نوع مقاله: مقاله پژوهشی

نویسنده

استادیار گروه اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

افزایش مصرف آب ناشی از افزایش جمعیت باعث کاهش کیفی و کمی آب‏های قابل استحصال شده است. مدیریت منابع آب به‏ویژه آب‏های زیرزمینی، در مناطق خشک و نیمه خشک از اهمیت خاصی برخوردار است. شهرستان جیرفت یکی از مناطق مهم کشاورزی در کشور به‏شمار می‏آید که در سال‏های اخیر به دلیل بهره­برداری بی­رویه از منابع آب زیرزمینی با افت شدید سطح این آب‏ها مواجه بوده است. لذا در این مطالعه به‏منظور بررسی چگونگی بهره‏برداری از منابع آب زیرزمینی در شهرستان جیرفت و امکان تغذیه آن‏ها به‏وسیله نزولات جوی در سال‏های آینده، به پیش بینی سطح این آب‏ها و میزان بارندگی طی سال‏های 96-1393پرداخته شده است. بدین منظور از مدل شبکه عصبی مصنوعی استفاده شد. نتایج نشان داد که اگر روند کنونی بهره‏برداری از این آب‏ها ادامه یابد، سطح آب‏های زیرزمینی این شهرستان طی چهار سال و نیم آینده، حدود 68/6 متر کاهش می‏یابد و نزولات جوی نمی‏تواند به افزایش سطح این آب‏ها کمک نماید. لذا راهکارهایی همانند بالا بردن بهره‏وری آب در بخش کشاورزی و استفاده از روش‏های نوین آبیاری به‏منظور کاهش مصرف آب و در نتیجه جلوگیری از بهره‏برداری بیشتر، می‏تواند در پیشگیری از کاهش سطح این آب‏ها مورد استفاده قرار گیرد.

کلیدواژه‌ها

عنوان مقاله [English]

Forecasting the Exploitation of Groundwater Resources and the Possibility of Recharge them by the Precipitation in Jiroft

نویسنده [English]

  • somayeh Amir teimoori

چکیده [English]

     Increase in water consumption due to population increase, is reduced the quality and quantity of extractive water. Management of water resources specially groundwater in arid and semi-arid areas are very importance. Jiroft is one of the most important agricultural areas in Iran which in recent years, because of irregular exploiting of groundwater has faced severe downfall of the water level. Therefore, in this research the groundwater levels and rainfall during 2014-2017 to evaluate exploitation of groundwater resources and the possibility of feeding them by the precipitation in Jiroft were studied. For this purpose, the Artificial Neural Networks (ANN) model was used. Results showed that with current trends of groundwater exploitation, the levels of them over the next 4.5 years will reduce to about 6.68 meters and precipitation with current trends groundwaters exploitation can not help to increase the level of these waters in this city. Therefore, strategies such as raising water productivity in agriculture and the use of modern methods of irrigation, to reduce water consumption and thereby prevent further exploitation and reduce the level of groundwaters can be used.

کلیدواژه‌ها [English]

  • ANN Model
  • Back Propagation Method
  • Groundwater

1-    اسفندیاری درآباد، ف.، حسینی، ا.، آزادی مبارکی، م. و ز. حجازی زاده. 1389. پیش بینی میانگین دمای ماهانه ایستگاه سینوپتیک سنندج با استفاده از مدل شبکه عصبی مصنوعی پرسپترون چند لایه (MLP). فصلنامه انجمن جغرافیای ایران، 27: 65-45.

 

2-    اکبری، م.، جرگه، م. و ح. مدنی سادات. 1388. بررسی افت سطح آب‏های زیرزمینی با استفاده از سیستم اطلاعات جغرافیایی (GIS) (مطالعه موردی: آبخوان دشت مشهد). مجله پژوهش‏های حفاظت آب و خاک، 16(4): 78-63.

 

3-    ایزدی، ع.، داوری، ک.، علیزاده، ا. و ب. قهرمان. 1387. کاربرد مدل داده‏های ترکیبی در پیش بینی سطح آب زیرزمینی. مجله آبیاری و زهکشی ایران،  2(2): 143-142.

 

4-    خوشحال دستجردی، ج. و م. حسینی. 1389. کاربرد شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی (مطالعه موردی: استان اصفهان). مجله جغرافیا و برنامه‌ریزی محیطی، 39(3): 120-107.

 

5-    دلاور، م. 1384. تحلیل و ارائه مدل نوسانات تراز آب دریاچه ارومیه و آنالیز ریسک مناطق ساحلی. پایان نامه کارشناسی ارشد آبیاری، دانشکده کشاورزی، دانشگاه تربیت مدرس، 117 صفحه.

 

6-    رحمانی، ع. و م. سدهی. 1383. پیش بینی تغییرات سطح آب زیرزمینی دشت همدان- بهار با مدل سری­های زمانی. مجله آب و فاضلاب، 51: 49-42.

 

7-    روشن، ر. 1385. پیش بینی تورم ایران به کمک مدل­های ARIMA, GHARCH, ARCH و شبکه‌های عصبی و مقایسه کارایی مدل‌های مذکور. پایان نامه کارشناسی ارشد اقتصاد، دانشکده علوم اداری- اقتصادی، دانشگاه زاهدان، 135 صفحه. 

 

8-    ﺻﺎدﻗﯽ، ح.، ذوالفقاری، م. و م. الهامی‏نژاد. 1390. مقایسه عملکرد شبکه‌های عصبی و مدل ARIMA در مدل‏سازی و پیش‌بینی کوتاه‌مدت قیمت سبد نفت‌خام اوپک (با تاکید بر انتظارات تطبیقی). فصلنامه مطالعات اقتصاد انرژی، 28: 47-25.

 

9-    طرازکار، م. 1384. پیش بینی قیمت برخی محصولات زراعی در استان فارس: کاربرد شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد اقتصاد کشاورزی، دانشکده کشاورزی، دانشگاه شیراز، 183 صفحه.

 

10-  فلاح، س.، قبادی نیا، م.، شکرگزار دارابی، م. و ش. قربانی دشتکی. 1391. بررسی پایداری منابع آب زیرزمینی دشت داراب استان فارس. مجله پژوهش آب در کشاورزی، 26(2): 172-161.

 

11-  ﻓﻬﻴﻤﻲﻓﺮد، س.، سالارپور، م. و م. صبوحی. 1390. مقایسه توان پیش‌بینی مدل عصبی-فازی ANFIS با مدل شبکه عصبی ANN و خود رگرسیونی ARIMA مطالعه موردی قیمت هفتگی تخم‌مرغ. فصلنامه اقتصاد کشاورزی و توسعه، 74: 203-181.

 

12- کریمی گوغری، ش. و ا. اسلامی. 1387. پیش بینی بارندگی سالانه در استان کرمان با استفاده از شبکه های عصبی مصنوعی. مجله آبیاری و زهکشی ایران، 2 (2): 132-123.

 

13- محتشم، م.، دهقانی، ا. ا.، اکبرپور، ا. و م. مفتاح هلقی. 1388. پیش‏بینی سطح ایستایی آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند). هشتمین کنگره بین المللی مهندسی عمران، دانشگاه شیراز، شیراز. اردیبهشت.

 

14- منهاج، م. 1377. مبانی شبکه‌های عصبی (هوش محاسباتی). نشر دکتر حسابی، چاپ اول، تهران، 718 صفحه.

 

15- ﻣﻨﻬﺎج، م. کاظمی، ع. شکوری گنجوی، ح. و م. مهرگان. 1388. ﭘﻴﺶﺑﻴﻨﻲ ﺗﻘﺎﺿﺎی اﻧﺮژی ﺑﺨﺶ ﺣﻤﻞ و ﻧﻘﻞ ﺑﺎ اﺳﺘﻔﺎده از ﺷﺒﻜﻪﻫﺎی ﻋﺼﺒﻲ: مطالعه ﻣﻮردی در اﻳﺮان. پژوهش‏های مدیریت در ایران، 66: 220-203.

 

16- نجفی، ب. و م. طرازکار. 1385. پیش ‌بینی میزان صادرات پسته ایران: کاربرد شبکه عصبی مصنوعی. پژوهشنامه بازرگانی، 39: 214-191.

 

17- یوسفی‏راد، م.، صفایی جزی، ر. و م. بخشایی. 1387. محاسبه حجم آبخوان‏های آبرفتی (سفره‏های آب زیر زمینی) در سیستم اطلاعات جغرافیایی (GIS) مطالعه موردی : دشت کمیجان اراک. همایش ژئوماتیک، تهران، اردیبهشت.

 

18- Bithas, K. 2008. The sustainable residential water use: Sustainability, efficiency and social equity. Ecological Economics, 68: 221-229.

 

19- Chen, X., Racine, J. and R. N. Swanson. 2001. Semiparametric ARX neural network models with an application to forecasting inflation. Neural Networks, 12 (4): 674-683.

 

20- Elsafi, S. H. 2014. Artificial Neural Networks (ANNs) for flood forecasting at Dongola station in the river Nile, Sudan. Alexandria Engineering Journal, 53 (3): 655-662.

 

21- Haoffi, Z., Guoping, X., Fagting, Y. and Y. Han. 2007. A neural network model based on the multi-stage optimization approach for short-term food price forecasting in China. Expert Systems with Applications, 33: 347-356.

 

22- Hetch-Nielsen, R. 1987. Kolmogorovʼs mapping neural networks existence theorem. In first IEEE International Conference on Neural Networks, San Diego, California., 3-11, IEEE, Piscataway, N. J.

 

23- Hotunluoglu, H. 2011. Forecasting Turkey’s energy demand using artificial neural networks: Three scenario application. Journal of Ege Academic Review, 11: 87-94.

 

24- Kavaklioglu K., Ceylan H., Ozturk, H.K. and O. E. Canyurt. 2009. Modeling and prediction of Turkey’s electricity consumption using Artificial Neural Networks. Energy Conversion and Management, 50: 2719–2727.

 

25- Khan, S., Gabriel, H. F. and T. Rana. 2008. Standard precipitation index to track drought and assess impact of rainfall on watertables in irrigation areas. Irrigation and Drainage Systems, 22:159–177.