ارزیابی اثرات ویژگی‌های ریخت‌شناسی، هیدرولوژیکی و کاربری اراضی بر آب برداشتی از رودخانه با استفاده از روش‌های داده‌کاوی

بخش کشاورزی به‌عنوان یکی از مهم‌ترین بخش‏های مصرف آب در پایداری سیستم‏های منابع آب کشور تاثیرگذار است. این مطالعه، با هدف تخمین برداشت آب از رودخانه‏ برای مصارف کشاورزی در محدوده مطالعاتی نوبران، واقع در حوضه آبریز دریاچه نمک، انجام شده است. تخمین میزان برداشت آب از رودخانه با استفاده از متغیرهای وابسته به فاکتورهای ریخت‌شناسی، هیدرولوژیکی، کاربری اراضی و ترکیبی از متغیرهای آن‌ها که با نمونه‏برداری میدانی جمع‏آوری شده است، انجام گرفت. همچنین، برای تخمین متغیر برداشت آب از رودخانه‌‏ها، روش‏های داده‌کاوی شامل سامانه استنتاجی فازی- عصبی تطبیقی (anfis)، روش گروهی مدل‌سازی داده‏ها (gmdh)، شبکه تابع پایه شعاعی (rbf) و مدل درخت تصمیم رگرسیونی (rtree) به کار گرفته شد. در این مطالعه، مدل gmdh24 با سناریوی ترکیبی شامل متغیرهای عرض رودخانه، عمق رودخانه، حداقل جریان، حداکثر جریان، متوسط جریان، مساحت کشت شده زراعی و باغی به‌عنوان بهترین مدل برای برآورد متغیر برداشت آب از رودخانه‏ معرفی شد. مقدار rmse برای سناریوی ترکیبی مدل gmdh24 به‌منظور تخمین برداشت آب در محدوده مطالعاتی نوبران 0.046 به‌دست آمد. نتایج حاکی از این است که عملکرد مدل gmdh24 در برآورد برداشت آب رودخانه‏ها برای مقادیر حداکثر بسیار قابل قبول و امیدوارکننده است. بنابراین، مدل‌سازی و شناسایی متغیرهای مختلف تاثیرگذار بر میزان بهینه برداشت آب از رودخانه‏ها جهت تامین مصارف کشاورزی باعث دستیابی به اهداف مدیریت یکپارچه منابع آب (iwrm) می‌شود.

evaluation of the effects of morphological, hydrological, and land-use characteristics on river water abstraction using data mining methods

the agricultural sector as one of the most important sectors of water consumption has great importance for the sustainability of the country’s water resources systems. the objective of this study was to estimate the river water abstraction (rwa) for agricultural consumption in the study area of nobaran in the namak lake basin. the rwa was estimated using variables related to morphological, hydrological, and land use factors, as well as a combination of their variables collected through field sampling. data mining methods such as adaptive-network-based fuzzy inference systems (anfis), group method of data handling (gmdh), radial basis function (rbf), and regression trees (rtree) were also used to estimate the rwa variables. in the current study, the gmdh24 model with a combined scenario including the variables of river width, river depth, minimum flow, maximum flow, average flow, crop, and the garden cultivated area was adopted as the best model to estimate the rwa variable. the rmse value for the combined scenario of the gmdh24 model was found to be 0.046 for estimating rwa in the nobaran study area. the results showed that the performance of the gmdh24 model for estimating rwa for maximum values is very acceptable and promising. therefore, modeling and identifying various variables that affect the optimal rwa rate for agricultural purposes fulfills the objectives of integrated water resources management (iwrm).