بهینه‌سازی الگوی کشت بر اساس مقادیر پیش‌بینی‌شده جریان رودخانه (مطالعه موردی رودخانه صوفی‌چای و شبکه آبیاری پایین‌دست)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری

2 دانشیار گروه سازه‌های آبی دانشکده کشاورزی دانشگاه تربیت مدرس

3 کارشناس ارشد شرکت مهندسین مشاور آب- خاک تهران، کرج

چکیده

تعیین سطح زیر کشت بر اساس منابع آب موجود در شرایط مختلف و به ویژه در شرایط خشکسالی،
اهمیت زیادی دارد.  در این تحقیق با استفاده از روش­های مناسب برای پیش‌بینی جریان ورودی به سد در
سال آتی و با استفاده از مدل­های بهینه‌سازی، سطح زیر کشت محصولات زراعی زیر شبکة آبیاری صوفی‌چای
که سد علویان منبع اصلی تأمین آب آن است، تعیین شد.  در این خصوص، ابتدا جریان ورودی به سد برای
شش ماه اول سال با استفاده از روش شبکه عصبی مصنوعی پیش‌بینی شد و رابطة جریان آب در شش ماه دوم با شش ماه اول به دست آمد.  نتایج نشان داد که برای پیش‌بینی در سال­های خشک و تر لازم است از روش‌ متفاوتی استفاده شود.  در مرحلة بعد، مدل بهینه‌سازی برای شرایط منطقة طرح تهیه و سطح زیر کشت با توجه به مقادیر پیش‌بینی شده و با هدف حداکثر کردن درآمد خالص محاسبه شد.  نتایج استفاده از روش‌شناسی فوق برای دورة آماری موجود از منطقه نشان می­دهد که این روش به طور مطلوبی توانسته‌است سطح زیر کشت را تعیین کند و به عنوان طرح قابل اجرا در مدیریت بهینة منابع آب و به خصوص طرح­های مقابله با تأثیرات خشکسالی کارا باشد.

کلیدواژه‌ها


Adanvar, H. 1997. Mathematical model for optimum application of soil and water resources in irrigation networks. Water Resources Conference. www.irandoc.ac.ir. (in Farsi)

Anon. 2000. ASCE. I. Artificial neural networks in hydrology, I: Preliminary concepts. J. Hydrologic Eng. 5 (2): 115-123.

Asgharpour, M. J. 1993. Linear Programming. Tehran University Pub. (in Farsi)

Coulibaly, P., Anctil, F. and Bobee. 2000.  Daily reservoir inflow forecasting using artificial neural network with stopped training approach. J. Hydrol. 230: 244-257.

Coulibaly, P., Anctil, F. and Bobee. 2001. Multivariate reservoir inflow forecasting using temporal neural networks. J. Hydrologic Eng. 5(2): 115-123.

Danh, N. T. and Gupta, A. 1999.  Neural networks modelsfor river flow forecasting. Water Sa, [On-Line], 25. Available on the URL: http://wrc.org.za

Eckert, J. B. and Wang, E. 1992. Effects of irrigation water supply variation on limited resource farming in Conejo County, Colorado. Water Resources Res. 229- 235.

Ghahreman, B. 2000. Allocation of the optimum irrigation water for crops from a single-objective reservoir, using stochastic- deterministic programming. Ph.D. Thesis. Shiraz University. Shiraz. Iran. (in Farsi)

Haouari. and Azaiez, M. 2001. Optimal cropping patterns under water deficits. European J. Operational Res. 130: 133-146.

Hargreaves, G. H. and Samani, Z. A. 1982. Estimating potential evapotranspiration, J. Irrig. and Drain. Eng. 8(3): 25-230.

Hsu, K., Gupta, H. V. and Sorooshian, S. 1995. Artificial neural network of the rainfall-runoff process. Water Resources Res. 31: 2517-2530.    

Jain, S. K., Das, A. and Sirvastava, D. K. 1999.  Application of ANN for reservoir inflow prediction and operation. J. Water Resource Planinig and Management. 125: 263-271.

Karamouz, M., Hock, M. H. and Delleure, J. W. 1992. Optimization and simulation of
multiple reservoir systems. J. Water Resources Planning and Management. 118: 71-81.

Morid, S. 2003. Streamflow forecast to Alavian Dam. Design of dynamic model for operational of Alavian Dam and allocation of the optimum water for the down stream demand sites. Vol. 1.  Tehran Ab o Khak Consulting Engineers Company. (in Farsi)

Nejatpour, H. 1999. Optimum operation of water resources, using deficit irrigation. M.Sc. Thesis. Shiraz University. Shiraz. Iran. (in Farsi)

Rahimi, M. A. and Bagheri, M. R. 2003. Evaluation of operation of Alavian dam during 1997 to 2001. Design of dynamic model for operational of Alavian dam and allocation of the optimum water for the down stream demand sites. Vol. 3. Tehran Ab o Khak Consulting Engineers Company.
(in Farsi)

Rahimi, M. A. and Nikbakht, N. 2002. Water requirement for cropping pattern of the study area. Design of dynamic model for operational of Alavian Dam and allocation of the optimum water
for the down stream demand sites. Vol. 2. Tehran Ab o Khak Consulting Engineers Company.
(in Farsi)

Sajikumar, N. and Thandaveswara, B. S. 1999. A non- linear rainfall- runoff model using artificial neural networks. J. of Hydrol. 216: 32- 55.

Salas, J. D., Markus, M. and Tokar, A. S. 2000.  Streamflow Forecasting Based on Artificial Neural Networks. In: Govindaraju, R. S. and Ramachandra, A. (Eds.) Artificial Neural Networks in Hydrology. West Lafayette Indiana. USA. 23-51.

Soltani, S. 2002. Assessment of artificial neural networks in forecasting short-term streamflows.
M.Sc. Thesis. Faculty of Agriculture. Tarbiat Modares University. Tehran. Iran. (in Farsi)

Zealand, C. M., Burn, D. and Simonovic, S. P. 1999. Short term stream flow forecasting using artificial neural networks. J. Hydrol. 214: 32-48.