مقایسه ی سهم زیرحوضه ها در فرسایش و رسوب با استفاده از مدل های ترکیبی و الگوریتم ژنتیک (مطالعه ی موردی: حوضه ی آبخیز تنگ بستانک، استان فارس)
محل انتشار: مجله هیدروژیومورفولوژی، دوره: 4، شماره: 12
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 222
فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_HYD-4-12_004
تاریخ نمایه سازی: 4 بهمن 1401
چکیده مقاله:
چکیده روش انگشتنگاری رسوب بر پایهی ردیابهای ژئوشیمیایی، آلی، نسبتهای ایزوتوپی و نیز استفاده از مدلهای ترکیبی مختلف باعث شناخت سهم منابع مختلف رسوب در یک ناحیه میشود. در تحقیق حاضر با استفاده از ترکیب بهینهی ردیابهای آلی و نسبتهای ایزوتوپی اقدام به تفکیک منابع مختلف فرسایش، تولید رسوب و سپس تعیین سهم این منابع با استفاده از مدلهای کالینز (Collins)، کالینز اصلاحشده (M Collins)، موتا (Motha)، لاندور (Landwehr) و اسلاتری (Slattery) در دو واحد سازندها و کابریهای اراضی بر پایهی بهینهسازی الگوریتم ژنتیک و سپس تهیهی نقشهی سهم مناطق مختلف (زیرحوضهها) در سامانهی اطلاعات جغرافیایی شد. برای تعیین بهترین مدل در این باره از شاخصهای GOF و MEاستفاده شد. عناصر کربن، مس، تیتانیوم، سیلیکون و عناصر استرانسیوم، تیتانیوم، مس، نسبت ایزوتوپی نئودیمیوم ۱۴۴/۱۴۳ به عنوان ردیابهای تفکیککنندهی کاربریها و سازندها شناخته شدند. مدلهای ترکیبی کالینز اصلاح شده (MCollins) در واحد کاربریاراضی و کالینز (Collins) در واحد سازندها با شاخصهای GOF، ۹۵/۹۹% و ۹۹۶/۹۹% و ضریبکارآیی ۱۶/۹۹% و ۹۷۷/۹۹% به عنوان بهترین مدلها انتخاب شدند. بیشترین سهم در فرسایش و رسوب حوضهی مربوط به اراضی مرتعی و سازند آسماری به ترتیب با ۶۵% و ۵/۵۶% میباشد. زیرحوضههای شمارهی ۶ و ۵ بهترتیب با ۱۱/۵۹% و ۷/۵۸% بیشترین و زیرحوضهی شماره ۳۱ با ۵۴/۷% کمترین سهم را بر فرسایش و رسوب حوضه داشتند.
کلیدواژه ها:
نویسندگان
احمد نوحه گر
استاد دانشکده ی محیط زیست دانشگاه تهران
محمد کاظمی
دکتری آبخیزداری دانشکده ی کشاورزی و منابع طبیعی دانشگاه هرمزگان
سیدجواد احمدی
استاد پژوهشکده ی چرخه ی سوخت سازمان انرژی اتمی تهران.
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :