آب و هواشناسی
علی زارعی؛ اسداله خورانی
چکیده
مطالعه حاضر با هدف شناسایی تاثیرگذارترین متغیر اقلیمی بر مصرف انرژی الکتریکی بخش مسکونی و همچنین معرفی بهترین مدل در برآورد مصرف، با استفاده از مدل‌سازی مصرف انرژی الکتریکی انجام شده است. داده‌های اقلیمی برای سال‌های 2003 تا 2022 از مرکز پیش‌بینی میان مدت وضع هوا (ECMWF) و همچنین دادهای مصرف سالیانه انرژی الکتریکی بخش مسکونی به تفکیک ...
بیشتر
مطالعه حاضر با هدف شناسایی تاثیرگذارترین متغیر اقلیمی بر مصرف انرژی الکتریکی بخش مسکونی و همچنین معرفی بهترین مدل در برآورد مصرف، با استفاده از مدل‌سازی مصرف انرژی الکتریکی انجام شده است. داده‌های اقلیمی برای سال‌های 2003 تا 2022 از مرکز پیش‌بینی میان مدت وضع هوا (ECMWF) و همچنین دادهای مصرف سالیانه انرژی الکتریکی بخش مسکونی به تفکیک استان‌های ایران، از توانیر دریافت شد. به منظور بررسی روند، از آزمون ناپارامتریک من-کندال استفاده گردید و برای مدل‌سازی مصرف انرژی الکتریکی، از مدل‌های، رگرسیون خطی چندگانه(MLR) ، شبکه‌های عصبی مصنوعی (ANN)، ماشین بردار پشتیبانی (SVM) و جنگل تصادفی (RF) استفاده شد. نتایج نشان داد که همبستگی میان مصرف انرژی الکتریکی بخش مسکونی و دمای‌کمینه و بیشینه، در تمام استان‌های کشور مثبت و رابطه مصرف انرژی الکتریکی با شاخص UTCI در استان‌های مختلف، مقادیر مثبت و منفی را به خود اختصاص داده است. به طوری که در 22 استان همبستگی مثبت و در 9 استان همبستگی منفی می‌باشد. نتایج حاصل از برسی روند تغییرات نشان داد که دمای‌کمینه، دمای بیشینه و انرژی الکتریکی، در همه استان‌ها روند افزایشی داشته است اما شاخص UTCI، روند منفی را هم در تعدادی از استان‌ها ثبت کرده است. همچنین رابطه‌ای که از مدل رگرسیونی گام به گام حاصل شد، نشان داد که در 23 استان، تنها متغیر تاثیرگذار، دمای کمینه می‌باشد. در استان‌های اصفهان، خراسان جنوبی و کرمان، متغیر‌های دمای‌کمینه و شاخص UTCI به عنوان متغیر تاثیرگذار شناخته شد. در استان‌های اردبیل، گیلان و گلستان، تنها دمای بیشینه وارد معادله گردید. نتایج حاصل از مدل‌سازی نشان داد، مدل ANN عملکرد بهتری را نسبت به سه مدل دیگر داشته است. به طوری که بیشترین ضریب همبستگی با 79/0 و حداقل خطا با 360 را ثبت کرده است. مدل‌های MLR، SVM و RF به ترتیب عملکرد بهینه، در رتبه‌های بعدی قرار دارند.
ژئومورفولوژی
معصومه رجبی؛ شهرام روستایی؛ محسن برزکار
چکیده
اولویت بندی زیر حوضه‌ها از نظر پتانسیل سیل خیزی تأثیر مهمی در مدیریت حوضه آبریز دارد. هدف از اولویت بندی سیل خیزی در زیر حوضه‌ها ارائه الگویی برای کنترل و کاهش خطرات سیل و ارزیابی نقش هر یک از زیر حوضه‌ها در دبی اوج هیدروگراف سیلاب خروجی از حوضه می‌باشد. در این پژوهش پتانسیل سیل خیزی زیر حوضه‌های رودخانه زاب بر اساس پارامترهای 12 ...
بیشتر
اولویت بندی زیر حوضه‌ها از نظر پتانسیل سیل خیزی تأثیر مهمی در مدیریت حوضه آبریز دارد. هدف از اولویت بندی سیل خیزی در زیر حوضه‌ها ارائه الگویی برای کنترل و کاهش خطرات سیل و ارزیابی نقش هر یک از زیر حوضه‌ها در دبی اوج هیدروگراف سیلاب خروجی از حوضه می‌باشد. در این پژوهش پتانسیل سیل خیزی زیر حوضه‌های رودخانه زاب بر اساس پارامترهای 12 گانه مورفومتری ، اولویت بندی زیر حوضه‌های آبریز زاب بر اساس روش ترکیبی آنالیز مورفومتریک و همبستگی آماری انجام شد. در ابتدا مقادیر 12 پارامتر مورفومتری و شاخص (Cv) محاسبه شده است. سپس ارتباط بین پارامترهای مورفومتریک و تعیین وزن تأثیر هر یک از آنها با استفاده از تای کندال و آنالیز مجموع وزنی (WSA) تحلیل شد. در نهایت شاخص اولویت بندی زیر حوضه‌های آبریز (SWPI) بر اساس روش ترکیب خطی وزنی (WLS) برای هر یک از زیر حوضه ها محاسبه شد. به منظور اعتبار سنجی نتایج از داده های موقعیت سیل های مخرب گذشته در حوضه آبریز زاب استفاده گردید. نتایج نشان داد که در روش پتانسیل سیل خیزی که بر اساس 12 پارامتر مورفومتری محاسبه شده زیر حوضه‌های شین آباد و صوفیان دارای پتانسیل زیاد سیل خیزی، زیر حوضه زاب کوچک دارای پتانسیل متوسط و زیر حوضه‌های کوپر و لاوین چای دارای پتانسیل کمی برای سیل خیزی می‌باشند. در واقع 83/33% مساحت حوضه زاب دارای پتانسیل خطر زیاد، 28/14% دارای پتانسیل خطر متوسط و 88/51% دارای پتانسیل خطر کم می‌باشد. نتایج حاصل از پارامترهای مورفومتری و همبستگی آماری نشان داد به ترتیب زیر حوضه‌های شین آباد و صوفیان با مقادیر 67/24 و 46/23 اولویتدارترین زیر حوضه‌ها شناسایی شدند. مقایسه نتایج دو روش با شرایط مورفومتری و ژئومورفولوژی زیر حوضه‌ها نشان می‌دهد نتایجی که با تکیه بر 12 پارامتر مورفومتری حاصل شده است تطبیق بیشتری با شرایط ژئومورفیک حوضه دارد
