (2007) Erosion Control of Arid Land in Jordan with Two Anionic Polyacrylamides. Arid Land Research Management, 21 (4): 315-328.##17. Amarilis D V, Cristian C Q, Guiwei Q (2010) Amendment of an acid mine soil with compost and polyacrylate polymers enhances enzymatic activities but may change the distribution of plant species. Water, Air and Soil Pollution, 208(1): 91-100.##18. Boatright JL, Balint DE, Mackay WA, Zajicek JM (1997) Incorporation of a hydrophilic polymenr into annual landscape beds. Journal of Environmental Horticulture, 15 (1): 37-40.##19. Chaudhary AB, Hulage AN, Gaikwad VV, Dadas RT, Jadhav SS, Parlikar AS (2018) Practical application ofhydrgel for irrigation in water scarce area. JournalNX- A Multidisciplinary Peer Reviewed Journal, 18 (1): 2581-4230.##20. Dehghanisanij H, Alizadeh A, Keshavarz A (1999) Implementation of water use pattern in terms ofvolumetric supply of water to farmers. Proceeding of the International Conference on Water Resources Management, Use and Policy in Dry Areas. Dec, 1-3. Amman. Jordan.##21. Dhiman M, Dhiman J (2015) Infusion of farm mechanization technologies in Indian agriculture: progress and impact. Indian Journal of Economics and Development, 11 (1): 125-136.##22. Elliott RL, Walker WR (1982) Field Evaluation of Furrow Infiltration and Advance Functions. Transactions of the ASAE (American Society of Agricultural Engineers), 25 (2): 396-400.##23. Eubeler JP, Bernhard M, Knepper TP (2010) Environmental biodegradation of synthetic polymers II. Biodegradation of different polymer groups. Trends in Analytical Chemistry, 29 (1): 84-100.##24. Gomathi E, Arun B, Dinesh M (2017) Applications of Super Absorbent Polymer: A Review. Elixir Renewable Energy, 102 (2017): 44179-44181.##25. Helalia A, Letey J (1988) Cationic polymer effects on infiltration rates with a rainfall simulator. Soil Science holding capacity. Communications in Soil Science and Plant Analysis, 13(2): 103-111.##26. Islam MR, Enehi AE, Ren C, Li J, Hu Y (2011) Impact of water-saving superabsorbent polymer onoat (Avenaspp) yield and quality in an arid sandy soil. Scientific research and essays, 6(4): 720-728.##27. Johnson MS, Velkamp CJ (1984) Structure and functioning of water storing agricultural polyacrylamide. Journal of the Science of Food and Agriculture, 36 (9): 789-793.##28. Lentz, RD, Sojka RE (1995) Polyacrylamide Effect on Furrow Erosion and Infiltration. The American Society of Agricultural and Biological Engineers, 38 (3): 761-765.##29. Lentz RD, Sojka RE (1998) Water and Erosion Management with Multiple Applications of Polyacrylamide in Furrow Irrigation. Science Society of America Journal, 62 (6): 1672-1680.##30. Majed Abu Z (2006) Control of Rainfall – Induced soil erosion with various types of polyacrylamide. Journal Soils Sediments, 6 (3): 137-144.##31. Plumb TR, Kraus K (1991) Oak woodland artificial regeneration correlating soil moisture to seedling survival. Science of Food and Agriculture, 35: 1063-1066.##32. Qi X, Liu M, Chen Z, Zhang F (2008) Kinetics of superabsorbent using open circuit potential measurement. European Polymer Journal, 44(3): 743-754.##33. Renkuan Liao, Wenyong Wu, Shumei Ren, Peiling Yang (2016) Effects of Superabsorbent Polymers on the Hydraulic Parameters and Water Retention Properties of Soil. Journal of Nanomaterials, 16 (11): 11##34. Rodrick D Lentz, Robert E Sojka (2009) Long-Term Polyacrylamide Formulation Effects on Soil Erosion, Water Infiltration, and Yields of Furrow-Irrigated Crops. Agronomy Journal, 101 (2): 305-314.##35. Sepaskhah AR, Afshar-Chamanabad H (2002) Determination of infiltration rate for every-other furrow irrigation. Biosystems Engineering, 82 (4): 479-484.##36. Teyel MY, EL-Hady OA (1981) Super gel as a soil conditioner. International Society for Horticultural Science-Acta Horticulturae, 119: 247-250.##37. Walker WR, Skogerboe G (1987) Surface Irrigation: Theory and Practice. Englewood Cliffs, NJ, USA: Prentice-Hall Inc. xiii, 386 p.##38. Wenju Zho,Jiazhen Hu,Zhen Cui, Pinxin Dou, Yanwei Fan (2019) Effects of superabsorbent polymers on the vertical infiltration of soil water with sand mulching. Environmental Earth Sciences, 19 (78): 648.##39. Yazdani F, Allahdadi I, Akbari G (2008) Impact of Superabsorbent Polymer on Yield and Growth Analysis of Soybean under Drought Stress Condition.Pakistan journal of biological sciences, 10 (23): 4190-6.##16. Abu-Zreig M, Al-Sharif M, Amayreh J (2007) Erosion Control of Arid Land in Jordan with Two Anionic Polyacrylamides. Arid Land Research Management, 21 (4): 315-328.##17. Amarilis D V, Cristian C Q, Guiwei Q (2010) Amendment of an acid mine soil with compost and polyacrylate polymers enhances enzymatic activities but may change the distribution of plant species. Water, Air and Soil Pollution, 208(1): 91-100.##18. Boatright JL, Balint DE, Mackay WA, Zajicek JM (1997) Incorporation of a hydrophilic polymenr into annual landscape beds. Journal of Environmental Horticulture, 15 (1): 37-40.##19. Chaudhary AB, Hulage AN, Gaikwad VV, Dadas RT, Jadhav SS, Parlikar AS (2018) Practical application ofhydrgel for irrigation in water scarce area. JournalNX- A Multidisciplinary Peer Reviewed Journal, 18 (1): 2581-4230.##20. Dehghanisanij H, Alizadeh A, Keshavarz A (1999) Implementation of water use pattern in terms ofvolumetric supply of water to farmers. Proceeding of the International Conference on Water Resources Management, Use and Policy in Dry Areas. Dec, 1-3. Amman. Jordan.##21. Dhiman M, Dhiman J (2015) Infusion of farm mechanization technologies in Indian agriculture: progress and impact. Indian Journal of Economics and Development, 11 (1): 125-136.##22. Elliott RL, Walker WR (1982) Field Evaluation of Furrow Infiltration and Advance Functions. Transactions of the ASAE (American Society of Agricultural Engineers), 25 (2): 396-400.##23. Eubeler JP, Bernhard M, Knepper TP (2010) Environmental biodegradation of synthetic polymers II. Biodegradation of different polymer groups. Trends in Analytical Chemistry, 29 (1): 84-100.##24. Gomathi E, Arun B, Dinesh M (2017) Applications of Super Absorbent Polymer: A Review. Elixir Renewable Energy, 102 (2017): 44179-44181.##25. Helalia A, Letey J (1988) Cationic polymer effects on infiltration rates with a rainfall simulator. Soil Science holding capacity. Communications in Soil Science and Plant Analysis, 13(2): 103-111.##26. Islam MR, Enehi AE, Ren C, Li J, Hu Y (2011) Impact of water-saving superabsorbent polymer onoat (Avenaspp) yield and quality in an arid sandy soil. Scientific research and essays, 6(4): 720-728.##27. Johnson MS, Velkamp CJ (1984) Structure and functioning of water storing agricultural polyacrylamide. Journal of the Science of Food and Agriculture, 36 (9): 789-793.##28. Lentz, RD, Sojka RE (1995) Polyacrylamide Effect on Furrow Erosion and Infiltration. The American Society of Agricultural and Biological Engineers, 38 (3): 761-765.##29. Lentz RD, Sojka RE (1998) Water and Erosion Management with Multiple Applications of Polyacrylamide in Furrow Irrigation. Science Society of America Journal, 62 (6): 1672-1680.##30. Majed Abu Z (2006) Control of Rainfall – Induced soil erosion with various types of polyacrylamide. Journal Soils Sediments, 6 (3): 137-144.##31. Plumb TR, Kraus K (1991) Oak woodland artificial regeneration correlating soil moisture to seedling survival. Science of Food and Agriculture, 35: 1063-1066.##32. Qi X, Liu M, Chen Z, Zhang F (2008) Kinetics of superabsorbent using open circuit potential measurement. European Polymer Journal, 44(3): 743-754.##33. Renkuan Liao, Wenyong Wu, Shumei Ren, Peiling Yang (2016) Effects of Superabsorbent Polymers on the Hydraulic Parameters and Water Retention Properties of Soil. Journal of Nanomaterials, 16 (11): 11##34. Rodrick D Lentz, Robert E Sojka (2009) Long-Term Polyacrylamide Formulation Effects on Soil Erosion, Water Infiltration, and Yields of Furrow-Irrigated Crops. Agronomy Journal, 101 (2): 305-314.##35. Sepaskhah AR, Afshar-Chamanabad H (2002) Determination of infiltration rate for every-other furrow irrigation. Biosystems Engineering, 82 (4): 479-484.##36. Teyel MY, EL-Hady OA (1981) Super gel as a soil conditioner. International Society for Horticultural Science-Acta Horticulturae, 119: 247-250.##37. Walker WR, Skogerboe G (1987) Surface Irrigation: Theory and Practice. Englewood Cliffs, NJ, USA: Prentice-Hall Inc. xiii, 386 p.##38. Wenju Zho,Jiazhen Hu,Zhen Cui, Pinxin Dou, Yanwei Fan (2019) Effects of superabsorbent polymers on the vertical infiltration of soil water with sand mulching. Environmental Earth Sciences, 19 (78): 648.##39. Yazdani F, Allahdadi I, Akbari G (2008) Impact of Superabsorbent Polymer on Yield and Growth Analysis of Soybean under Drought Stress Condition.Pakistan journal of biological sciences, 10 (23): 4190-6.##

0 تعیین تابع تولید و عمق بهینه آبیاری گیاه دارویی چای ترش در شرایط کم‌آبی و استفاده از کود پتاسیم Determination of Production Function and Optimal Depth of Irrigation of roselle under Water Deficit and Potassium Fertilizer https://jwim.ut.ac.ir/article_76630.html 10.22059/jwim.2020.298299.769 0 این آزمایش به صورت کرت‌های یک‌بار خرد شده در قالب طرح بلوک کامل تصادفی در مزرعه تحقیقاتی چاه‌نیمه زهک بر روی گیاه چای ترش اجرا گردید. تیمارها شامل چهار سطح آب آبیاری 100، 80، 60 و 40 درصد نیاز آبی گیاه و سه سطح کود پتاسیم 100، 75 و 50 درصد پتاسیم بود. ﻫﺪف اﺻﻠﯽ تحقیق ﺑﺮآورد ﺗـﺎﺑﻊ تولید، ﻣﺤﺎﺳﺒﻪ ﻋﻤﻖ‌های شاخص و ﺑﻬﯿﻨﻪ آب ﻣﺼﺮﻓﯽ بود. بهترین تابع تولید چای ترش از بین چهار تابع تولید (خطی، لگاریتمی، درجه دوم و متعالی) انتخاب شد. شاخص‌های تولید نهایی نسبت به عمق آب و کود پتاسیم، نسبت نهایی نرخ جایگزین فنی برای کود پتاسیم و عمق آب، ارزش تولید نهایی نسبت به عمق آب و کود پتاسیم محاسبه شد. نتایج نشان داد تابع درجه دوم به‌عنوان تابع برتر انتخاب شد. شاخص تولید نهایی نسبت به حداقل عمق آب 4/1 و برای حداکثر عمق آب 86/0- کیلوگرم به ازای هر یک سانتی‌متر عمق آب بود. شاخص تولید نهایی نسبت به حداقل و حداکثر مصرف کود پتاسیم به‌ترتیب 92/3 کیلوگرم و 77/3 کیلوگرم محاسبه شد. همچنین نتایج نشان داد با اعمال کم‌آبیاری در شرایط محدودیت آب، عمق بهینه آب مصرفی نسبت به عمق بیشینه در سطوح 75، 5/112 و 150 کیلوگرم کود پتاسیم در هکتار به‌ترتیب 29/13، 34/14 و 1/13 سانتی‌متر کاهش مصرف آب داشته است. همان‌گونه که ملاحظه می‌شود، افزایش کود پتاسیم تا سطح 75 درصد باعث صرفه‌جویی بیشتری در مصرف آب گردید. استفاده از کود پتاسیم می‌‌تواند باعث تعدیل خسارات ناشی از تنش خشکی در چای ترش شود. 1 Water restriction is one of the main inhibitors of crop production. Therefore, choosing a superior and superior strategy is essential for making water in its design. For this purpose, an experiment was conducted in a split plot in a randomized complete block design with three replications at the Semi-drainage Research Farm on roselle. Treatments included four levels of irrigation water (120, 100, 75 and 50% of plant water requirement) and three levels of potassium fertilizer (100, 75, 50 and 25% potassium). The purpose of this research is to estimate the production capacity, index calculations, and water intake. The best sour tea production function was selected from four production functions (linear, logarithmic, quadratic, and transcendental) based on the lowest error statistics. In order to investigate the separate and combined effects of potassium fertilizer and irrigation water depth from end production to depth of irrigation water (MPI), end production to potassium fertilizer (MPk), final ratio of technical alternative rate to potassium fertilizer and irrigation depth (MRTSI, k), final production value for irrigation water depth (VMPI) and final production value for potassium fertilizer (VMPk) were used. Final production index was 1.4 for water depth at minimum depth of irrigation water (MPI) and its value for maximum irrigation depth was -0.86 kg/cm depth. It was water. The final production index for minimum and maximum potassium fertilizer consumption was 3.92 kg and 3.77 kg, respectively. The results also showed that by applying irrigation under water limitation conditions, the optimum depth of water consumption compared to the maximum depth of water use at levels of 75, 121.5 and 150 kg potassium fertilizer were 13.29, 14.34 and 1.1, respectively. It has reduced water consumption by 13 cm. As can be seen, increasing the potassium fertilizer up to 75% resulted in more water savings. The use of potassium fertilizer can reduce the damage caused by drought stress in roselle. 189 202 پریا راشکی Paria Rashki دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده آب و خاک، دانشگاه زابل، زابل، ایران ایران p_rashki@yahoo.com حلیمه پیری Halimeh Piri استادیار، گروه مهندسی آب، دانشکده آب و خاک، دانشگاه زابل، زابل، ایران ایران h_piri2880@yahoo.com عیسی خمری Eisa khammari استادیار، گروه زراعت، دانشکده کشاورزی، دانشگاه زابل، زابل، ایران ایران isa@yahoo.com ارزش نهایی تولید شاخص تولید نهایی کم آبیاری نسبت نرخ جایگزینی 1. انصاری، ح. (1386). تعیین عمق شاخص و بهینه آبیاری در ذرت­های زودرس با هدف احتساب حداکثر سود. آب و خاک. 22(2):115-107.##2. پیری، ح. (1396). تعیین تابع تولید آب- نیتروژن و ارزیابی شاخص­های تولید پیاز در منطقه زهک سیستان و بلوچستان. مدیریت آب و آبیاری. 7(2):303-287.##3. پیری، ح.، انصاری، ح. و پارسا، م. (1396) اثر شوری و مقدار آب آبیاری بر عملکرد سورگوم علوفه­ای در دشت سیستان. پژوهش آب در کشاورزی. 31(1):28-14.##4. جورونی، ا.، عالی­نژاد بیدآبادی، ا. و ملکی، ع. (1396). تعیین تابع تولید و پاسخ عملکرد ماده­ی خشک و دانه به کم­آبیاری در گیاه ذرت. مدیریت آب و آبیاری. 7(2): 256-241.##5. حبیبی، م.، عبدی، م. و مهرپویان، م. (1392). مطالعه خصوصیات کیفی علوفه در دو رقم سورگوم علوفه­ای اسپیدفید و پگاه تحت شرایط کم­آبی. دومین همایش ملی مباحث کشاورزی نوین، دانشگاه آزاد اسلامی واحد ساوه، ساوه، ایران.##6. ﺣﺴﻦ­زاده ﻗﻮرتﺗﭙﻪ، ع. و قیاسی، م. (1387). تنش غرقابی و آثار آن بر اکوفیزیولوژی گیاهان. جهاد دانشگاهی واحد آذربایجان‌غربی، 149 صفحه.##7. حوری، م.ع. (1395). بررسی اثر شوری آب بر عملکرد ماده خشک کنار موریتانی با تعیین تابع تولید شوری (مطالعه­ی موردی اهواز). مدیریت آب و آبیاری. 6(1): 173-163.##8. خرمیان، م.، حسین­پور، م. (1395). بهینه­سازی آب آبیاری کشت پاییزه چغندرقند براساس توابع تولید و هزینه در شمال استان خوزستان. علوم و مهندسی آبیاری. 39(3):106-96.##9. سپاسخواه ،ع.، توکلی، ع. و موسوی، ف. (1385). اصول و کاربرد کم آبیاری. انتشارات کمیته ملی آبیاری و زهکشی ایران، تهران. 288 صفحه.##10. شمس بیرانوند، م.، برومند نسب، س.، ملکی، ع. ودانشور، م. (1394). تأثیر کم­آبیاری بر عملکرد و برخی صفات دانه سه رقم سویا در منطقه خرم‌آباد. علوم و مهندسی آبیاری. 38(3): 21-13.##11. شهیدی، ع. (1387). اثر برهم‌کنش کم آبیاری و شوری بر عملکرد و اجزای عملکرد ارقام گندم با تعیین تابع تولید آب و شوری در منطقه بیرجند. پایان‌نامه دکتری. دانشگاه شهید چمران اهواز.##12. شیرمحمدی ­علی­اکبر­خانی، ز.، انصاری، ح.، علیزاده، ا. و کافی، م. (1392). ارزیابی توابع تولید آب- شوری- عملکرد در ذرت علوفه­ای در استان خراسان رضوی. آبیاری و زهکشی ایران. 4(7): 543-535.##13. عبدزاهد گوهری، ع.، امیری، ا. و علیزاده، ا. (1394). ﺗﺨﻤﯿﻦ ﺗﺎﺑﻊ ﺗﻮﻟﯿﺪ و ﮐﺎرآﯾﯽ ﻣﺼﺮف آب در ﮔﯿﺎه ﺑﺎدﻣﺠﺎن ﺗﺤﺖ ﺷﺮاﯾﻂ آﺑﯿﺎری ﻗﻄﺮه‌ای و ﮐﻮد ﻧﯿﺘﺮوژن. حفاظت منابع آب و خاک. 5(1): 53-42.##14. کیانی، ع. و عباسی، ف. (1389). ارزیابی تابع تولید آب- شوری گندم در استان گلستان. آبیاری و زهکشی ایران، 58: 455-445.##15. کیانی، ع.، همایی، م. و میرلطیفی، م. (1385). ارزیابی توابع کاهش عملکرد گندم در شرایط توأم شوری و کم­آبی. علوم آب و خاک. 20(1):83-73.##16. گنجعلی، ح.، کمالی­جو، ا. و عزیزیان­شرمه، ع. (1396). خصوصیات رشدی و عملکرد چای‌ترش در سطوح مختلف نیتروژن، فسفر و پتاسیم در شرایط آب‌وهوایی سراوان. بوم­شناسی گیاهان زراعی. 13(1):37-29.##17. موسوی­فضل، ح.، اخیانی، ا. و عطاردی، ا. (1396). اثر آب آبیاری و کود پتاسیم بر عملکرد سورگوم علوفه­ای با هدف تعیین تابع تولید آب کود (رقم پگاه). علوم و مهندسی آبیاری اهواز، ویژه­نامه بهار، 40(1-1):97-83.##18. نادریان­فر، م. (1395). ﺗﻌﯿﯿﻦ ﺗﺎﺑﻊ ﺗﻮﻟﯿﺪ ﮔﯿﺎه رﯾﺤﺎن ﺗﺤﺖ ﺷﺮاﯾﻂ ﮐﻢ­آﺑﯿﺎری و اﺳﺘﻔﺎده از ﻧﺎﻧﻮ ﮐﻮد. آبیاری و زهکشی ایران. 3(10): 376-365.##19. Akanbi, W.B., Oaniyn, A.B., Togum, A.O., Ilupeju, A.E.O. & Olairan, O.A. (2009). The effect of organic fertilizer on growth, calyx yield and quality of roselle (Hibiscus sabdariffa L.). Amrican Eurasian Journal of Sustainable Agricalture, 3(4), 652-657.##20. Aziz, E., Gad, N. & Badran, N.M. (2007). Effect of cobalt and nickel on plant growth, yield and flavonoids content of Hibiscus sabdariffa L. Australian Journal of Basic Applied Sciences, 1(2), 73-78.##21. Farooqi, A. A. & Bssreeramu, Kh. (2004). Cultivation of spice crops. Universities Press (India). 128-148.##22. Hassan, M.S. (2001) Effects of frequency of irrigation and fertilizer nitrogen on yield and quality of onion (A. cepa) in the arid tropics. Act Horticulture African Symposium on Horticultural crops, 143(8),341-346.##23. Homaee, M., Feddes, R. A. & Direksen, C. (2002). Simulation of root and water uptake, II: Non – uniforme transient combined salinity and water stress using different macroscopic reduction function. Agriculture Water Management, 57(2), 127-144.##24. Li, X., Wan, S., Kang, Y., Chen, X. & Chu, L. (2016). Chinese rose growth and ion accumulation under irrigation with waters of different salt contents. Agricultural Water Management. 163, 180-189.##25. Liue, F., Savic, S., Jensen, C.R., Shahnazari, A., Jacobsen. S. Sticik, R. & Andersen, M. N. (2007). Water relations and yield of lysimeter-grown strawberries under limited irrigation. Scientia Horticulture, 111(2), 128-132.##26. Mohamed, M. & Ashok, K. (2014). Growth, yield and water Use effeciency of forage sorghum as affected by NPK fertilizer and deficit irrigation. Plant Sciences, 5, 2134-2140.##27. Moutonnet, P., Hera, C. & Nielsen, D. R. (2002). Crop Yield Response to Deficit Irrigation. Kluwer Academic Publisher, Dordrecht, The Netherlands.9##28. Nadler, A., Raveh, E., Yermiyahu, U. & Green, S. (2006). Stress included water content variations in mango stem by time domain reflectometry. Soil Science Society of America. 70(2), 510-520.##29. Neilsen, D. C. & Vigil, M. F. (2005). Legume green fallow effect on soil water content at wheat planting and wheat yield. Agronomy. 97(3), 684-689.##

0 ارزیابی روش های مختلف آسیب پذیری آبخوان آبرفتی و ساحلی (منطقه مورد مطالعه: استان گیلان محدوده آستانه-کوچصفهان) Evaluation of Aquifer Vulnerability Assessment Methods for Alluvial and Coastal Aquifers, Case Study in Astaneh-Koochesfahan Aquifer, Guilan, Iran https://jwim.ut.ac.ir/article_77108.html 10.22059/jwim.2020.295862.750 0 یکی از راهکارهای برقراری تعادل زیست محیطی، بررسی و مدیریت آسیب‌پذیری آبخوان است. جهت تصمیم‌گیری و مدیریت آبخوان لزوم برنامه‌ریزی جهت شناسایی عرصه‌های آسیب‌پذیر بسیار مهم است. روشها و شاخص‌های متعددی جهت بررسی آسیب‌پذیری آبخوان‌ها ارائه شده‌اند که هریک از این شاخص‌ها براساس مجموعه‌ای از فاکتورها مورد استفاده قرار می‌گیرد. در این مطالعه از 5 شاخص آسیب‌پذیری در منطقه ساحلی به منظور بررسی و مقایسه این روشها نسبت به‌هم مورد استفاده قرار گرفته است. شاخص‌های DRASTIC، SINTACS، SI، GALDIT و GODS به بررسی وضعیت حساسیت آبخوان از نظر ذاتی مورد بررسی قرار گرفتند. نتایج استخراجی از این 5 شاخص با توجه به ماهیت هریک از آنها متفاوت بوده و به منظور افزایش دقت نتایج و استفاده کاربردی از این نتایج در مناطق ساحلی واسنجی وزن و رتبه‌ها با استفاده از روش تحلیل سلسله مراتبی و آنتروپی انجام گرفت. بدین منظور از همبستگی بین هر شاخص آسیب‌پذیری با غلظت TDS، نیترات و کلراید استفاده و وزن‌ پارامترهای هر شاخص واسنجی گردید. آنالیز حساسیت پارامترهای مختلف در شاخص‌های آسیب پذیری نشان داد که شاخص GALDIT با توجه به در نظرگیری اثر پیشروی آب شور دریا این حساسیت را در نتایج منعکس می‌کند. پارامتر عمق تا سطح ایستابی در سایر شاخص‌ها و پارامتر فاصله از دریا معیار حساس و با اهمیتی در شاخص GALDIT بوده و پس از واسنجی مدل مشخص گردید 30 درصد آبخوان در معرض جبهه‌های شور نفوذ آب دریا قرار گرفته است. 1 One way to balance the environment is to study and manage aquifer vulnerabilities. In order to decide and manage the aquifer, the need for planning to identify vulnerable areas is very important. Several methods and indicators to assess the vulnerability of the aquifer are presented in each of these indicators is based on a set of factors used. In this study, 5 vulnerability indicators have been used in the coastal region to investigate and compare these methods. The characteristics of DRASTIC, SINTACS, SI, GALDIT and GODS were investigated to assess the sensitivity of the aquifer inherently. The results of these 5 indicators were different according to the nature of each of them and in order to increase the accuracy of the results and practical use of these results in coastal areas, weight and rankings were performed using hierarchical and entropy analysis method. For this purpose, the correlation between the vulnerability index concentrations of TDS, nitrate and chloride and weights of each indicator was calibrated. Sensitivity analysis of various parameters in vulnerability indicators showed that GALDIT index reflects this sensitivity in the results, considering the effect of sea salt water progress. Depth parameter to static level in other indicators and distance parameter from the sea is a sensitive and important criterion in GALDIT index and after model calibration, it was found that 30% of aquifers are exposed to the saline fronts of sea water infiltration. 203 220 حمید کاردان مقدم Hamid Kardan moghaddam استادیار پژوهشی، مؤسسه تحقیقات آب، وزارت نیرو ایران hkardan@ut.ac.ir سامان جوادی Saman Javadi دانشیار، گروه مهندسی آبیاری و زهکشی، دانشکده ابوریحان، دانشگاه تهران، تهران، ایران ایران javadis@ut.ac.ir زهرا رحیم زاده Zahra Rahimzadeh دانشجوی دکتری گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران zahra.rahimzadeh@ut.ac.ir آسیب‌پذیری آنالیز حساسیت شاخص GALDIT مدیریت آبخوان 1. استواری ی.، بیگی‌هرچگانی ح. و داودیان ع.ر. (1391). بررسی تغییرات مکانی نیترات در آب زیرزمینی دشت لردگان. مدیریت آب و آبیاری. 2 (1): 55-67.##2. جوادی، س.، و کاردان مقدم، ح. (1398). شبیه‌سازی سه بعدی تهاجم جبهه‌های آب شور در آبخوان‌های کویری با استفاده از مدل SEAWAT. مدیریت آب و آبیاری. 9 (1): 129-142.##3. جوانشیر گ.، ندیری ع.، صادق فام س. و عباس نوین پور ا. (1395). ارائه روشی جدید به‌منظور ارزیابی آسیب‌پذیری آبخوان دشت‏ مغان برمبنای ترکیب روش ‏های دراستیک، سینتکس و اس ‏آی. اکوهیدرولوژی. 3 (4): 491-503.##4. سلطانی ش.، اصغری­مقدم ا.، برزگر ر. و کاظمیان ن. (1395). ارزیابی غلظت نیترات و آسیب­پذیری آب زیرزمینی با روش‌های GODS و AVI (مطالعه موردی: دشت کردکندی-دوزدوزان، آذربایجان شرقی) اکوهیدرولوژی. 3 (4): 517-531.##5. کاردان مقدم، ح.، و جوادی، س. (1394). ارزیابی آسیب‌پذیری سفره ساحلی با استفاده از روش GALDIT و واسنجی آن با روش AHP. پژوهش‌های حفاظت آب و خاک. 23 (2): 163-177.##6. کاردان مقدم، ح.، و روزبهانی، ع. (1394). ارزیابی مدل شبکه‌های بیزین در پیش‌بینی ماهانه سطح آب زیرزمینی (مطالعه موردی: آبخوان بیرجند). مدیریت آب و آبیاری. 5 (2): 139-151.##7. Antonakos, A.K. & Lambrakis, NJ. (2007). Development and testing of three hybrid methods for the assessment of aquifer vulnerability to nitrates, based on the drastic model, an example from NE Korinthia, Greece. Journal of Hydrology,333(2–4), 288–304.##8. Aller, L. (1985). DRASTIC: a standardized system for evaluating ground water pollution potential using hydrogeologic settings. Robert S. Kerr Environmental Research Laboratory, Office of Research and Development, US Environmental Protection Agency.##9. Bordbar, M., Neshat, A. & Javadi, S. (2019). A new hybrid framework for optimization and modification of groundwater vulnerability in coastal aquifer. Environmental Science and Pollution Research, 26(21), 21808-21827.##10. Bordbar, M., Neshat, A., Javadi, S., Pradhan, B. & Aghamohammadi, H. (2020). Meta-heuristic algorithms in optimizing GALDIT framework: A comparative study for coastal aquifer vulnerability assessment. Journal of Hydrology, 124768.##11. Chachadi, A.G. & Lobo Ferreira, J.P. (2001). Seawater intrusion vulnerability mapping of aquifers using the GALDIT method. Coastin, 4, 7-9.##12. Chachadi, A.G. & Lobo-Ferreira, J.P. (2001). Seawater intrusion vulnerability mapping of aquifers using GALDIT method. COASTIN: a coastal policy research newsletter, TERI, New Delhi.##13. Civita, M. (1990). Legenda unificata per le Carte della vulnerabilita dei corpi idrici sotterranei/ Unified legend for the aquifer pollution vulnerability Maps. Studi sulla Vulnerabilita degli Acquiferi, Pitagora Edit, Bologna.##14. Foster, S.S. (1987). Fundamental concepts in aquifer vulnerability, pollution risk and protection strategy. In: van Duijvenbooden, W. Van Waegeningh, H.G. (Eds.), Vulnerability of Soils and Groundwater to Pollution. TNO Committee on Hydrological Research, The Hague, Proceedings and Information, 38, 69-86.##15. Gadre, S.R. (1984). Information entropy and Thomas-Fermi theory. Physical Review A, 30(1), p.620.##16. Javadi, S., Kavehkar, N., Mohammadi, K., Khodadi, A. & Kahawita, K. (2011b). Calibration DRASTIC using field measurements, sensitivity analysis and statistical method to assess groundwater vulnerability. Water International, 36(6), 719-732.##17. Javadi, S., Kavehkar, N., Mousavizadeh, M.H. & Mohammadi, K. (2011a). Modification of DRASTIC model to map groundwater vulnerability to pollution using nitrate measurements in agricultural areas. Journal of Agricultural Science and Technology, 13(2), 239-249.##18. Kardan Moghaddam, H., Jafari, F. & Javadi, S. (2017). Vulnerability evaluation of a coastal aquifer via GALDIT model and comparison with DRASTIC index using quality parameters. Hydrological Sciences Journal, 62(1), 137-146.##19. Ribeiro, L. (2000). Desenvolvimento de um ı´ndice para avaliar a susceptibilidade, ERSHA-CVRM, 8p.##

0 بررسی امکان تولید آب از هوای مرطوب در مدل گلخانه ای مجهز به مبدل حرارتی Investigating the Possibility of Water Production from humid Air in the Greenhouse Model Equipped with Heat Exchanger https://jwim.ut.ac.ir/article_77106.html 10.22059/jwim.2020.299106.772 0 در حدود 90 درصد آبی که در گلخانه‌ها مصرف می‌شود، به دو فرآیند تبخیر و تعرق و خنک‌سازی محیط تخصیص می‌یابد. حجم زیادی از آب استفاده شده در گلخانه‌ها بدون استفاده و به صورت هوای مرطوب توسط هواکش به بیرون هدایت می‌شود که قابل بازیافت بوده و امکان مصرف دوباره آن با تقطیر به چرخه ورودی آب گلخانه وجود دارد. از اینرو، هدف از انجام این تحقیق، در گام نخست بررسی امکان تولید آب از هوای مرطوب خارج شده از گلخانه و در گام بعدی بررسی تأثیر پارامترهای طول مبدل حرارتی و سرعت هوای ورودی روی میزان آب بازیافت شده است. این مطالعه در قالب 9 تیمار آزمایشی با سه طول متغیر (5/0، 1 و 5/1 متر) و سه سرعت هوای ورودی (5/0، 8/0 و 2/1 متر بر ثانیه)، در یک مدل گلخانه‌ای با ابعاد 5/1×1×2 مترمکعب انجام گردید. نتایج نشان داد که افزایش طول و سرعت هوای ورودی باعث افزایش تولید آب می‌شود به طوری که بیشترین مقدار آب چگالش شده در طول 5/1 متر و سرعت هوای 2/1 متر بر ثانیه به دست آمد. همچنین، مقدار آب تولیدی حدود 3 برابر شد به طوری که مقدار آب تولیدی در بیشترین میزان خود به 60 لیتر در طول 5/1 متر و سرعت 2/1 متر بر ثانیه رسید. همچنین، نتایج نشان داد که می‌توان با استفاده از مبدل حرارتی، حدود 10 تا 30 درصد آب مصرفی برای آبیاری و سرمایش (هواکش و پوشال) را بازیافت کرد. 1 About 90 percent of the water used in greenhouses is allocated to the two processes of evapotranspiration and cooling of the environment. A large amount of water used in greenhouses is driven out useless in the form of humid air by the fan, which is recyclable and can be reused in the greenhouse water inlet cycle by condensation. Therefore, the purpose of this study is to investigate the possibility of water production from humid air exiting the greenhouse. In the next step, the effects of heat exchanger length and inlet air velocity were investigated on the amount of recycled water. This study was conducted in 9 experimental treatments with three lengths (0.5, 1 and 1.5 m) and three inlet air velocities (0.5, 0.8 and 1.2 m/s) inside a greenhouse model with dimensions of 2x1.5 x 2 m3. The measurements were done with dimensions of 1.5 × 1 × 2 m3. The results showed that increasing the heat exchanger length and inlet air velocity increase the water production and the highest condensed water achieved at heat exchanger length of 1.5 m and an air velocity of 1.2 m/s. Also, the amount of water produced was about three times higher than normal condition without condensation, up to a maximum of 60 liters at a length of 1.5 m and velocity of 1.2 m/s. The results showed that about 10 to 30 percent of the water used for irrigation and cooling (fan and pad) the greenhouse can be recovered by using a heat exchanger. 221 231 پیام کمالی Payam Kamali دانشجوی دکتری گرایش آبیاری و زهکشی، گروه مهندسی آبیاری و زهکشی، دانشکده ابوریحان، دانشگاه تهران، تهران، ایران ایران payamkamali@ut.ac.ir سید مهدی هاشمی شاهدانی Seied Mehdy Hashemy Shahdany دانشیار، گروه مهندسی آبیاری و زهکشی، دانشکده ابوریحان، دانشگاه تهران، تهران، ایران ایران mehdi.hashemy@ut.ac.ir سامان جوادی Saman Javadi دانشیار، گروه مهندسی آبیاری و زهکشی، دانشکده ابوریحان، دانشگاه تهران، تهران، ایران ایران javadis@ut.ac.ir ساسان علی نیایی فرد Sasan Aliniaeifard استادیار، گروه باغبانی، دانشکده ابوریحان، دانشگاه تهران، تهران، ایران ایران aliniaeifard@ut.ac.ir حامد ابراهیمیان Hamed Ebrahimian دانشیار، گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران ایران ebrahimian@ut.ac.ir چگالش رطوبت سرعت هوا گلخانه 1. افاضاتی، م.، ایران دوست، م. و رضایی استخروییه، ع. (1394). تأثیر پلیمر سوپرجاذب بر رشد و عملکرد گیاه خیار گلخانه­ای تحت شرایط کم­آبیاری. مدیریت آب و آبیاری. 5 (2): 214-203.##2. بهرامی، س.، طباطبایی، ط. و کریمی، م. ر. (۱۳۹۴). امکان سنجی آبگیری آب از رطوبت هوا با استفاده از روش سامانه تولید آب مکنده رطوبت هوا در استان هرمزگان- بندرعباس، اولین همایش علمی پژوهشی زیست شناسی و علوم باغبانی ایران، تهران، انجمن علمی توسعه و ترویج علوم و فنون بنیادین، ایران.##3. حسین‌خانی، ع. (1395). ساخت و شبیه­سازی آب‌شیرین‌کن خورشیدی رطوبت­زنی- رطوبت­زدایی، پایان نامه کارشناسی ارشد، انرژی­های تجدیدپذیر دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته.##4. زارع ابیانه، ح.، چشمه قصابانی، ا.، باب الحوائجی، ح. و افروزی، ع. (1397). اثر کم‌آبیاری بر تبخیر و تعرق، کارایی مصرف آب، عملکرد و رشد گیاه فلفل همدانی در کشت گلخانه­ای. علوم و فنون کشت­های گلخانه­ای. 9 (2): 36-23.##5. علیزاده، ا. رابطه آب و خاک و گیاه. جلد دوازدهم. انتشارات آستان قدس رضوی. مشهد. 616 صفحه.##6. کمیسیون کشاورزی، آب و صنایع غذایی. (1395). وضعیت آب در بخش کشاورزی. اتاق بازرگانی صنایع، معادن و کشاورزی تهران. 20 صفحه.##7. محبوبی، م. ر.، اسماعیلی اول، م. و یعقوبی، ج. (1390). بررسی عوامل بازدارنده و پیش‌برنده کاربرد روش­های جدید آبیاری توسط کشاورزان: مورد غرب شهرستان بشرویه در خراسان جنوبی. مدیریت آب و آبیاری. 1(1): 98-87.##8. محمدی، ع. (1391). تولید آب با استفاده از تقطیر هوا در لوله­های مدفون در زیرزمین، پایان­نامه کارشناسی ارشد، دانشکده مهندسی مکانیک دانشگاه صنعتی خواجه نصیرالدین طوسی.##9. Al-Ismaili, A.M. (2009) Modelling of a humidification-dehumidification greenhouse in Oman, PhD thesis, Cranfield University (United Kingdom), Ann Arbor, UK.##10. Al-Ismaili, A.M,. & Jayasuriya, H. (2016). Seawater greenhouse in Oman: A sustainable technique for freshwater conservation and production. Renewable and Sustainable Energy Reviews, 54, 653-664.##11. Bryant, J.A., & Ahmed, T. (2008). Condensate Water Collection for an Institutional Building in Doha, Qatar: An Opportunity for Water Sustainability. Energy Systems Laboratory. Proceedings of the 16th Symposyum on Improving Building Performance Systems in Hot and Humid Climates, Plano, TX, 15-17 December.##12. Hirich, A., & Choukr-Allah, R. (2017).  Water and Energy Use Efficiency of Greenhouse and Net house Under Desert Conditions of UAE: Agronomic and Economic Analysis. Water Resources in Arid Areas. Part of the Springer Water book series (SPWA), 481-499.##13. Kabeel, A.E., & Ali, M.A. (2013). Seawater greenhouse in desalination and economics. Seventeenth International Water Technology Conference, IWTC17, Istanbul, 5-7 November.##14. Kabeel, A.E. & Emad, M.S. El-Said. (2015). Water production for irrigation and drinking needs in remote arid communities using closed-system greenhouse: A review. Engineering Science and Technology, an International Journal, 18(2), 294-301.##15. Lindblom, J., & Nordell, B. (2007). Underground condensation of humid air for drinking water production and subsurface irrigation. Desalination, 203(1-3), 417-434.##16. Paton, Ch. (2012). Seawater Greenhouse: A Restorative approach to agriculture, Discussion Paper 1220, Global Water Forum. ##17. Sablani, S.S., Goosenat, M.F.A., Patonb, C., Shayya, W.H., & Al-Hinaid, H. (2003).  Simulation of fresh water production using a humidification-dehumidification seawater greenhouse. Desalination, 159 (3), 283-288.##18. Salehi, G.R., Ahmadpour, M., & Khoshnazar, H. (2011). Modeling of the Seawater Greenhouse Systems. Solar Thermal Application. World Renewable Energy Congress, Linkoping, Sweden, 8-13 May.##19. Tahri, T., Douania, M., Amouraa, M., & Bettahar, A. (2016). Study of influence of operational parameters on the mass condensate flux in the condenser of seawater greenhouse at Muscat, Oman. Desalination and Water Treatment, 57(30), 1-8.##20. Zarei, T., Behyad, R., & Abedini, E. (2017). Study on parameters effective on the performance of a humidification-dehumidification seawater greenhouse using support vector regression. Desalination, 435(1), 235-245. ##21. Zulovich, J.M. (2009). Maintenance of Evaporative Cooling Systems. Extension Agricultural Engineer Commercial Agriculture Program of University of Missouri Cooperating with U.S. Publication 1453.##

0 پیش بینی جریان ماهانه رودخانه با استفاده از ترکیب مدل های خطی سری زمانی و شبکه های بیزین (مطالعه موردی: رودخانه بختیاری) Prediction of Monthly River Flow Using Hybridization of Linear Time Series Models and Bayesian network (Case Study: Bakhtiari River) https://jwim.ut.ac.ir/article_77105.html 10.22059/jwim.2020.300562.783 0 یکی از مسائل مهم در مدیریت منابع آب، تهیه و توسعه مدل‌های مناسب به منظور پیش‌بینی دقیق‌تر فرآیند جریان رودخانه‌ها می‌-باشد. بدین منظور در مطالعه حاضر برای پیش‌بینی جریان ماهانه رودخانه بختیاری، در دوره آماری 1395-1334، از مدل‌های سری-زمانی خطی (ARMA)، مدل هوشمند شبکه بیزین (BN) و مدل تلفیقی BN-ARMA استفاده شد. عملکرد مدل‌های توسعه یافته براساس شاخص‌های آماری جذر میانگین مربعات خطا (RMSE)، ضریب همبستگی (CC) و آماره کلینگ- گوپتا (KGE) مورد ارزیابی قرار گرفتند. از بین مدل‌های سری زمانی برازش یافته به داده‌ها، مدل AR(3) با داشتن کمترین مقدار معیار اکایکه اصلاح شده برابر با 3/1089 به عنوان مدل مناسب سری ماهانه جریان انتخاب گردید. نتایج نشان داد که مدل AR(3) با خطای ( ) 786/47 از عملکرد قابل قبولی برخوردار است. برای مدل‌سازی جریان ماهانه رودخانه با استفاده از مدل BN از حافظه‌های دبی یک ماه قبل، دو ماه قبل تا پنج ماه قبل استفاده شد. نتایج نشان داد که با توالی سه ماه جریان عملکرد مدل به بهینه ترین حالت ممکن رسیده و با افزایش تعداد ورودی‌ها عملکرد آن تضعیف می‌شود. ضریب همبستگی، جذر میانگین مربعات خطا و KGE در بهترین حالت مدل BN در مرحله آزمون به ترتیب 826/0 و ( ) 303/45 و 789/0 می‌باشد. در مرحله بعد تلفیق مدل‌های BN و ARMA(3,0) انجام شد. نتایج حاصل نشان داد که مدل تلفیقی BN-ARMA به طور قابل ملاحظه‌ای دقت مدل‌سازی را افزایش داده و خطای پیش‌بینی را از ( ) 303/45 به ( ) 021/15 کاهش داد. 1 One of the most important issues in water resources management is the preparation and development of appropriate models in order to predict the streamflow more accurately. For this purpose, in the present study, linear time series models (ARMA), intelligent Bayesian network (BN) and BN-ARMA hybrid model have been developed for forecasting the monthly river flow of Bakhtiari River in 1955-2016. The performance of the developed models was evaluated based on statistical indices such as root mean square error (RMSE), correlation coefficient (CC) and Kling-Gupta index (KGE). Among the time series models fitted to the data, the AR (3) model was selected as the appropriate model for monthly stream flow series, with the lowest value of the modified Akaike information criterion equal to 1089.3. The results showed that the AR (3) model with an error of 47.786 (m3/s) has acceptable performance. The monthly river flow from the previous month, two months and five months ago was used to model the monthly river flow using the BN model. The results indicated that with three months intervals, the model performance is optimized and its performance is weakened by increasing the number of inputs. The correlation coefficient, root mean square error and KGE in the best case of BN model in the test stage are 0.826, 45.303 and 0.789 (m3/s), respectively. Next, the combination of BN and ARMA(3.0) models was performed. The results showed that the BN-ARMA hybrid model significantly increases the accuracy of the modeling and reduces the prediction error from 45.303 (m3/s) to 15.021 (m3/s). 233 245 فرشاد احمدی Farshad Ahmadi استادیار، گروه هیدرولوژی و مهندسی منابع آب، دانشکده مهندسی علوم آب و محیط زیست، دانشگاه شهید چمران اهواز، اهواز، ایران. ایران f.ahmadi@scu.ac.ir میر محمود ولی نیا Mir Mahmood Valinia کارشناس دفتر فنی، شرکت آب منطقه ای استان آذربایجان غربی، ارومیه، ایران ایران mahmood.v1989@gmail.com آزمون ایستایی الگوی ورودی توسعه مدل شبکه بیزین 1. احمدی، ف.، دین پژوه، ی.، فاخری فرد، ا و خلیلی، ک. (1393). مقایسه مدل‌های خطی و غیرخطی سری‌زمانی در پیش‌بینی جریان رودخانه (مطالعه موردی: رودخانه باراندوزچای ارومیه). علوم و مهندسی آبیاری. 37 (1): 105-93.##2. احمدی، ف.، رادمنش، ف و میرعباسی نجف آبادی، ر. (1395). کاربرد شبکه‌های بیزین و برنامه‌ریزی ژنتیک در پیش‌بینی جریان روزانه رودخانه (مطالعه موردی: رودخانه باراندوزچای). علوم و مهندسی آبیاری. 39 (4):  223-231.##3. چمنی، م. و روشنگر، ک. (1398). ارزیابی مدل‌ تلفیقی تجزیه‌ی مد تجربی یکپارچه کامل- گاوسی در پیش‌بینی زمانی و مکانی دبی رودخانه. مدیریت آب و آبیاری. 9 (2): 277-289.##4. خلیلی، ک.، احمدی، ف.، بهمنش، ج و وردی نژاد، و. (1391). بررسی تأثیر تغییر اقلیم بر روی دمای هوا و جریان رودخانه‌‌ شهرچای واقع در غرب دریاچه ارومیه با استفاده از تحلیل روند و ایستایی. علوم و مهندسی آبیاری. 35 (4): 108-97.##5. خلیلی، ک.، احمدی، ف.، دین پژوه، ی و بهمنش، ج. (1393). تحلیل رفتار خطی و غیرخطی سری‌های زمانی هیدرولوژیک (مطالعه موردی رودخانه‌های غرب دریاچه ارومیه). تحقیقات منابع آب ایران. 10 (2): 20-12.##6. داننده مهر، ع و مجدزاده طباطبائی، م. (1389). بررسی تأثیر توالی دبی روزانه در پیش­بینی جریان رودخانه­ها با استفاده از برنامه­ریزی ژنتیک. آب و خاک. 24 (2): 333-325.##7. عباسی، ع.، خلیلی، ک.، بهمنش، ج و شیرزاد، ا. (1398). پیش‌بینی خشکسالی با استفاده از مدل ترکیبی GEP-GARCH (مطالعه موردی: ایستگاه سینوپتیک سلماس). تحقیقات آب و خاک ایران. 50 (6): 1317-1329.##8. کاردان مقدم، ح و روزبهانی، ع. (1394). ارزیابی مدل شبکه های بیزین در پیش بینی ماهانل سطح آب زیرزمینی (مطالعۀ موردی: آبخوان بیرجند). مدیریت آب و آبیاری. 5 (2): 151-139.##9. منتصری، م و زمان زاد قویدل، ق. (1393). پیش بینی جریان رودخانه با محاسبات نرم. آب و خاک. 28 (2): 405-394.##10. نبی زاده، م.، مساعدی، ا. و دهقانی، ا. (1391). تخمین هوشمند دبی روزانه با بهره‌گیری از سامانه استنباط فازی- عصبی تطبیقی. مدیریت آب و آبیاری. 2 (1): 80-69.##11. Anupam, S., & Pani, P. (2020). Flood forecasting using a hybrid extreme learning machine-particle swarm optimization algorithm (ELM-PSO) model. Modeling Earth Systems and Environment, 6(1), 341-347.##12. Cain, J. (2001). Planning improvements in natural resource management. Guidelines for using Bayesian networks to support the planning and management of development programmers in the water sector and beyond. Centre for Ecology and Hydrology, Crowmarsh Gifford, Wallingford Press.##13. Chen, Y., Marek, G. W., Marek, T. H., Moorhead, J. E., Heflin, K. R., Brauer, D. K., & Srinivasan, R. (2019). Simulating the impacts of climate change on hydrology and crop production in the Northern High Plains of Texas using an improved SWAT model. Agricultural Water Management, 221, 13-24.##14. Desta, Y., Goitom, H., & Aregay, G. (2019). Investigation of runoff response to land use/land cover change on the case of Aynalem catchment, North of Ethiopia. Journal of African Earth Sciences, 153, 130-143.##15. Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366), 427-431.##16. Fathian, F., Mehdizadeh, S., Sales, A. K., & Safari, M. J. S. (2019). Hybrid models to improve the monthly river flow prediction: Integrating artificial intelligence and non-linear time series models. Journal of Hydrology, 575, 1200-1213.##17. Gupta, A., Himanshu, S. K., Gupta, S., & Singh, R. (2020). Evaluation of the SWAT Model for Analysing the Water Balance Components for the Upper Sabarmati Basin. In Advances in Water Resources Engineering and Management (pp. 141-151). Springer, Singapore.##18. Kong, X., Zeng, X., Chen, C., Fan, Y., Huang, G., Li, Y., & Wang, C. (2019). Development of a maximum entropy-Archimedean copula-based Bayesian network method for streamflow frequency analysis (A case study of the Kaidu river basin, china). Water, 11(1), 42.##19. Kuikka, S., & Varis, O. (1997). Uncertainties of climatic change impacts in Finnish watersheds: a Bayesian network analysis of expert knowledge. Boreal Environment Research, 2, 109-109.##20. McCann, R. K., Marcot, B. G., & Ellis, R. (2006). Bayesian belief networks: applications in ecology and natural resource management. Canadian Journal of Forest Research, 36(12), 3053-3062.##21. Mehdizadeh, S., & Sales, A. K. (2018). A comparative study of autoregressive, autoregressive moving average, gene expression programming and Bayesian networks for estimating monthly streamflow. Water Resources Management, 32(9), 3001-3022.##22. Mehdizadeh, S., Fathian, F., & Adamowski, J. F. (2019). Hybrid artificial intelligence-time series models for monthly streamflow modeling. Applied Soft Computing, 80, 873-887.##23. Mohammady, M., Moradi, H. R., Zeinivand, H., Temme, A. J. A. M., Yazdani, M. R., & Pourghasemi, H. R. (2018). Modeling and assessing the effects of land use changes on runoff generation with the CLUE-s and WetSpa models. Theoretical and Applied Climatology, 133(2), 459-471.##24. Pollino, C. A., & Hart, B. T. (2007). Bayesian network model in natural resources management. Information sheet prepared by the Integrated Catchment Assessment and Management Centre, Australian National University.##25. Ravindranath, A., Devineni, N., Lall, U., Cook, E. R., Pederson, G., Martin, J., & Woodhouse, C. (2019). Streamflow Reconstruction in the Upper Missouri River Basin Using a Novel Bayesian Network Model. Water Resources Research, 55(9), 7694-7716.##26. Sadoddin, A., Letcher, R. A., Jakeman, A. J., & Newham, L. T. (2005). A Bayesian decision network approach for assessing the ecological impacts of salinity management. Mathematics and Computers in Simulation, 69(2), 162-176.##27. Salas, J. D. (1993). Analysis and modeling of hydrological time series. In: Handbook of Hydrology, Edited by David R, Maidment, McGraw-Hill, New York, 19, 1-19.##28. Wagena, M. B., Goering, D., Collick, A. S., Bock, E., Fuka, D. R., Buda, A., & Easton, Z. M. (2020). Comparison of short-term streamflow forecasting using stochastic time series, neural networks, process-based, and Bayesian models. Environmental Modelling & Software, 126, 104669.##

0 اثر سطوح مختلف تنش آبی در دو سامانه آبیاری قطره‌ای نواری سطحی و زیرسطحی بر عملکرد و بهره وری آب ذرت The Effect of Different Levels of Water Stress in Two Surface and Subsurface Drip Irrigation Systems on Yield and Water Productivity of Maize https://jwim.ut.ac.ir/article_77107.html 10.22059/jwim.2020.298096.767 0 سامانه‌های نوین آبیاری، از مهم‌ترین عواملی است که بر تولیدات مزرعه‌ای، مصرف آب و بهره‌وری اثر می‌گذارد اما عملکرد این سامانه‌ها نیازمند بررسی دقیق است. بدین منظور، پژوهشی با عنوان تأثیر سامانه‌های آبیاری نواری سطحی DI)) و زیرسطحی (SDI) با سطوح مختلف کم‌آبیاری بر میزان عملکرد، اجزاء عملکرد و بهره‌وری آب در ذرت رقم SC 704، در قالب طرح فاکتوریل اسپلیت بر پایه طرح بلوک‌های کامل تصادفی در مزرعه معاونت آب و خاک وزارت جهاد کشاورزی (کرج) در تابستان 1397 انجام شد. تیمارها شامل 50، 75 و 100 درصد نیاز آبی در هرکدام از روش‌های آبیاری نواری سطحی و زیرسطحی بود. در مجموع 54 نوار آبیاری مورد آزمایش قرار گفت. بر اساس نتایج، اثر متقابل تنش و روش آبیاری در مورد طول بوته بی‌معنی و وزن بوته خشک و شاخص برداشت در سطح احتمال 1 درصد و سایر صفات در سطح احتمال 5 درصد معنی‌دار بود. همچنین نتایج نشان داد که بیش‌ترین عملکرد دانه به میزان 33/22 تن بر هکتار و 31/22 تن بر هکتار به ترتیب از تیمارهای DI=%100 IR و SDI=%100 IR حاصل شد که این دو تیمار، اختلاف معنی‌داری با یکدیگر نداشتند. کمترین عملکرد دانه از تیمار DI=%50 IR به دست آمد که در مقایسه با تیمار بدون تنش در آبیاری نواری سطحی، به میزان 33 درصد افت عملکرد داشت. تیمار SDI=%50 IR دارای بیش‌ترین میزان بهره‌وری آب آبیاری (75/2 کیلوگرم بر مترمکعب) بین سایر تیمارها بود. بهره‌وری در این تیمار نسبت به تیمار بدون تنش رطوبتی در آبیاری نواری زیرسطحی به میزان 6/53 درصد افزایش داشت. 1 Modern irrigation systems are one of the most important factors affecting crop production, water consumption and productivity, but the performance of these systems requires careful consideration. For this purpose, a study on the effect of surface and subsurface drip irrigation systems with different levels of deficit irrigation on yield, yield components, and water productivity in SC 704 maize, a factorial split design based on randomized complete block design was conducted in the field of Deputy of Soil and Water, Ministry of Agriculture (Karaj) in summer of 2018. The treatments were included %100, %75 and %50 of water requirement in each type of surface and subsurface drip irrigation. A total of 54 irrigation drips were tested. Based on the results, the interaction of stress and irrigation method for plant length was non-significant, and dry plant weight and harvest index were significant at 1% probability level and other traits at 5% probability level. The results also showed that the highest grain yield 22.33 ton/ha and 22.31 ton/ha, were obtained from DI=%100 IR and SDI=%100 IR treatments, respectively, which were not significantly different between these treatments. The lowest grain yield was obtained from DI=%50 IR treatment which had a 33% decrease in yield compared to non-stress treatment in surface drip irrigation. The SDI=%50 IR treatment had the highest irrigation water productivity (2.75 kg/m3) among the other treatments. The water productivity of this treatment increased by %53.6 compared to the non-stress treatment in subsurface irrigation. 247 264 امیر محمدخانی Amir Mohammadkhani دانش آموخته کارشناسی ارشد، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران ایران amirmohamadkhani46@gmail.com مسعود پورغلام آمیجی Masoud Pourgholam-Amiji دانشجوی دکتری، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران ایران mpourgholam6@ut.ac.ir تیمور سهرابی Teymour Sohrabi استاد، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران ایران myousef@ut.ac.ir عبدالمجید لیاقت Abdolmajid Liaghat استاد، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران ایران aliaghat@ut.ac.ir تنش رطوبتی رابطه آب-بهره‌وری آب کارایی مصرف آب کم‌آبیاری 1. اخوان ک، شیری م ر و کاظمی آذر ف. (1393). اثر میزان آبیاری قطره‌ای و آرایش کاشت بر عملکرد ذرت دانه‌ای. پژوهش آب در کشاورزی. 28 (1): 107-95.##2. افراسیاب پ، دلبری م و جعفری ح. (1395). بررسی اثرات مقادیر مختلف آبیاری، تراکم بوته و آرایش کاشت در روش آبیاری قطره‌ای-نواری بر عملکرد، اجزاء عملکرد و کارایی مصرف آب ذرت دانه‌ای در اسلام‌آباد غرب. تحقیقات آب و خاک ایران. 47 (4): 741-731.##3. بذرافشان ا، شرفا م، محمدی م ح و ذوالفقاری ع ا. (1398). پاسخ ذرت به تنش شوری با استفاده از مدل‌های جذب آب در فصول مختلف. تحقیقات آب و خاک ایران. 50 (9): 2181-2172.##4. پورغلام آمیجی م، لیاقت ع، قمشلو آ و خوش­روش م. (1397). اثر آب زیرزمینی کم­عمق و شور روی رشد و زیست­توده برنج. پژوهش آب در کشاورزی. 32 (4): 516-499.##5. حمدی احمدآباد ی، لیاقت ع، رسول‌زاده ع و قادر پور ر. (1398). بررسی روند سرانه مصرف آب در ایران بر اساس رژیم غذایی دو دهه گذشته. تحقیقات آب و خاک ایران. 50 (1): 87-77.##6. دهقانی سانیج ح، کنعانی ا و حمامی م. (1395). کاربرد سیستم آبیاری قطره­ای زیرسطحی و پارامتر­های مدیریت آن در زراعت ذرت. نشریه مدیریت آب در کشاورزی. 3 (2): 52-39.##7. زاغیان گ. (1395). تأثیر روش های آبیاری قطره­ای سطحی و زیرسطحی توأم با اعمال کم­آبیاری روی راندمان مصرف آب و عملکرد گیاه ذرت علوفه ای. پایان نامه کارشناسی ارشد، پژوهشکده مهندسی آب، دانشگاه شهر کرد.##8. زاغیان گ و نوری م ر. (1395). مقایسه تأثیر روش­های آبیاری قطره­ای سطحی و زیرسطحی و آبیاری شیاری بر عملکرد و کارایی مصرف آب ذرت علوفه­ای. دومین کنگره ملی آبیاری و زهکشی ایران، اصفهان.##9. سهرابی ت و پایدار ز. (1395). اصول طراحی سیستم‌های آبیاری. جلد اول، انتشارات دانشگاه تهران، تهران، 410 صفحه.##10. صمدوند س، تاج­بخش م، انوری ک و احمد آلی ج. (1393). تأثیر سامانه های آبیاری قطره ای نواری (Tape) و نشتی در کشت یک و دو ردیفه بر عملکرد و کارآیی مصرف آب ذرت دانه‌ای. علوم آب و خاک. 18 (70): 120-113.##11. عباسی ف، سهراب ف و عباسی ن. (1395). ارزیابی وضعیت راندمان آب آبیاری در ایران. تحقیقات مهندسی سازه­های آبیاری و زهکشی. 17 (67): 128-113.##12. کریمی م، باغانی ج و جلینی م. (1394). بررسی تأثیر سطوح مختلف آبیاری قطره‌ای (تیپ) بر عملکرد ذرت دانه‌ای. آب و خاک. 29 (2): 321-311.##13. لیاقت ع، پورغلام آمیجی م و مشهوری نژاد پ. (1397). اثر آبیاری سطحی و زیرسطحی با آب شور و مالچ بر عملکرد و بهره­وری آب ذرت و توزیع املاح در خاک. آب و خاک. 32 (4): 674-661.##14. محرابیان س، ناصری ع، هوشمند ع و مسکرباشی م. (1397). اثر عمق نصب لوله­های قطره­چکان­دار و مقدار زئولیت بر عملکرد و اجزای عملکرد ذرت. مدیریت آب و آبیاری. 8 (2): 335-321.##15. محمدی محمدآبادی ا و عبدالهی عزت‌آبادی م. (1395). معرفی روش آبیاری زیرسطحی با لوله‌های سیمانی در باغ‌های پسته. سازمان تحقیقات، آموزش و ترویج کشاورزی، پژوهشکده پسته، چاپ اول، کرمان، 15 ص.##16. مرزی م، میرزایی ف و لیاقت ع. (1398). بررسی میزان جذب آب و عملکرد ذرت علوف­های در شرایط مختلف تلفیق آب شور و غیر شور. مدیریت آب و آبیاری. 9 (1): 14-1.##17. مولوی ح، لیاقت ع و نظری ب. (1395). ارزیابی سیاست‌های اصلاح الگوی کشت و مدیریت کم‌آبیاری با استفاده از مدل‌سازی پویایی سیستم (مطالعة موردی: حوضة آبریز ارس). مدیریت آب و آبیاری. 6 (2): 236-217.##18. Albasha, R., Dejean, C., Mailhol, J.C., Weber, J.J., Bollègue, C., & Lopez, J.M. (2015). Performance of subsurface drip irrigation for maize under Mediteranean and temperate Oceanic climate conditions. 26th Euro-Mediterranean Regional Conference and Workshops «Innovate to improve Irrigation performances», Montpellier, France.##19. Ayars, J.E., Fulton, A., & Taylor, B. (2015). Subsurface drip irrigation in California-Here to stay? Agricultural Water Management, 157, 39-47.##20. Biabi, H., Mehdizadeh, S.A., & Salmi, M.S. (2019). Design and implementation of a smart system for water management of lilium flower using image processing. Computers and Electronics in Agriculture, 160, 131-143.##21. Blanco, F.F., Folegatti, M.V., Gheyi, H.R., & Fernandes, P.D. (2008). Growth and yield of corn irrigated with saline water. Scientia Agrícola, 65(6), 574-580.##22. Camp, C.R. (1998). Subsurface drip irrigation: a review. Transactions of the ASAE, 41(5), 1353.##23. Dowswell, C. (2019). Maize in the third world. CRC Press.##24. El-Shater, T., Yigezu, Y.A., Shideed, K., & Aw-Hassan, A. (2017). Impacts of improved supplemental irrigation on farm income, productive efficiency and risk management in dry areas. Journal of Water Resource and Protection, 9(13), 1709-1720.##25. Fadul, E., Masih, I., De Fraiture, C., & Suryadi, F.X. (2020). Irrigation performance under alternative field designs in a spate irrigation system with large field dimensions. Agricultural Water Management, 231, 105989.##26. Giordano, M., Scheierling, S.M., Tréguer, D.O., Turral, H., & McCornick, P.G. (2019). Moving beyond ‘more crop per drop’: insights from two decades of research on agricultural water productivity. International Journal of Water Resources Development, 1-25.##27. Kijne, J.W., Tuong, T.P., Bennett, J., Bouman, B., & Oweis, T. (2003). Ensuring food security via improvement in crop water productivity. Challenge Program on water and Food Background Paper, 1, 20-26.##28. Lamm, F.R. (2016) .Cotton, tomato, corn, and onion production with subsurface drip irrigation: A review. Transactions of the ASABE, 59(1), 263-278.##29. Lovelli, S., Perniola, M., Ferrara, A., & Di Tommaso, T. (2007). Yield response factor to water (Ky) and water use efficiency of Carthamus tinctorius L. and Solanum melongena L. Agricultural Water Management, 92, 73-80.##30. Panda, R.K., Behera, S.K., & Kashyap, P.S. (2004). Effective management of irrigation water for maize under stressed conditions. Agricultural Water Management, 66(3), 181-203.##31. UNEP (United Nations Environment Programme). (2008). vital water graphics—an overview of the state of the world’s fresh and marine waters. (2nd Ed.). Nairobi: UNEP.##32. Valentín, F., Nortes, P.A., Domínguez, A., Sánchez, J.M., Intrigliolo, D.S., Alarcón, J.J., & López-Urrea, R. (2020). Comparing evapotranspiration and yield performance of maize under sprinkler, superficial and subsurface drip irrigation in a semi-arid environment. Irrigation Science, 38(1), 105-115.##33. WHO (World Health Organization). (2019). Chemical Safety. Activity Report 2018.##34. WWAP (UNESCO World Water Assessment Programme). (2019). the United Nations World Water Development Report: Leaving No One Behind.##

0 پیش بینی جریان با استفاده از رویکرد تلفیقی موجک- برنامه ریزی بیان ژن و ارزیابی تأثیر پارامترهای هواشناسی بر کارایی آن Streamflow Forecasting Using Wavelet- Gene Expression Programming Hybrid Approach and Assessing the Effects of Meteorological Parameters on its Capability https://jwim.ut.ac.ir/article_77839.html 10.22059/jwim.2020.299805.778 0 پیش‌بینی جریان رودخانه برای برنامه‌ریزی‌ و مدیریت سیستمهای منابع آب بسیار حائز اهمیت بوده و میزان دقت انجام این فرآیند در درستی پیاده‌سازی اهداف برنامه‌ریزی شده نقشی بنیادین دارد. از‌طرفی، محاسبات نرم قابلیت بالایی در مدلسازی فرآیند‌های هیدرولوژیک دارد. ازینرو، در این پژوهش، مدل ترکیبی موجک-برنامه‌ریزی بیان‌ژن در مقایسه با رویکرد منفرد آن توسعه داده شده، تا جریان روزانه رودخانه خشکرود واقع در استان گیلان، را پیش‌بینی کند. بدین منظور، علاوه بر فرآیند پیش‌پردازش دادههای هیدرومتری، تأثیر پارامترهای هواشناسی در عملکرد و کارایی مدل نیز بررسی شده است. همچنین، پیش‌پردازش با ویژگی‌های مختلف و پیش‌بینی برای چهار زمان یک، دو، سه و شش روز انجام شد. برای ارزیابی عملکرد مدلها از شاخصهای آماری ضریب همبستگی(R)، شاخص توافق(Ia)، ضریب ناش-ساتکلیف(NSE)، خطای مطلق میانگین(MAE)، جذر متوسط مربعات خطا(RMSE) و معیار جریان حدی(PFC) استفاده شد. نتایج نشان میدهد که استفاده از موجک برای پیش‌پردازش دادهها موجب ارتقای قابل ملاحظه کارایی مدل ترکیبی در مقایسه با مدل منفرد شده است، به گونه ایکه ضریب همبستگی دادههای ارزیابی برای زمان پیش‌بینی سه روز از 0/27 به 0/80 افزایش و همزمان خطای مطلق میانگین از 1/4 به 0/80 مترمکعب در ثانیه کاهش یافته است. از طرف دیگر، پارامترهای هواشناسی موجب شدند که مقادیر حدی در سری زمانی دادههای دبی رودخانه بخوبی پیش‌بینی شده و کارایی مدل در پیش‌بینی مقادیر مذکور به مقدار قابل ملاحظه ای ارتقا یابد. نتایج حاصل از این مطالعه بیانگر آن است که رویکرد ترکیبی موجک- برنامه‌ریزی‌ بیان‌ژن در ترکیب با پارامترهای هواشناسی، میتواند با کارایی بالایی در پیش‌بینی جریان بکار رود. 1 Forecasting stream flow is very important for planning and managing water resources systems and its precision has a significant role in accurately implementing the planned objectives. Besides, soft computing has a significant ability in modelling hydrologic processes. Therefore, in the present study, the Hybrid Wavelet-Gene Expression Programming model has been developed in comparison with its singular approach so that it forecasts the daily streamflow of Khoshkroud river located in Guilan province. For this purpose, in addition to the process of pre-processing hydrometric data, the effect of meteorological parameters on the model’s performance and efficiency has been studied. Also, pre-processing was performed with different properties and for four durations of one, two, three and six days. Correlation coefficient (R), index of agreement (Ig), Nash-Sutcliffe coefficient (NSE), mean absolute error (MAE), root-mean-square error (RMSE) and peak flow criteria(PFC) statistical indices were used to assess the models’ performances. The results show that using wavelet transform to pre-process hydrometric data will significantly improve the efficiency of the hybrid model in comparison with the singular model, such that the correlation coefficient of the validation data for three days has increased from 0.27 to 0.80 and similarly, the mean absolute error has decreased from 1.4 to 0.80 m3/Sec. On the other hand, meteorological parameters have caused the extreme values in the river’s flow rate time series to be well modelled and their efficiency in the extreme values to be significantly increased. The results obtained from this research express that the hybrid model alongside the meteorological parameters can be successfully and efficiently used in flow forecasting. 265 279 فریبا آذرپیرا Fariba Azarpira دانشجوی کارشناسی ارشد مهندسی و مدیریت منابع آب، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران. ایران azarpirafariba@yahoo.com سجاد شهابی Sajjad Shahabi استادیار، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران ایران sajadshahaaby@gmail.com پیش پردازش دبی روزانه رودخانه خشکرود سری زمانی 1. آبابایی، ب.، سهرابی، ت.، و میرزایی اصلی، ف. (1392). شبیه‌سازی جریان روزانه ورودی به سد طالقان با استفاده از مدل‌های همراشتین- واینر. مدیریت آب و آبیاری. 3 (1): 12- 1.##2. چمنی، م.، و روشنگر، ک. (1398). ارزیابی مدل تلفیقی تجزیه مد تجربی یکپارچه کامل- گاوسی در پیش­بینی زمانی و مکانی دبی رودخانه. مدیریت آب و آبیاری. 9 (2): 289-277.##3. شریف­آذری، س.، و عراقی­نژاد، ش. (1392). توسعة مدل ناپارامتری شبیه­ساز داده­های ماهانة هیدرولوژیکی. مدیریت آب و آبیاری. 3 (1): 95-81.##4. نبی­زاده، م.، مساعدی، ا.، و دهقانی، ا. ا. (1391). تخمین هوشمند دبی روزانه با بهره­گیری از سامانه استنباط فازی - عصبی تطبیقی. مدیریت آب و آبیاری. 2 (1): 95-83.##5. Abdollahi, S., Raeisi, J., Khalilianpour, M., Ahmadi, F., & Kisi, O. (2017). Daily mean streamflow prediction in perennial and non-perennial rivers using four data driven techniques. Water Resources Management, 31(15), 4855-4874.##6. Adamowski, J. F. (2008). River flow forecasting using wavelet and cross‐wavelet transform models. Hydrological Processes: An International Journal, 22(25), 4877-4891.##7. Anctil, F., & Ramos, MH. (2019). Verification metrics for hydrological ensemble forecasts. Handbook of Hydrometeorological Ensemble Forecasting; Springer: Berlin/Heidelberg, Germany, 893-922.##8. Banihabib, M. E., & Mousavi-Mirkalaei, P. (2019). Extended linear and non-linear auto-regressive models for forecasting the urban water consumption of a fast-growing city in an arid region. Sustainable Cities and Society, 48, 101585.##9. Boggess, A., Narcowich, FJ., Donoho, DL., & Donoho, PL. (2002). A first course in wavelets with Fourier analysis. Physics Today, 55(5), 63.##10. Diop, L., Bodian, A., Djaman, K., Yaseen, Z. M., Deo, R. C., El-Shafie, A., & Brown, L. C. (2018). The influence of climatic inputs on stream-flow pattern forecasting: case study of Upper Senegal River. Environmental earth sciences, 77(5), 182.##11. Ferreira, C. (2001). Gene expression programming: a new adaptive algorithm for solving problems. arxiv preprint cs/0102027.##12. Freire, P. K. D. M. M., Santos, C. A. G., & da Silva, G. B. L. (2019). Analysis of the use of discrete wavelet transforms coupled with ANN for short-term streamflow forecasting. Applied Soft Computing, 80, 494-505.##13. Hadi, S. J., & Tombul, M. (2018). Monthly streamflow forecasting using continuous wavelet and multi-gene genetic programming combination. Journal of Hydrology, 561, 674-687.##14. Khairuddin, N., Aris, A. Z., Elshafie, A., Sheikhy Narany, T., Ishak, M. Y., & Isa, N. M. (2019). Efficient forecasting model technique for river stream flow in tropical environment. Urban Water Journal, 16(3), 183-192.##15. Kim, K. J., Kim, Y. O., & Kang, T. H. (2017). Application of time-lagged ensemble approach with auto-regressive processors to reduce uncertainties in peak discharge and timing. Journal of Hydrology: Regional Studies, 9, 140-148.##16. Kisi, O., Shiri, J., & Tombul, M. (2013). Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51, 108-17.##17. Li, F. F., Wang, Z. Y., & Qiu, J. (2019). Long‐term streamflow forecasting using artificial neural network based on preprocessing technique. Journal of Forecasting, 38(3), 192-206.##18. Maheswaran, R., & Khosa, R. (2012). Comparative study of different wavelets for hydrologic forecasting. Computers & Geosciences, 46, 284-295.##19. Mehdizadeh, S., Fathian, F., & Adamowski, J. F. (2019). Hybrid artificial intelligence-time series models for monthly streamflow modeling. Applied Soft Computing, 80, 873-887.##20. Mehr, A. D. (2018). An improved gene expression programming model for streamflow forecasting in intermittent streams. Journal of hydrology, 563, 669-678. ##21. Mehr, A. D., & Nourani, V. (2017). A Pareto-optimal moving average-multigene genetic programming model for rainfall-runoff modelling. Environmental modelling & software, 92, 239-251.##22. Mehr, A. D., Nourani, V., Kahya, E., Hrnjica, B., Sattar, A. M., & Yaseen, Z. M. (2018). Genetic programming in water resources engineering: a state-of-the-art review. Journal of hydrology, 566, 643-667.##23. Nourani, V., Baghanam, A. H., Adamowski, J., & Kisi, O. (2014). Applications of hybrid wavelet–artificial intelligence models in hydrology: a review. Journal of Hydrology, 514, 358-377.##24. Nourani, V., Komasi, M., & Alami, MT. (2012). Hybrid wavelet–genetic programming approach to optimize ANN modeling of rainfall–runoff process. Journal of Hydrologic Engineering, 17(6), 724-41.##25. Phukoetphim, P., Shamseldin, A. Y., & Adams, K. (2012). Multimodel Approach Using Neural Networks and Symbolic Regression to Combine the Estimated Discharges of Rainfall-Runoff Models. Journal of Hydraulic Engineering, 17 (9), 975-985.##26. Ravansalar, M., Rajaee, T., & Kisi, O. (2017). Wavelet-linear genetic programming: a new approach for modeling monthly streamflow. Journal of Hydrology, 549, 461-475.##27. Rezaie-Balf, M., Kim, S., Fallah, H., & Alaghmand, S. (2019). Daily river flow forecasting using ensemble empirical mode decomposition based heuristic regression models: Application on the perennial rivers in Iran and South Korea. Journal of Hydrology, 572, 470-485.##28. Ritter, A., & Muñoz-Carpena, R. (2013). Performance evaluation of hydrological models: Statistical significance for reducing subjectivity in goodness-of-fit assessments. Journal of Hydrology, 480, 33-45.##29. Sang, Y. F. (2013). A review on the applications of wavelet transform in hydrology time series analysis. Atmospheric research, 122, 8-15.##30. Shahabi, S., Khanjani, M. J., & Kermani, M. R. H. (2017). Significant wave height modelling using a hybrid Wavelet-genetic Programming approach. KSCE Journal of Civil Engineering, 21(1), 1-10.##31. Shiri, J., & Kisi O. (2010). Short-term and long-term streamflow forecasting using a wavelet and neuro-fuzzy conjunction model. Journal of Hydrology, 394(3-4), 486-93.##32. Shoaib, M., Shamseldin, AY., Melville, BW., & Khan, MM. (2015). Runoff forecasting using hybrid wavelet gene expression programming (WGEP) approach. Journal of Hydrology, 527, 326-44.##33. Tikhamarine, Y., Souag-Gamane, D., Ahmed, A. N., Kisi, O., & El-Shafie, A. (2020). Improving artificial intelligence models accuracy for monthly streamflow forecasting using grey Wolf optimization (GWO) algorithm. Journal of Hydrology, 582, 124435.##34. Wang, WC., Chau, KW., Xu DM., & Chen, XY. (2015). Improving forecasting accuracy of annual runoff time series using ARIMA based on EEMD decomposition. Water Resources Management, 29(8), 2655-75.##35. Willmott, CJ. (1981). On the validation of models. Physical geography, 2(2), 184-94.##36. Xie, T., Zhang, G., Hou, J., Xie, J., Lv, M., & Liu, F. (2019). Hybrid Forecasting Model for Non-Stationary Daily Runoff Series: A Case Study in the Han River Basin, China. Journal of Hydrology, 123915.##37. Yaseen, ZM., El-Shafie, A., Jaafar, O., Afan, HA., & Sayl, KN. (2015). Artificial intelligence based models for stream-flow forecasting: 2000-2015. Journal of Hydrology, 530, 829-44.##38. Yin, Z., Feng, Q., Wen, X., Deo, R. C., Yang, L., Si, J., & He, Z. (2018). Design and evaluation of SVR, MARS and M5Tree models for 1, 2 and 3-day lead time forecasting of river flow data in a semiarid mountainous catchment. Stochastic Environmental Research and Risk Assessment, 32(9), 2457-2476.##39. Zhang, X., Tuo, W., & Song, C. (2019). Application of MEEMD-ARIMA combining model for annual runoff prediction in the Lower Yellow River. Journal of Water and Climate Change.##

0 ارزیابی میزان تاثیرگذاری سامانه کنترل خودکار توزیع آب سطحی کشاورزی به منظور کاهش برداشت و تعادل بخشی آبخوان در شرایط کم آبی (مطالعه موردی: کانال اصلی شبکه آبیاری قزوین) Assessing the Effectiveness of the Centralized Proportional-Integral Control System in Improving Operation Management of the Main Irrigation Canal and Aquifer Storage and Recovery in water shortage conditions (Case study: Qazvin irrigation District) https://jwim.ut.ac.ir/article_77841.html 10.22059/jwim.2020.301641.791 0 این پژوهش به بررسی میزان تاثیر ارتقا عملکرد توزیع آب سطحی کشاورزی در تعادل بخشی و احیا آبخوان در شرایط کم‌آبی می-پردازد. در گام نخست، مدل عددی آبخوان، با کد MODFLOW، به‌منظور تحلیل مکانی تعادل‌بخشی آبخوان توسعه داده شد. در ادامه مدل شبیه‌ساز هیدرولیک جریان سیستم توزیع آب در نرم‌افزار MATLAB توسعه، کالیبره و صحت ‌سنجی شد و با مدل‌ کنترل خودکار سیستم بهره‌برداری سامانه توزیع لینک شد. نهایتا با لینک نمودن مدل‌های توسعه داده شده، تأثیر استفاده از روش‌ ارتقا بهره‌برداری شبکه آبیاری، در قالب سناریو جهت تعادل بخشی آبخوان، بررسی گردید. نتایج تحقیق نشان داد با ارتقا عملکرد سیستم توزیع آب کشاورزی، حتی در شرایط کم‌آبی، میانگین شاخص کفایت توزیع آب کشاورزی در محدوده‌های زراعی در سامانه‌ی کنترل خودکار غیرمتمرکز در حدود 32.7 درصد بهبود عملکرد داشته است. براین اساس میزان کاهش برداشت از آبخوان، 45.3 درصد در روش بهره‌برداری خودکار غیرمتمرکز حاصل شد. نتایج مدل‌سازی عددی آبخوان جهت تحلیل مکانی تعادل بخشی آبخوان نشان داد که در روش معمول بهره‌برداری تراز آب زیرزمینی همچنان روند افزایشی افت خود را حفظ می‌کند. بطوریکه نتایج نمایانگر مقدار افت سالانه در حدود 150 سانتی‌متر تحت روش معمول بهره‌برداری است. با بکار‌گیری سامانه کنترل خودکار غیرمتمرکز و افزایش کفایت تحویل آب در روش‌ مذکور، این امر سبب افزایش تراز در چاه‌های مشاهده‌ای قرار گرفته در شبکه آبیاری شد. راهکار تعادل‌بخشی آبخوان ارائه شده در این تحقیق، قابلیت توسعه برای کلیه نواحی زراعی (شبکه آبیاری) دارد که منابع تامین آب آن به صورت تلفیقی از منابع آب سطحی و زیرزمینی است. 1 The quantitative and qualitative degradation of groundwater resources has become a serious crisis due to high consumption in agriculture, population growth and urbanization, and the industrialization of communities. Rehabilitating groundwater aquifers is one of the main requirements in aquifer management. In this study, the effect of improving the performance of irrigation district and, of course, reducing waste in the process of transfer, distribution and delivery of agricultural water, balancing and rehabilitating aquifers were examined. For this purpose, in the first step, the numerical model of Qazvin aquifer, with the code MODFLOW, was developed for spatial equilibrium analysis of aquifer. Then, the hydraulic simulator model of agricultural water distribution system flow in MATLAB software was developed, calibrated and verified and the automatic control system of the distribution system was linked with the automatic control model. Finally, by linking the developed models, the effect of using the method of improving the operation of the irrigation district, in the form of a scenario for balancing the aquifer, was examined. The results showed that with the improvement of the performance of the agricultural water distribution system, even in low water conditions, the average efficiency index of agricultural water distribution in agricultural areas in the decentralized automatic control system has been about 32.7%. Accordingly, the rate of decline in aquifer harvest was 45.3% in the decentralized automatic operation method. The results of numerical modeling of aquifer for spatial analysis of aquifer balancing showed that in the usual method of groundwater level operation, the increasing trend continues to decrease. The results show an annual drop of about 150 cm under the usual method of operation. By using a decentralized automatic control system and increasing the adequacy of water delivery in this method, this increased the level in the observation wells located in the irrigation district. The equilibrium solution for aquifers presented in this study can be developed for all agricultural areas (irrigation district) whose water supply sources are a combination of surface and groundwater resources. 281 299 محسن حسینی جلفان Mohsen Hosseini Jolfan دانش ‌آموخته کارشناسی ارشد سازه های آبی، گروه مهندسی آبیاری، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران mohsen.hoseini72@alumni.ut.ac.ir سید مهدی هاشمی شاهدانی S, Mehdy Hashemy Shahdany دانشیار، گروه مهندسی آبیاری، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران mehdi.hashemy@ut.ac.ir سامان جوادی Saman Javadi دانشیار، گروه مهندسی آبیاری، پردیس ابوریحان، دانشگاه تهران، تهران، ایران ایران javadis@ut.ac.ir تعادل بخش آبخوان تلفات توزیع و انتقال توسعه پایدار سیستم کنترل خودکار شبکه آبیاری قزوین 1.­ جوادی، س.، کاردان­مقدم، ح. (1398). شبیه­سازی سه­بعدی تهاجم جبهه­های آب­شور در آبخوان­های کویری با استفاده از مدل SEAWAT. مدیریت آب و آبیاری. 9 (2)، 262-251.##2.­ حسینی­جلفان، م.، هاشمی شاهدانی، م.، جوادی، س.، و بنی­حبیب، م.ا. (1397). ارزیابی اثر­بخشی بهبود بهره­برداری از منابع آب سطحی در کاهش برداشت آب از آبخوان (مطالعه موردی: شبکه آبیاری قزوین). تحقیقات منابع آب ایران. 14 (4)، 132-146.##3.­ حسینی­جلفان، م. (1397). بررسی تاثیر دو راهکار خودکار­سازی و بهره­برداری تلفیقی آب سطحی و زیرزمینی در بهبود مدیریت بهره­برداری کانال اصلی شبکه آبیاری از دیدگاه رابطه آب-انرژی. پایان­نامه کارشناسی ارشد. دانشگاه تهران- تهران.##4.­ غفوری­خرانق، س.، بنی­حبیب، م.ا.، جوادی، س. (1398). ارزیابی اجتماعی سناریوهای حکمرانی آب زیرزمینی. مدیریت آب و آبیاری. 9 (2)، 319-305.##5.­ یلتقیان­خیابانی، م.، هاشمی شاهدانی، م.، بنی­حبیب، م.ا.، و حسنی، ی. (1398). امکان­سنجی به­کارگیری روش­های غیر­سازه­ای و خودکار­سازی در ارتقاء بهره­برداری از سامانه­های توزیع آب(مطالعه موردی: شبکه آبیاری رودشت). مدیریت آب و آبیاری. 9 (1)، 127-109.##6.­ وزارت نیرو، (1394)، گزارش برنامه کاهش و تعادل آب زیرزمینی، 72.##7. Alcamo, J., Henrichs, T., & Rösch, T. (2017). World water in 2025: Global modeling and scenario analysis for the world commission on water for the 21st century.##8. Amiri, M. A., & Mesgari, M. S. (2018). Analyzing the spatial variability of precipitation extremes along longitude and latitude, northwest Iran. Kuwait Journal of Science, 45 (1), 121-127.##9. Banihabib, M. E., Vaziri, B., & Javadi, S. (2018). A model for the assessment of the effect of mulching on aquifer recharging by rainfalls in an arid region. Journal of hydrology, 567, 102-113.##10. Burt, C. M. (2013). The irrigation sector shift from construction to modernization: What is required for success?. Irrigation and drainage, 62 (3), 247-254.##11. Clemmens, A. J., Kacerek, T. F., Grawitz, B., & Schuurmans, W. (1998). Test cases for canal control algorithms. Journal of irrigation and drainage engineering, 124 (1), 23-30.##12. Dash, C. J., Sarangi, A., Singh, D. K., & Adhikary, P. P. (2019). Numerical simulation to assess potential groundwater recharge and net groundwater use in a semi-arid region. Environmental monitoring and assessment, 191 (6), 371.##13. Gude, V. G. (2017). Desalination and water reuse to address global water scarcity. Reviews in Environmental Science and Bio/Technology, 16 (4), 591-609.##14. Harbaugh, A. W., Banta, E. R., Hill, M. C., & McDonald, M. G. (2000). MODFLOW-2000, The U. S. Geological Survey Modular Ground-Water Model-User Guide to Modularization Concepts and the Ground-Water Flow Process. Open-file Report. U. S. Geological Survey, (92), 134.##15. HASHEMY, S. M., Firoozfar, A., Maestre, J. M., Mallakpour, I., Taghvaeian, S., & Karimi, P. (2018). Operational performance improvements in irrigation canals to overcome groundwater overexploitation. Agricultural Water Management, 204, 234-246.##16. HASHEMY, S. M., FIRROZFAR, A., Sadeghi, S., & ADIB, M. E. (2016). Performance assessment of decentralized automatic control system for applying in operation of a main irrigation canal under inflow fluctuations. Irrigation and drainage Structures Engineering Research, 66, 137-152.##17. Hosseini Jolfan, M., Hashemy Shahdany, S. M., Javadi, S., Mallakpour, I., & Neshat, A. (2020). Effects of canal automation on reducing groundwater extraction within irrigation districts: Case study of Qazvin irrigation district. Irrigation and Drainage, 69 (1), 11-24.##18. Jin, X., Chen, M., Fan, Y., Yan, L., & Wang, F. (2018). Effects of mulched drip irrigation on soil moisture and groundwater recharge in the Xiliao River Plain, China. Water, 10 (12), 1755.##19. Litrico, X., & Fromion, V. (2009). Modeling and control of hydrosystems. Springer Science & Business Media, New York, 409.##20. Madani, K. (2014). Water management in Iran: what is causing the looming crisis?. Journal of environmental studies and sciences, 4(4), 315-328.##21. Mazza, R., La Vigna, F., & Alimonti, C. (2014). Evaluating the available regional groundwater resources using the distributed hydrogeological budget. Water resources management, 28(3), 749-765.##22. Molden, D. J., & Gates, T. K. (1990). Performance measures for evaluation of irrigation-water-delivery systems. Journal of irrigation and drainage engineering, 116(6), 804-823.##23. Qadir, A., Ahmad, Z., Khan, T., Zafar, M., Qadir, A., & Murata, M. (2016). A spatio-temporal three-dimensional conceptualization and simulation of Dera Ismail Khan alluvial aquifer in visual MODFLOW: a case study from Pakistan. Arabian Journal of Geosciences, 9(2), 149.##24. Rogers, D. C., & Goussard, J. (1998). Canal control algorithms currently in use. Journal of Irrigation and Drainage Engineering, 124(1), 11-15.##25. Rousta, I., Soltani, M., Zhou, W., & Cheung, H. H. (2016). Analysis of extreme precipitation events over central plateau of Iran. American Journal of Climate Change, 5(3), 297-313.##26. Schuurmans, J., Clemmens, A. J., Dijkstra, S., Hof, A., & Brouwer, R. (1999). Modeling of irrigation and drainage canals for controller design. Journal of irrigation and drainage engineering, 125 (6), 338-344.##27. Shahverdi, K., & Monem, M. J. (2015). Application of reinforcement learning algorithm for automation of canal structures. Irrigation and drainage, 64(1), 77-84.##28. Sheikhipour, B., Javadi, S., & Banihabib, M. E. (2018). A hybrid multiple criteria decision-making model for the sustainable management of aquifers. Environmental Earth Sciences, 77 (19), 712.##29. Van Overloop, P. J., Schuurmans, J., Brouwer, R., & Burt, C. M. (2005). Multiple-model optimization of proportional integral controllers on canals. Journal of irrigation and drainage engineering, 131 (2), 190-196.##30. Zamani, S., Parvaresh Rizi, A., & Isapoor, S. (2015). The effect of design parameters of an irrigation canal on tuning of coefficients and performance of a PI controller. Irrigation and drainage, 64(4), 519-534.##

0 رتبه‌بندی شاخص‌های تاب‌آوری دشت مشهد نسبت به کاهش منابع آب زیرزمینی با روش بیزین بهترین-بدترین. Ranking of Resilience Indicators of Mashhad Plain to Groundwater Resources Reduction by Bayesian Best-Worst Method https://jwim.ut.ac.ir/article_78121.html 10.22059/jwim.2020.303387.803 0 عدم امنیت آب یک نگرانی رو به رشد در سطح جهان است، به‌ویژه برای کشورهای در حال توسعه، که در آن طیف وسیعی از فعالیت‌ها از جمله کشاورزی به سیستم‌های تأمین آب وابسته است. ایران نیز از این قاعده مستثنی نیست. برای مثال استفاده فزاینده از منابع آب‌های سطحی و زیرزمینی دشت مشهد در نتیجه توسعه کشاورزی و صنایع وابسته در این دشت منجر به تشدید روند نزولی سطح آبخوان آن شده است. از این رو تاب‌آوری دشت مشهد نسبت به کاهش منابع آب زیرزمینی مسئله‌ای بسیار مهم است. در این تحقیق سعی شده است تا با توجه به نظر کارشناسان امر و با استفاده از دو روش بیزین بهترین-بدترین و فرآیند تحلیل سلسله مراتبی، پس از تعیین متغیرهای اساسی تأثیرگذار بر مدل به تحلیل اولویت این متغیرها پرداخته شود تا بتوان با استفاده از این دانش، در آینده به تعریف استراتژی‌های اساسی برای افزایش تاب‌آوری این منابع در این دشت پرداخت. با توجه به مرور ادبیات ، این تحقیق اولین تلاش برای به کارگیری روش بیزین بهترین-بدترین در این حوزه تحقیقاتی است. نتایج این تحقیق نشان داده‌است که بترتیب نرخ تخلیه آب‌های زیرزمینی در کشاورزی (با وزن نهایی 18103/0 در بخش BWM و 21216/0 در بخش AHP)، منابع آب زیرزمینی موجود کشاورزی (با وزن نهایی 20104/0 در بخش BWM و 174165/0 در بخش AHP)، میزان تلفات آب سطحی و زیرزمینی در بخش کشاورزی (با وزن نهایی 10248/0 در بخش BWM و 0884/0 در بخش AHP)، با ترتیبی متفاوت در دو روش، بالاترین اهمیت را دارا می‌باشند. 1 Water insecurity is a growing concern worldwide, especially for developing countries, where a wide range of activities, including agriculture, depend on water supply systems. Iran is no exception. For example, the increasing use of surface and groundwater resources in the Mashhad plain as a result of the development of agriculture and related industries in this plain has led to an intensification of the declining trend of its aquifer level. Therefore, the resilience of Mashhad plain is very important in reducing groundwater resources. In this research, it has been tried to analyze the priority of these variables after determining the basic variables affecting the model, according to the opinion of experts and using the two best-worst business methods and the process of hierarchical analysis. In the future, knowledge will define the basic strategies for increasing the resilience of these resources in this plain. According to the literature review, this research is the first attempt to apply the best-worst business method in this field of research. The results of this study showed that the discharge rate of groundwater in agriculture with a final weight of 0.18103 in the BWM section and 0.21216 in the AHP section, respectively, the existing agricultural groundwater resources with a final weight of 0.0444 in the BWM section and 0.174165 in the AHP section, the amount of surface and groundwater losses in the agricultural sector with a final weight of 0.10248 in the BWM section and 0.884 in the AHP section, with different order in the two methods, are of the highest importance. 301 316 آزاده دوگانی Azadeh Dogani دانشجوی دکتری اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران ایران azadeh_dogani@yahoo.com آرش دوراندیش Arash Dourandish دانشیار گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران ایران dourandish@um.ac.ir محمد قربانی Mohmmad Ghorbani استاد گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران ایران ghorbani@um.ac.ir بیزین بهترین- بدترین تاب‌آوری منابع آب زیرزمینی دشت مشهد فرایند تحلیل سلسله‌مراتبی 1. آل محمد.، س. ملک محمدی، ب.  یاوری، ا. ر. و یزدان پناه، م. (1395). تحلیلی بر تاب­آوری منابع آب در فرایند حکمرانی سرزمین فلات ایران. راهبرد.  81 (4): 145-176.##2. باریکانی، ا.، احمدیان، م. و خلیلیان، ص. (1390). بهره‌برداری بهینه پایدار از منابع آب زیرزمینی در بخش کشاورزی: مطالعه موردی زیربخش زراعت دشت قزوین. اقتصاد و توسعه کشاورزی (علوم و صنایع کشاورزی). 25 (2): 253-262.##3. درخشان، ه.، داوری، ک. هاشمی‌نیا، م. و ضیائی، ع.ن. (1396). حداکثر خشکسالی محتمل مبنایی برای تخمین و حفظ ذخایر استراتژیک آب زیرزمینی. آب و توسعه پایدار. 4 (2): 130-121.##4. غفوری خرانق، س.، بنی حبیب، م. ا. و جوادی، س. (1398). ارزیابی سناریوهای حکمرانی آب زیرزمینی. مدیریت آب و آبیاری. 9 (2): 305-319.##5. فرزانه، م. ر.، باقری، ع. و مومنی، ف. (1398). نقد رویکرد حاکم بر طرح احیا و تعادل بخشی منابع آب زیرزمینی و پیشنهاد راهکار جایگزین جهت پیاده سازی در محدوده‌ی مطالعاتی رفسنجان. پژوهش های حفاظت آب و خاک. 26 (1): 169-185.##6. مسعودیان، م.،  و داوودی نژاد، م. (1393). روش ها و مدل های کاهش مصرف آب در بخش صنعت. دومین همایش ملی بازیافت آب راهبردی اصولی برای بحران آب. دفتر طرح کلان ملی دانش وفناوری بازیافت پساب‌های شهری صنعتی و کشاورزی دانشگاه تهران. تهران- ایران.##7. مهر آذر، آ.، مساح بوانی، ع.ر. مشعل، م. و رحیمی خوب، ح. (1395). مدل سازی یکپارچه سیستم‌های منابع آب، کشاورزی و اقتصادی- اجتماعی دشت هشتگرد با رویکرد دینامیک سیستم‌ها. مدیریت آب و آبیاری. 6 (2): 263-279.##8. مولوی، ح.، لیاقت، ع.م. و نظری، ب. (1395). ارزیابی سیاست‎های اصلاح الگوی کشت و مدیریت کم‌آبیاری با استفاده از مدل‌سازی پویایی سیستم (مطالعه موردی: حوضه‌ی آبریز ارس). مدیریت آب و آبیاری. 6 (2): 217-236.##9. Boysen, F. (2002). An overview and evaluation of composite indices of development. Journal of Social Indicators Research. 59: 115-151.##10. Cuthbert, M. O., Taylor, R. G., Favreau, G., Todd, M. C., Shamsudduha, M., Villholth, K. G. & Lawson, F. M. (2019). Observed controls on resilience of groundwater to climate variability in sub-Saharan Africa. Nature. 572 (7768): 230-234.##11. Fuchs, E. H., Carroll, K. C., & King, J. P. (2018). Quantifying groundwater resilience through conjunctive use for irrigated agriculture in a constrained aquifer system. Journal of hydrology. 565: 747-759.##12. Hashimoto, t., Stedinger, J.R. & Loucks, D.P. (1982). Reliability, Resiliency and Vulnerability Criteria for Water Resources System Performance Evaluation. Water Resources Research. 10(1): 14-20.##13. Hund, S. V., Allen, D. M., Morillas, L., & Johnson, M. S. (2018). Groundwater recharge indicator as tool for decision makers to increase socio-hydrological resilience to seasonal drought. Journal of Hydrology. 563 (5): 1119-1134.##14. Derakhshan, H., Davari, k. Hasheminia, S.M. & Naghi A. (2018). Protecting strategic growndwater reserves is essential for sustainable development. Second Conference on Non-Agent Defense and Sustainable Development. Bejing, China.##15. Intharathirat, R., & Salam, P. A. (2020). Analytical Hierarchy Process-Based Decision Making for Sustainable MSW Management Systems in Small and Medium Cities. In Sustainable Waste Management: Policies and Case Studies. Springer, Singapore.##16. Izady A., Davary K., Alizadeh A., MoghaddamNia, A., Ziaei A.N. and Hasheminia, S.M. (2013). Application of NN-ARX model to predict groundwater levels in the Neishaboor Plain, Iran. Water Resources Management. 27(14): 4773–4794.##17. Kotir, J. H., Smith, K. Brown, G. Marshall, N. & Johanstone. 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.##18. Li., R. & Merchant, J.W. (2013). Modeling vulnerability of groundwater to pollution under future scenarios of climate change and biofuels-related land use change: A case study in North Dakota, USA. Science of the Total Environment 447: 32–45.##19. Loucks, D.P. (1997). Quantifying Trends in System Sustainability. Hydrological Science Journal. 42(4): 513-530.##20. MacDonald, A. M., Bell, R. A., Kebede, S., Azagegn, T., Yehualaeshet, T., Pichon, F. & Calow, R. C. (2019). Groundwater and resilience to drought in the Ethiopian Highlands. Environmental Research Letters. 14(9): 1-9.##21. Madani, k. (2010). Towards Sustainable Watershed Management: Using System Dynamics for Integrated Water Resource Planning VDM Publishing.##22. Madani, k. (2016). Editorial. “Water Crisis in Iran: A Desperate Call for Action”. Tehran Times. May7, http://www.tehrantimes.com/news/301198/water-crisis-in-Iran-A-desperate-call-for-action.##23.Mohammadi, M., & Rezaei, J. (2019). Bayesian best-worst method: A probabilistic group decision making model. Omega. 96 (10):1-9.##24.Nadiri, A. A., Gharekhani, M., Khatibi, R., Sadeghfam, S., & Moghaddam, A. A. (2017). Groundwater vulnerability indices conditioned by supervised intelligence committee machine (SICM). Science of the Total Environment. 574:  691-706.##25. Parsons, M., & Thoms, M. C. (2017). From academic to applied: Operationalising resilience in river systems. Geomorphology. 305(3): 242-251.##26. Roach, T., Kapelan, Z. & Ledbetter, R. (2018). Resilience-based performance metrics for water resources management under uncertainty. Advances in Water Resources. 116: 18-28.##27. Samani., N. (2017). Management of Surface and Groundwater Relationship to Adapt to Water Crisis, Analytical Modeling, First Conference on Shiraz Ecological Resilience, Shiraz, Shiraz Municipality. Davos, Switzerland.##28. UNESCO-WWAP. (2012). Managing water under un- certainty and risk. The United Nations World Water Development report (WWDR). Part of the UN World Water Assessment Program me (WWAP), UNESCO. Paris.##29. Vrba., J. & Verhagen, B. (2011). Groundwater for Emergency Situations A Methodological Guide. IHP-VII Series on Groundwater. International Hydrological Programme Division of Water Sciences. (3): 1-317.##

0 بررسی اثر شیب طولی تاج سرریز لبه پهن در توزیع جریان ورودی به آبگیرهای دو‌طرف یک پیچ آبراهه Study of the effect of sloping-broad crested weir on the uniformity of flow into bilateral intakes in a channel bend https://jwim.ut.ac.ir/article_78120.html 10.22059/jwim.2020.300696.787 0 احداث سرریزها در پیچ رودخانه، مشکلاتی را از نظر عدم تقارن توزیع جریان در آبگیرهای طرفین رودخانه پدید می‌آورد. یکی از فرضیه‌ها جهت یکنواختی جریان عرضی، تغییر پروفیل تاج سرریز از حالت افقی به حالت شیبدار در عرض پیچ آبراهه است. در این تحقیق، کارکرد سرریزهای لبه پهن با تاج افقی و شیبدار در پیچ آبراهه، با هدف یکنواختی بده جریان ورودی به آبگیرهای ساحل چپ و راست، در شرایط جریان آب صاف مورد ارزیابی قرارگرفته است. کارکرد سرریز با تاج افقی و شیبدار در مدل فیزیکی مورد آزمون قرار گرفت، و مدل ریاضی FLOW-3D بر اساس این نتایج تجربی واسنجی و تأیید گردید. با اطمینان از قابلیت مدل ریاضی، سناریو‌های جدید برای بررسی اثرات پارامترهای مختلف (نظیر: موقعیت سرریز در پیچ؛ شیب تاج سرریز؛ هندسه آبگیر شامل زاویه آبگیر، عرض آبگیر و ارتفاع آستانه آبگیر؛ و شرایط جریان بالادست) مورد آزمون قرار گرفتند. نتایج نشان می‌دهد که سرریز شیبدار عملکرد بهتری در کاهش شیب عرضی در مقاطع بالادست سرریز و افزایش بده جریان به آبگیرها دارد. بهترین شرایط برای یکنواختی بده جریان در آبگیرهای طرفین پیچ آبراهه، استقرار سرریز شیبدار (با زاویه تاج 2 تا 5 درجه نسبت به افق، و شیب به سمت دیواره خارجی) در موقعیت 30 تا 60 درجه در میانه پیچ؛ با زاویه آبگیری بین صفر و 60 درجه؛ با نسبت (1:10) عرض آبگیر به آبراهه؛ و همراه با آستانه آبگیر است. زاویه آبگیری صفر درجه بهترین است، ولی برای زاویه آبگیری 90 درجه، احداث سرریز درموقعیت 30 درجه از ابتدای پیچ توصیه می شود. 1 Construction of weirs in river bends results in the non-uniformity of water flow across the channel bend and the poor performance of intake structures on both sides of the river. The main hypothesis for enhancing the uniformity is the change of the weir-crest profile from horizontal to sloping crest. The aim of the present study was to test the performance of horizontal and sloping broad-crested weirs in a channel bend under clear flow conditions, using both experimental and numerical models. The FLOW-3D model was calibrated and verified with the use of the experimental data. The numerical model was then applied for the simulation of different scenarios to test the effects of such parameters as the location of the weir at the bend; slope of the weir’s crest; geometries of bilateral intakes including alignment, width and sills; and upstream flow conditions. The results indicate that the sloping crest weir provides an enhance performance by reducing transverse gradients of water surface at upstream control section, and thereby increasing the flow rates towards the two bilateral intakes. It is concluded that a weir with sloping crest (in the range of 2º to 5º toward the outer bank of the bend), at the position of 30 to 60 degrees along the bend, with the intake angle in the range of zero and 60 degrees (respect to the main channel flow), the ratio of intake to main channel width of (1:10), and with the use of entrance sill satisfies the requirements for a better performance. The intake angle of zero is the best choice. In the case of normal intakes, the weir is recommended to be placed at 30 degrees downstream of the bend entrance. 317 330 عاطفه فرهادی بانسوله Atefeh Farhadi Bansoleh دانش‌آموخته کارشناسی ارشد، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران ایران atefeh.farhadi.b@ut.ac.ir مهدی یاسی Mehdi Yasi دانشیار، گروه مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران ایران m_yasi@yahoo.com آبگیر پیچ آبراهه سرریز با تاج شیب‌دار سرریز لبه‌پهن مدل FLOW-3D 1. ایاسه، ا. (1389). شبیه‌سازی جریان روی سرریز در پیچ یک آبراهه. پایان‌نامه کارشناسی ارشد سازه­های آبی، گروه مهندسی آب، دانشگاه ارومیه، ارومیه، ایران.##2. حسینی مبری، س. ع.، یاسی، م. (1395). کارکرد سرریزهای لبه‌کوتاه کرامپ در پیچ یک آبراهه. مجله پژوهش آب ایران. 10(1): 59 - 67.##3. رستم آبادی، م. (1392). تعیین شرایط مناسب آبگیری جانبی از پیچ با استفاده از مدل عددی. رساله دکتری آب، دانشکده عمران، دانشگاه تربیت مدرس، تهران، ایران.##4. سلامت­روندی، ن. (1390). شبیه­سازی جریان روی سرریز در پیچ یک آبراهه با استفاده از مدل عددی FLOW-3D.. پایان‌نامه کارشناسی ارشد سازه­های آبی، گروه مهندسی آب، دانشگاه ارومیه، ارومیه، ایران.##5. عبدالله‌پور، م. (1389). ارزیابی کارکرد سرریزهای لبه تیز با تاج شیب‌دار در پیچ 90 درجه. پایان‌نامه کارشناسی ارشد سازه­های آبی، گروه مهندسی آب، دانشگاه ارومیه، ارومیه، ایران.##6. فرهادی بانسوله، ع. (1397). بررسی یکنواختی بده جریان در آبگیرهای طرفین سرریز لبه‌پهن در پیچ یک آبراهه با مدل FLOW-3D. پایان‌نامه کارشناسی ارشد سازه­های آبی، گروه مهندسی آبیاری و آبادانی، دانشگاه تهران، تهران، ایران.##7. فرهادی بانسوله، ع. و یاسی، م. (1398). بررسی یکنواختی جریان در آبگیرهای طرفین سرریز لبه‌پهن در پیچ یک آبراهه. آبیاری و زهکشی ایران، 13 (5): 1294 -1306.##8. ولی­محمدی، ا. و یاسی، م. (1394). ارزیابی هیدرولیکی سرریزهای لبه‌پهن با تاج افقی و شیب‌دار در پیچ یک آبراهه. تحقیقات کاربردی مهندسی سازه‌های آبیاری و زهکشی. 16 (65): 55 - 70.##9. یاسی، م. (1367). اصلاح مسیر و حفاظت دیواره رودخانه‌ها با روش‌های طبیعی ـ ساختمانی. پایان‌نامه کارشناسی ارشد سازه­های آبی، گروه آبیاری، دانشگاه شیراز، شیراز، ایران.##10. Boss, M.G. (1989). Discharge measurement structures. Published by ILRI, Wageningen, The Netherlands, 394 p.##11. Chanel P.G., & Doering J.C. (2008). Assessment of spillway modeling using computational fluid dynamics. Canadian Journal of Civil Engineering, 35(12), 1481-1485.##12. Kumcu, S. Y. (2017). Investigation of flow over spillway modeling and comparison between experimental data and CFD analysis. ASCE Journal of Civil Engineering, 21(3), 994-1003.##13. Meireles, I., Siva, S., Viseu, T. & Sousa, V. (2014). Experimental and numerical study of water intakes: Case study of the Foz Tua hydropower plant. Proceedings of the 3rd IAHR Europe Congress. Porto, Portugal.##14. Novak, P., Moffat, A., Nalluri, C. & Narayanan, R. (2007). Hydraulic structures, Published by Taylor & Francis, USA, 725 P.##15. WGWM (1991). Guidelines for stabilizing waterways. Working Group on Waterway Management (WGWM), Rural Water Commission of Victoria, Victoria،Australia, 301 p. (https://www.worldcat.org/).##

0 بهینه‌سازی چند هدفه سیستم‌های منابع آب سدهای مارون و جره با استفاده از الگوریتم NSGA-II Multi-objective Optimization of Water Resource Systems of Jarreh and Marun Dams Using NSGA-II Algorithm https://jwim.ut.ac.ir/article_78122.html 10.22059/jwim.2020.302139.797 0 هدف از این پژوهش، توسعه یک مدل کوپل شده شبیه ساز- بهینه ساز برای برنامه ریزی و مدیریت صحیح تخصیص به منابع و مصارف بالادست تالاب شادگان است. طوری که علاوه بر حداکثر نمودن درصد تامین نیازهای حوضه در طول دوره بهره برداری، میزان شوری جریان ورودی به تالاب شادگان نیز کاهش یابد. با توجه به اهمیت این تالاب به عنوان زیستگاه فصلی پرندگان و همچنین یکی از جاذبه های مهم توریستی و لزوم حفاظت از اکوسیستم آن، توسعه یک مدل بهینه سازی کمی-کیفی برای بهره برداری بهینه از منابع آب موجود هدف این تحقیق می باشد. ابتدا بر اساس وضع موجود، مدل تهیه شده تحت عنوان سناریوی مرجع برای یک دوره30 ساله آتی(2021-2050) توسعه داده شد. برای دستیابی به بهترین عملکرد سیستم بر اساس معیارهای کمی و کیفی، بهینه سازی سیستم به کمک الگوریتمII-NSGA انجام شد. نتایج نشان داد مدل بهینه‌ساز، عملکرد خوبی در تامین نیازهای مختلف و همچنین کاهش شوری جریان ورودی به تالاب شادگان نسبت به سناریوی دارد. طوری که در سناریوی بهینه علاوه بر تامین مناسب نیازها با اطمینان پذیری بیش از92 درصد در کل سیستم، مقدار شوری رودخانه در محل ورودی به تالاب شادگان بخصوص در ماههای کم آب در حدود 50 درصد کاسته شود. مدل کوپل شده پیشنهادی در این تحقیق قابل کاربرد برای سایر مناطق مطالعاتی با رویکرد بهره برداری کمی- کیفی می باشد و قادر است نقاط بحرانی رودخانه از نظر کمی و کیفی را شناسایی و راه حل های بهینه برای بهبود وضعیت رودخانه و همچنین اکوسیستم پایین دست ارایه دهد. 1 Irregular withdrawals from water resources followed by the increase of the area of under cultivation lands and the construction of Marun and Jarahi Dams on upstream rivers of the Shadegan Wetland have led to severe hydrological changes as well as increased salinity of the wetland inflow in some periods. The aim of this study is to develop a simulator-optimizer coupling model for proper planning and management of resource allocation to the upstream of Shadegan Wetland. In addition to maximizing the supply of basin demands during the operation period, this model tries to decrease the salinity of inflow to Shadegan Wetland. Due to the importance of the wetland as a seasonal habitat for birds and also one of the important tourist attractions and Importance of Protecting the Ecosystem, the development of a quantitative-qualitative optimization model for optimal use of available water resources is the aim of this study. First, based on current conditions, the prepared model is developed as a reference scenario for a future 30-year period (2021 to 2050). To achieve the best system efficiency in terms of quality and quantity, the optimization is performed by means of the NSGA-II algorithm. The results indicate that the optimizer model performs appropriately in supplying various demands and also decreasing the salinity of the inflow to Shadegan Wetland compared to the reference scenario so that in addition to supplying the demands with more than 92% reliability in the whole system, it is expected that the salinity of the river at the entrance to Shadegan Wetland to be reduced by about 50%., especially in low water months. The coupling model proposed in this research is applicable for other study areas with quantitative-qualitative exploitation approach and is able to detect critical points of rivers in terms of quantity and quality. This model has also the capability of providing optimal solutions for improving river conditions as well as downstream ecosystems. 331 346 زهرا گورانی Zahra Goorani کارشناس ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشگاه رازی، کرمانشاه، ایران ایران zahra.goorani.ac@gmail.com سعید شعبانلو Saeid Shabanlou دانشیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران ایران saeid.shabanlou@gmail.com تالاب شادگان کوپل شبیه‌ساز- بهینه‌ساز نیاز زیست‌محیطی NSGA-II 1. آذری آ. آخوندعلی ع.م. رادمنش ف. و حقیقی ع. (1393) مدیریت کیفیت و آلودگی رودخانه در شرایط بهره‌برداری تلفیقی منابع آب سطحی و زیرزمینی (بازه سد دز تا بند قیر). هفتمین همایش ملی و نمایشگاه تخصصی مهندسی محیط زیست، دانشگاه تهران، تهران، ایران.##2. اکبرپور م. ابراهیمی ک. و هورفر ع. (۱۳۹۲) بهره‌برداری تلفیقی از منابع آب سطحی و زیرزمینی با رویکرد کمی و کیفی (مطالعه موردی دشت یزد- اردکان). پنجمین کنفرانس مدیریت منابع آب ایران، تهران، انجمن علوم و مهندسی منابع آب ایران، دانشگاه شهید بهشتی، تهران، ایران.##3. بازرگان لاری م. کراچیان ر. صدقی ح. فلاح نیا م. عابد علم دوست ا. و نیکو، م. (1389). تدوین قوانین احتمالاتی برای بهره‌برداری بهینه کمی- کیفی از منابع آب سطحی و زیرزمینی در زمان واقعی (کاربرد ماشین‌های بردار پشتیبان). آب و فاضلاب. (4) 21: 69-54.##4. رضوی طوسی س.ل. و محمدولی سامانی ج. (1392) اولویت‌بندی مدیریتی تعدادی از حوضه‌های آبریز کشور با استفاده از روش‌های فرایند تحلیل شبکه‌ای (ANP) و الگوریتم ترکیبی جدید براساس ANP-TOPSIS فازی. مدیریت آب و آبیاری، (2) 3: 75-90.##5. غزالی م. روزبهانی ع. هنر ت. و محمدی ف. (1394) اولویت‌بندی سناریوهای تخصیص آب سد زاینده رود به مصرف‌کنندگان مختلف؛ با رویکرد مدل‌های خبرۀ تصمیم‌گیری چند شاخصه. مدیریت آب و آبیاری، (1) 5: 97-113.##6. مهر آذر آ. مساح بوانی ع. مشعل م. و رحیمی خوب ح. (1395) مدل‎سازی یکپارچة سیستم‎های منابع آب، کشاورزی و اقتصادی-اجتماعی دشت هشتگرد با رویکرد دینامیک سیستم‎ها. مدیریت آب و آبیاری، (2) 6: 263-280.##7. Ahmadianfar, I., Adib, A., & Salarijazi, M. (2015). Optimizing multireservoir operation: hybrid of bat algorithm and differential evolution. Journal of Water Resources Planning and Management. 142 (2): 50150-10.##8. Arthington, A., Stuart, B., Robert, J. N., & LeRoy, P. (2006). The Challenge of Providing Environmental Flow Rules to Sustain River Ecosystems. Ecological Applications. 16: 1311-18.##9. Azari, A., Hamzeh, S., & Naderi, S. (2018). Multi-Objective Optimization of the Reservoir System Operation by Using the Hedging Policy. Water Resources Management. 32 (6): 2061-78.##10. Cai, W., Zhang, L., Zhu, X., Zhang, A., Yin, Y., & Wang, H. (2013). Optimized Reservoir Operation to Balance Human and Environmental Requirements: A Case Study for the Three Gorges and Gezhouba Dams, Yangtze River Basin, China. Ecological Informatics. 18: 40-48.##11. Cardwell, H., Jager, H. I. & Sale, M.J. (1996). Designing Instream Flows to Satisfy Fish and Human Water Needs. Water Resources Planning and Management. 22 (5): 356-363.##12. Carpitella, S., Brentan, B., Montalvo, I., Izquierdo, J., & Certa, A. (2019). Multi-criteria analysis applied to multi-objective optimal pump scheduling in water systems. Water Supply. 19 (8): 2338-2346.##13. Chen, D., Chen, Q., Leon, A. S., & Li, R. (2016). A Genetic Algorithm Parallel Strategy for Optimizing the Operation of Reservoir with Multiple Eco-Environmental Objectives. Water Resources Management. 30 (7): 2127-2142.##14. Chen, Q., Chen, D., Han, R., Li, R., Ma, J., & Blanckaert, K. (2012). Optimizing the Operation of the Qingshitan Reservoir in the Lijiang River for Multiple Human Interests and Quasi-Natural Flow Maintenance. Environmental Sciences. 24 (11): 1923-28.##15. Chen, D., Huang, G., Chen, Q., & Jin, F. (2010). Implementing Eco-Friendly Reservoir Operation by Using Genetic Algorithm with Dynamic Mutation. International Conference on Intelligent Computing for Sustainable Energy and Environment, International Conference on Life System Modeling and Simulation, Heidelberg, Berlin, 509-516.##16. Homa, E. S., Vogel, R. M., Smith, M. P., Apse, C. D., Huber-Lee, A., & Sieber, J. (2005). An Optimization Approach for Balancing Human and Ecological Flow Needs. World Water and Environmental Resources Congress., 1-12.##17. Hu, M., Huang, G. H., Sun, W., Ding, X., Li, Y. P., & Fan, B. (2016). Optimization and Evaluation of Environmental Operations for Three Gorges Reservoir. Water Resources Management. 30 (10): 3553-76.##18. Jackson, R. B., Carpenter, S. R., Dahm, C. N., Mcknight, D. M., Naiman, R. J., Postel, S. L., & Running, S. W. (2001). Water in a Changing World. Ecological Applications. 10 (3): 689-710.##19. Jager, H. I., & Smith, B. T. (2008). Sustainable Reservoir Operation: Can We Genarate Hydropower And Preserve Ecosystem Values. River Research and Applications. 24 (3): 340-352.##20. King, J., Brown, C., & Sabet, H. (2003). A Scenario-Based Holistic Approach to Environmental Flow Assessments for Rivers. River Research and Applications. 19 (5-6): 619-39.##21. LeRoy, P. N., Allan, J. D., Bain, M. B., Karr, J. R., Prestegaard, K. L., Richter, B. D., Sparks, R. E., & Stromberg, J. C. (1997). The Natural Flow Regime A Paradigm for River Conservation and Restoration. BioScience. 47 (11): 769-784.##22. Li, R., Chen, Q., & Duan, C. (2011). Ecological Hydrograph Based on Schizothorax Chongi Habitat Conservation in the Dewatered River Channel between Jinping Cascaded Dams. Science China Technological Sciences. 54 (S1): 54-63.##23. Luo, J., Chen, C., & Xie, J. (2014). Multi-Objective Immune Algorithm with Preference-Based Selection for Reservoir Flood Control Operation. Water Resources Management. 29 (5): 1447-1466.##24. Mao, J., Zhang, P., Dai, L., Dai, H., & Hu, T. (2016). Optimal Opeartion of a Multi-Reservoir System for Environmental Water Demand of a River-Connected Lake. Hydrology Research. 47 (S1): 206-224.##25. Nikolic, V. V., & Simonovic, S. P. (2015). Multi-Method Modeling Framework for Support of Integrated Water Resources Management. Environmental Processes. 2(3): 461-483.##26. Rafiee Anzab, N., Mousavi, S.J., Rousta, B.A., & Kim, J.H. (2016). Simulation Optimization for Optimal Sizing of Water Transfer Systems. In: Proceedings of the 2nd International Conference on Harmony Search Algorithm (ICHSA2015). 382: 365-375.##27. Shiau, J., & Wu, F. (2004). Assessment Of Hydrologic Alterarions Caused By CHI-CHI Diversion Weir In CHOU-SHUI Creek , Taiwan : Opporyunities For Restoring Natural Flow Conditions. River Research and Applications. 20 (4): 401-412.##28. Shiau, J., & Wu, F. (2007). Pareto‐optimal solutions for environmental flow schemes incorporating the intra‐annual and interannual variability of the natural flow regime. Water Resources Research. 43 (433): 1-12##29. Sieber, J., & Purkey, D. (2015). User guide for WEAP. Stockholm Environment Institute, U.S. Center.##30. Suen, J., & Eheart, J. W. (2006). Reservoir Management to Balance Ecosystem and Human Needs : Incorporating the Paradigm of the Ecological Flow Regime. Water Resources Research. 42 (3): 1-9.##31. Tennant, D.L. (1976). Instream flow regimens for fish, wildlife, recreation and related environmental resources. Fisheries. 1 (4): 6-10.##32. Tisdell, J. (2010). Acquiring Water for Environmental Use in Australia : An Analysis of Policy Options. Water Resources Management. 24 (8): 1515-1530.##33. Wang, R., & Lu, X. (2009). Quantitative Estimation Models and Their Application of Ecological Water Use at a Basin Scale. Water Resour Manage. 23 (7): 1351-1365.##34. Whiting, P. J. (2002). Streamflow Necessary for Environmental Maintenance. Annual Review of Earth and Planetary Sciences. 30 (1): 181-206.##35. Zeinali, M., Azari, A., & Heidari, M.M. (2020). Multi-objective optimization for water resource management in low flow areas based on a coupled surface water-groundwater model. Water Resources Planning and Management. 146 (5): 040200-20.##

0 بررسی نقش بازار در تخصیص بهینه آب در دشت شازند The role of market in optimum allocation of water in Shazand plain https://jwim.ut.ac.ir/article_78132.html 10.22059/jwim.2020.307574.812 0 کمبود منابع آب یکی از مهم‌ترین چالش­ها­ی مدیریت آب در کشور است. این چالش با توجه به افزایش روز­افزون تقاضا به‌دلیل رشد جمعیت و توسعه بخش کشاورزی بیش‌تر اهمیت می­یابد. تلقی از آب به‌عنوان یک کالای باارزش و­دارای قیمت واقعی،­ می­تواند راه مناسب مصرف و مشوقی برای ذخیره و حفاظت آن را فراهم کند. هدف این مقاله بررسی نقش بازار ­در ­تخصیص بهینه آب در دشت شازند است. ­­تغییرات سطح زیرکشت محصولات آبی و سود ناخا­­لص­ در دو ­حالت (وجود بازار آب و عدم وجود بازار آب) در سال زراعی 1398-1397 با استفاده از نرم‌افزار گمز1 و به‌روش برنامه‌ریزی ریاضی مثبت محاسبه و مقایسه گردید.­­ داده‌ها­ی موردنیاز به‌صورت کتابخانه‌ای از سازمان آب منطقه­ا­ی، جهاد کشاورزی و سازمان مدیریت و برنامه‌ریزی استان­مرکزی تهیه گردیده است. نتایج نشان می­دهد  که برقراری بازار آب،­ تأثیر مثبت 33/4 درصدی در سود ناخالص کشاورزان منطقه خواهد داشت.­­ هم‌چنین کشت محصولاتی نظیر گندم، جو، لوبیا چیتی، نخود، لوبیای سفید و عدس سودآوری بیش‌تری برخوردار هستند و ­­می­توانند سطح زیرکشت بیش‌تری را به‌خود اختصاص دهند. براساس نتایج، پیشنهاد می­­شود جهت مدیریت بهینه تقاضای آب در اراضی­شازند، بستر لازم برای شکل‌گیری بازار آب فراهم گردد­ و­ کشاورزان ­منطقه باید محصولات صادرات­گرا و تجاری مانند لوبیای چیتی، لوبیای سفید، نخود و عدس و ... را که از سودآوری بیش‌تری برخوردار است را جایگزین محصولات با مصرف بالای آب و سود پایین کنند. 1 Lack of water resources is one of the most important challenges in water management in the country, which is becoming more important due to increasing demand due to population growth and agricultural development. Considering water as a valuable and real-price commodity can provide a good way of consumption and incentives to store and protect it. The purpose of this article is to investigate the role of the market in the optimal allocation of water in the Shazand plain. Changes in the area under cultivation of irrigated crops, yield in two cases (existence of water market and absence of water market) in the crop year 2018-2019 were calculated and compared using Gamz software and positive mathematical programming method. Requirements have been prepared as a library from the Regional Water Organization, Agricultural Jihad and the Management and Planning Organization of Markazi Province. The results show that the establishment of a water market will have a positive effect of 4.33% on the gross profit of farmers in the region. Also, growing crops such as wheat, barley, pinto beans, chickpeas, white beans and lentils are more profitable and can take up more cultivation area. Based on the results, it is suggested that in order to optimally manage water demand in Shazand lands, the necessary basis should be provided for the formation of water market and farmers in the region should export and trade products such as pinto beans, white beans, chickpeas and lentils, etc. To replace more profitable products with high water consumption and low profit. 347 363 مجید کارخانه Majid Karkhaneh دانشجوی دکتری اقتصاد، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران ایران majidkarkhaneh@gmail.com احمد سرلک Ahmad Sarlak استادیار، گروه اقتصاد، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران ایران a-sarlak@iau-arak.ac.ir کامبیز هژبر کیانی Kambiz Hozhbar Kiani استاد گروه اقتصاد، دانشگاه شهید بهشتی، تهران، ایران ایران khkiani@yahoo.com بازار آب برنامه‌ریزی ریاضی مثبت سود ناخالص منطقه شازند 1. ابوالحسنی، ل. شاهنوشی، ن. رهنما، ع. اعظم رحمتی، ا و حیران، ف. (1398). نقش تشکیل بازار آب در میزان استفاده از منابع آبی در بخش کشاورزی (مطالعه موردی: دشت مشهد). اقتصاد کشاورزی و توسعه. 5 (106): ‏30-1.##2. اسمعیل‌نیا بالا گتابی، ف. سرلک، ا و غفاری، ه. (1398). بررسی آثار اقتصادی و رفاهی بازار آب: رویکرد مدل برنامه‌ریزی ریاضی مثبت. فصلنامه مدل‌سازی اقتصادی.12(42): 136-119.##3. بهلولوند، ع. صدر، ک. هاشمی، 1. (1393). بررسی نقش بازارهای آب کشاورزی در قیمت‌گذاری و تخصیص منابع آب (مطالعه موردی: بازار آب مجن). تحقیقات اقتصاد و توسعه کشاورزی ایران. 4(45): 48-26.##4. پرهیزکاری، ا. یاوری، غ. محمودی، ا و بخشی خانیکی، غ. (1398). مدل‌سازی بیوفیزیکی- اقتصادی جامع اقلیم و کشاورزی (مطالعه موردی: حوضه آبخیز رودشور). فصلنامه مدلسازی اقتصادی، 13(46): 144-121.##5. چیمه، ط. ابراهیمی، ک. هورفر، ع و عراقی‌نژاد. ش. (1393). ارزیابی ارزش اقتصادی آب کشاورزی با رویکرد قیمت‌گذاری براساس نوع محصول در دشت قزوین. پژوهش آب در کشاورزی (علوم خاک و آب)، 28 (1): 181-171.##6. خواجه روشنایی، ن. دانشور کاخکی، م و محتشمی برزادران، غ. (1389). تعیین ارزش اقتصادی آب در روش تابع تولید با به‌کارگیری مدل‌های کلاسیک و آنتروپی­ (مطالعه موردی: محصول گندم در شهرستان مشهد).اقتصاد و توسعه کشاورزی، 24 (1): 113-119.##7. سازمان مدیریت و برنامه‌ریزی استان مرکزی. (1398). گزارش اقتصادی، اجتماعی­و فرهنگی استان مرکزی در سال 1397. 65-11.##8. صدر،‌ ک. (1375). بازار و نرخ‌گذاری آب در اسلام (تجربه ایران)، فصلنامه آب و توسعه،‌ 7 (3): 96-87.##9. وزارت نیرو. (1382). نقش نهاد بازار و بخش عمومی در مدیریت و توسعه پایدار بخش آب، شرکت سهامی مدیریت منابع آب ایران، دفتر اقتصاد آب، 25-10.##10. کرامت‌زاده، ع. چیذری، ا و شرزه‌ای، غ. (1390). نقش بازار آب در تعیین ارزش اقتصادی آب کشاورزی با رهیافت برنامه‌ریزی PMP (مطالعه موردی: اراضی پایین‌دست سد شیرین دره بجنورد). تحقیقات و توسعه کشاورزی ایران. 24 (1): 44- 29.##11. نظری، م. (1395). بازار آب در تئوری و عمل: شکست بازار و سیاست عمومی. آب و توسعه پایدار، 3 (1): 114-103.##12. وزارت نیرو، (1398).­ مدیریت منابع آب ایران، گزارش عملکرد سال 1397­:42­-21.##13. Adapa, S., Bhullar, N., & Souza, S.V. (2016). A systematic review and agenda for using alternative water sources for consumer markets in Australia. Journal of Cleaner Production, 124(15): 14-20.##14. Al-Ansari, N., Alibrahiem, N., Alsaman, M., & Knutsson, S. (2014). Water Demand Management in Jordan.   Engineering, 6(1): 19-26.##15. Al-Weshah, R. A. (2001).  Optimal use of irrigation water in the Jordan valley: A case Study. Water resources management, 14(5): 327-338.##16. Arfini, F., Donati, M., & Paris, Q. (2003). A national PMP model for policy evaluation in agriculture using micro data and administrative information. Paper presented at the International Conference Agricultural Policy reform and the WTO: Where are we heading Capri, Italy, 1-27.##17. Brozovic, N., Carey, J. M., & Sunding, D. L. (2002). Trading Activity in an Informal Agricultural Water Market: An Example form California. University of California.##18. Calatrava, J., & Garrido, A. (2005). Modeling water markets under uncertain water supply, European Review of Agricultural Economics, 32(2): 119-142.##19. Chakravorty, U., Hochman, E., Umestu, C., & Zilberman, D. (2008). Water allocation under distribution losses: Comparing alternative institutions. Journal of Economic Dynamics and Control, 33(2): 463-475.##20. Easter, K.W., Rosegrant, M.W., & Dinar, A. (1999). Formal and Informal markets for Water: Institutions, Performance, and Constraints, The World Bank Research Observer, 14(1): 99-116.##21. Ejaz Qurashi, M., & Ranjan, R. (2010). An Empirical Assessment of the Value of Irrigation Water: The Case of Murrumbidgee Catchment. Australian Journal of Agricultural and Resource Economics, 54(1): 99-118.##22. Filippo P., Abrahama, E., & Stoianova, I. (2015). Mathematical programming methods for pressure management inwater distribution systems Procedia.  Engineering. 9(11):  937-946##23. Francesco, S., Dionisio, P., Carlos, G., & Vito, F. (2020). An ensemble experiment of mathematical programming models to assess socio-economic effects of agricultural water pricing reform in the Piedmont Region, Italy. Journal of Environmental Management, 17(3): 11-29.##24. Ghahraman, B., & Sepaskhah, A.R. (2004). Linear and non- linear models for allocation of a limited water supply. Irrigation and drainage, 53(1): 39-54.##25. Harris, G.D., (2003). Water Markets: Case study of chile`s Pontificia Universidad Catolica de, Faculty of Agriculture and Foresty, Department of Agricultural Economics, Santiago.##26. Hearne, R., & Easter, W. (1995). Water Allocation and Water Markets, an Analysis of Gains-from-trade in Chila, world bank technical paper number 315, World Bank Publications, Washington, D.C.##27. Howitt, R.E. (1995). A Calibration Method for Agricultural Economic Production Models. Journal of Agricultural Economics, 46(2):147-159.##28. Howitt, R.E., Medeline, A., Macewan, D., & Lund, J. R. (2012).  Calibrating disaggregate economic models of agricultural production and water management. Environmental Modelling & Software, 38: 244-258.##29. Hwarang, L., JiyongEomb, C., & Yoonmo, K. (2019). A bottom-up model of industrial energy system with positive mathematical programming. Energy, 173(3): 679-690.##30. Kemper, K.E. (2001). The role of institutional arrangements for more efficient water resources use and allocation.  Water science and technology, 43(4): 111-17.##31. Kemper, K.E., & Simpson, L.D. (1998). The water market in the northern Colorado water conservancy district- institutional implications. World Bank. Washington.##32. Liang, T.G. (2013). Trading and Economic Efficiency in Selected Victorian Water Markets in Australia. Thesis presented for the degree of Doctor of Philosophy, Murdoch University.##33. Louw, D.B., & van Schalkwyk, H.D.  (2001). Efficiency of water allocation in South Africa: water markets az an alternative, university of the free state, south Africa.##34. Medellín-Azuara, J., Harou, J., & Howitt, R.E. (2010). Estimating economic value of agricultural water under changing conditions and the effects of spatial aggregation. Science of the Total Environment, 408(23): 5639-5648.##35. Mohanty, N., & Gupta, S. (2003). Breaking the Gridlock in Water Reforms through Water Markets: Internatinal Experience and Implementation Issues for India.##36. Mora, N.H., & Moral, L.D. (2015). Developing markets for water reallocation: Revisiting the experience of Spanish water Mercantilización. Geoforum, 62: 143-155.##37. Palmer-Jones, P.W.E. & Spon, F.N. (1997). Ground Water Management in South Asia: what role for the market? , Water economics, management and demand, 32(2): 19-32.##38. Paris, Q., & Howitt, R.E. (1998). An Analysis of Ill-Posed Production Problems Using Maximum Entropy. American Journal of Agricultural Economics, 80(1): 124-138.##39. Pérez-Blancoa, B., & Standardi, G. (2019). Farm waters run deep: a coupled positive multi-attribute utilityprogramming and computable general equilibrium model to assess theeconomy-wide impacts of water buyback. Agricultural Water Management. 2(13): 336-351.##40. Pujol, J., Raggi, M. & Viaggi, D. (2006). The potential impact of markets for irrigation Water in Italy and Spain: a comparison of two study areas. The Australian Journal of Agricultural and Resource Economics, 5(3): 361-380.##41. Ramiro, C., Dionisio, C., Gutiérrez, M., & Gabriele, S. (2019). Micro-macro feedback links of agricultural water management: Insights from a coupled iterative positive Multi-Attribute Utility Programming and Computable General Equilibrium model in a Mediterranean basin. Journal of Hydrology, (56)9: 291-309.##42. Roham, O., & Dabbert, S. (2003). Integrating Agri -Environmental Programs into Regional production Models: an Extension of Positive Mathematical Programming. American Journal of Agricultural Economics, 85(1): 254-265.##43. Solanz, M., & Jouravlev, A. (2006). Water Rights and Water Markets: Lessons from Technival Advisory Assistance in Latin America. Irrigation and Drainage, 55: 337-342.##44. Weinberg, M., Kling, C.L., & Wilen, J. E. (1993). Water markets and water quality. American Journal of Agriculture Economics, 75(2): 278-291.##