برآورد صحیح حجم رسوبات معلق در رودخانه ها، یکی از مهمترین مسائل در پروژه های مهندسی رودخانه، منابع آب و محیط زیست می باشد. رودخانه هیرمند مهمترین منبع تامین آب دشت سیستان به طول تقریبی 1070 کیلومتر از کوههای بابا یغما در افغانستان سرچشمه می گیرد. رودخانه سیستان شاخه اصلی منشعب از رودخانه هیرمند بوده که وظیفه آبیاری 70 درصد زمین های کشاورزی دشت سیستان و همچنین تامین بخشی از آب هامون هیرمند را به عهده دارد. با توجه به مشکلات زیاد ناشی از رسوبات در رودخانه ها، محققین علم رسوب تلاش های زیادی به منظور دستیابی به روابط انتقال رسوب بر اساس مطالعات آزمایشگاهی و میدانی انجام داده اند. بدلیل کثرت پارامترهای دخیل در انتقال رسوبات و همچنین پیچیدگی فرآیند فرسایش و انتقال ذرات، اکثر روابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی دهند، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی باشند. در سال های اخیر استفاده از سیستم های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رودخانه مرسوم گردیده است. در این تحقیق از روابط تجربی انتقال رسوب و سیستم های هوشمند شامل شبکه های عصبی مصنوعی، سیستم استنتاج تطبیقی عصبی- فازی و برنامه ریزی بیان ژن به منظور پیش بینی بار معلق رسوب رودخانه سیستان استفاده گردید. در بین روابط تجربی روش توفالتی با مقدار خطای جذر میانگین مربعات80/66557 و ضریب تبیین 705/0 بهترین نتیجه را دارد. روش های هوشمند با تفاوت فاحشی بهتر از روابط تجربی بار معلق رسوب را برآورد می نمایند. در بین روش های هوش مصنوعی سناریوی سوم سیستم استنتاج تطبیقی عصبی- فازی با مقدار خطای جذر میانگین مربعات 001/0 و ضریب تبیین 99/0 بهترین نتیجه را در برآورد بار معلق رسوب دارد. همچنین بین نتایج روش های هوشمند اختلاف معنی داری در سطح 95% وجود نداشته و با توجه به مقادیر خطا هر سه روش از دقت بالایی برخوردارند. بنابراین پیشنهاد می گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش های هوش مصنوعی انجام شود.

بخش عظیمی از مناطق کشور با محدودیت منابع آب روبروست و استفاده نادرست از منابع محدود آب و ایجاد آلودگی در این منابع منجر به بروز بحران ها و فاجعه های زیست محیطی خواهد شد. روند رو به رشد توسعه کشور،گسترش مراکز صنعتی، استفاده بیش از حد از کود و سموم در کشاورزی، تخلیه پساب ها به منابع آبی پذیرنده، زه آب های کشاورزی و فاضلاب های بیمارستانی، خانگی و.کمیت و کیفیت منابع آبی محدود و ارزشمند کشور را به شدت تهدید می کند. گسترش روز افزون نیازها و تقاضاها در جامعه برای دسترسی به منابع آب با کیفیت مناسب، افزایش چشمگیر هزینه های تأمین آب جدید و ضرورت کنترل آلودگی منابع آب با در نظر گرفتن محدودیت منابع آبی کشور، مدیریت منابع آب را از جنبه های مختلف با چالشهای جدی روبرو ساخته است. لذا ارزیابی کیفیت منابع آب کشور از ضروریات محسوب می گردد. استان فارس نیز از این موضوع مثتسنی نیست. در استانی مانند فارس، که جزو مناطق نیمه خشک کشور بوده و یکی از اصلی ترین قطب های کشاورزی به شمار می آید، ارزیابی این منابع، از نظر کمی و کیفی، به منظور بهره وری بهتر، به عنوان یک ضرورت به حساب می آید. نیاز به برداشت آب از این ذخایر از یک سو و محدودیت نسبی آن ها از سوی دیگر و همچنین وجود املاح و نمک در آن ها، اهمیت بررسی این ذخایر را نشان می دهد. در این پژوهش به ارزیابی کیفی آب زیرزمینی استان فارس با استفاده از مدل های pnnو svmبراساس شاخص wqi پرداخته شده است. نتایج حاصله نشان دهنده ی کیفیت مناسب آب های زیرزمینی در اکثر مناطق استان می باشد. مقدار پایین rmse ، خطای تجمعی و crm و مقدار بالای ضریب تبیین هر مدل عملکرد مناسب هر دو مدل در پیش بینی کیفیت آب زیرزمینی نشان می دهد که این مقادیر به ترتیب برای مدل svm1848/0، 00542/1، 0041/0، 9798/0 و همچنین برای مدل pnn 1210/0، 7371/0، 0025/0، 9913/ 0 می باشد0 پایین تر بودن میزان rmse، خطای تجمعی و crm، بالاتر بودن میزان ضریب تبیین مدل شبکه عصبی احتمالاتی نشان دهنده دقت بالاتر این مدل نسبت به ماشین های بردار پشتیبان احتمالاتی می باشد.

تغییرات اقلیم، یکی از مهم ترین موضوعات قرن بیست و یکم، در پژوهش های زیست محیطی است. هر گونه تغییر اقلیم در کره ی خاکی، سرآغاز زنجیره ای از واکنش هاست که اثر آن به طور مستقیم در فرآیندهای هیدرولوژیکی ظاهر می شود. حوضه ی آبریز قره سو واقع در استان کرمانشاه، یکی از زیرحوضه های مهم کرخه است که از لحاظ کشاورزی و تأمین امنیت غذایی، یک منطقه ی مهم در استان قلمداد می شود. با توجه به اثرات تغییر اقلیم در تشدید مسئله کمبود آب، بررسی اثرات این پدیده در بخش کشاورزی و بیشینه کردن استفاده از تغییرات دما و سیکل وقوع بارندگی های موثر در جهت مدیریت بهتر آب آبیاری ، ضروری به نظر می رسد. در راستای این امر، دستیابی به روش-های مطمئن پیش بینی جریان رودخانه ها به منظور برنامه ریزی در بهره برداری به موقع از منابع آب از اهمیت روزافزونی برخوردار است.در این مطالعه ابتدا با استفاده از مدل sdsm، داده های بزرگ مقیاس مدل گردش عمومی جو (hadcm3) در دو سناریوی اقلیمی a2 و b2، برای پارامترهای هواشناسی دما و بارندگی در حوضه ی قره سو ریز مقیاس شده، سپس با استفاده از داده های بارش، دما و دبی در دوره ی پایه (1971-2000) و خروجی های مدل ریز مقیاس نمایی در دوره ی (2011-2040)، با بکار گرفتن شبکه عصبی مصنوعی در نرم افزار متلب، دبی رودخانه در دوره ی آتی محاسبه و در نهایت به کمک مدل ارزیابی و برنامه ریزی منابع آب، weap، وضعیت منابع آب و تخصیص مقدار آب در دوره ی آتی شبیه سازی شده است. نتایج مدل اقلیمی، نشان دهنده افزایش دما و کاهش بارندگی در دوره ی مورد نظر نسبت به دوره پایه (2000-1971) می باشد. بطوریکه بطور متوسط تحت سناریوی a2 و b2، افزایش 6/1 درجه سانتی گراد دما و کاهش 77/1 درصدی بارندگی تحت سناریوی a2 و کاهش 1/1 درصدی بارندگی تحت سناریوی b2، در منطقه پیش بینی شده است. به تبع این افزایش دما و کاهش بارندگی، میزان آبدهی رودخانه قره سو کاهش یافته است. بطوریکه تحت سناریوی a2، کاهش 62 /32 درصدی و برای سناریوی b2 کاهش 40/33 درصدی دبی در دوره ی 2040-2011 نسبت به دوره پایه (2000-1971)، انتظار می رود. نتایج مدل weap، برای سناریوهای اقلیمی با وضع موجود سطح کشاورزی، نشان دهنده افزایش نیاز تأمین نشده برای کشاورزی در منطقه است.

پدیده بارش تابع عوامل زیادی می باشد که پیش بینی آن به روش های معمول آماری از دقت کمی برخوردار است. پیش بینی بارش با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی در سال های اخیر، توجه زیادی معطوف شده است. استان کردستان با مساحتی حدود 28203 کیلومتر مربع بین 34 درجه و 45 دقیقه تا 36 درجه و 28 دقیقه عرض شمالی و 42 درجه و 31 دقیقه تا 48 درجه و 16 دقیقه طول شرقی به دلیل ریزش جوی زیاد یکی از پرآب ترین استان های کشور به شمار می رود. در این پژوهش کارایی مدل شبکه عصبی مصنوعی و سیستم استنتاج فازی براساس داده های ماهانه دوره آماری موجود که 70 درصد برای آموزش و 30 درصد آن برای آزمایش از مدل شبکه عصبی پرسپترون چند لایه با تابع محرک تاتژانت سیگموئید و الگوریتم لورنبرگ-مارکوات استفاده شده است. در ادامه با توجه به معیارهای آماری ضریب همبستگی و ضریب ناش بین داده های مشاهداتی و پیش بینی شده بطور مقایسه ای مورد ارزیابی قرار گرفته است که رطوبت نسبی و دما در تمامی ایستگاه ها بیشترین تأثیر را داشته است. یافته ها بیانگر عملکرد بالاتر شبکه عصبی مصنوعی نسبت به سیستم استنتاج فازی در پیش بینی بارش استان می باشد.

کیفیت آب کاربردی از جمله مهم¬ترین عوامل موثر بر میزان نفوذپذیری خاک می¬باشد. نظر به استفاده گسترده از پساب¬های شهری در کشاورزی آبی در سال¬های اخیر، تخمین میزان نفوذپذیری در مزارع آبیاری شده با این قبیل منابع آبی، امری ضروری در راستای اعمال صحیح مدیریت آبیاری می¬باشد. لذا در این پژوهش، معادله¬های فیلیپ، کاستیاکف، کاستیاکف-لوئیس، گرین امپت، هورتن، سازمان حفاظت خاک آمریکا (scs) و مدل¬های رگرسیون خطی در تخمین میزان نفوذپذیری ارزیابی شد. آزمایش¬های لازم در 190 هکتار از اراضی تحت کشت گندم در مجاورت تصفیه¬خانه شهری زابل با شش کلاس بافت خاک رس¬سیلتی، لوم¬رسی، لوم¬شنی، لوم، شن¬لومی و لوم¬رسی¬سیلتی انجام شد. آبیاری در این اراضی با استفاده از پساب تصفیه شده با قدمتی فراتر از 10 سال انجام می¬شود. کل منطقه به پیکسل¬هایی با ابعاد 150 در 150 مترمربع تقسیم شد و میزان نفوذ تجمعی با استفاده از استوانه¬های مضاعف تعیین و با نمونه¬برداری از لایه خاک سطحی در مرکز هر پیکسل، برخی خصوصیات فیزیکوشیمیایی آن در آزمایشگاه تعیین گردید. توابع انتقالی استخراج شده 6 متغیره در کل منطقه، بهتربن عملکرد را در تخمین میزان نفوذپذیری داشته است. مدل کاستیاکف و هورتن بهترین عملکرد را در بافت رس¬سیلتی داشتند؛ در حالی¬که سایر مدل¬ها، مقادیر واقع¬بینانه¬تر برای میزان نفوذ تجمعی را در بافت لوم¬رسی¬سیلتی ارایه دادند. مدل گرین-امپت و کاستیاکف با مجذور مربعات خطا و خطای انحراف به ترتیب برابر با 16/0 و 57/0 سانتی¬متر و 03/0- و 04/0 سانتی¬متر و ضریب کارایی به¬ترتیب برابر با 74/0 و 78/0، بیش¬ترین انطباق را با داده¬های مشاهده¬ای نفوذ تجمعی داشتند. همچنین شبکه عصبی پی¬ریزی شده پنج متغیره بیشترین ضریب همبستگی را در برآورد میزان نفوذپذیری از خود نشان داده به¬طوری که دارای ضریب همبستگی و مجذور مربعات خطای به ترتیب 98/0 و 083/0 بوده است. براساس نتایج، استفاده درازمدت از فاضلاب تصفیه¬شده، موجب تجمع بیش¬ از حد مجاز نمک و سدیم در لایه¬های سطحی خاک و در نتیجه، کاهش چشم¬گیر نفوذپذیری در تمام بافت¬های مورد بررسی شد.

بدلیل کثرت پارامتر¬های دخیل در انتقال رسوبات و همچنین پیچیدگی¬های فرایند فرسایش و انتقال ذرات، اکثرروابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی¬دهد، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی¬باشند. در سال¬های اخیر استفاده از سیستم¬های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رسوبات رودخانه مرسوم گردیده است. در این مطالعه از روابط تجربی انتقال رسوب و مدل های رگرسیونی بردار پشتیبان و نزدیکترین همسایه توسعه داده شده به منظور پیش¬بینی بار معلق رسوب رودخانه سیستان استفاده گردید. در بین روابط تجربی روش توفالتی با مقدار جذر میانگین مربعات 7/66557 و ضریب تبیین 705/0 بهترین نتیجه را دارد. روش های رگرسیونی با تفاوت قابل ملاحظه¬ای بهتر از روابط تجربی بار معلق رسوب رودخانه را برآورد کردند. مقایسه نتایج نشان داد روش رگرسیون بردار پشتیبان با مقدار جذر میانگین مربعات خطا 5/3523 و ضریب تبیین 96/0 بهترین نتیجه را در برآورد بار معلق رسوب رودخانه دارد. بنابراین پیشنهاد می¬گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش رگرسیون ماشین بردارهای پشتیبان انجام شود. برآورد صحیح حجم رسوبات معلق در رودخانه¬ها، یکی از مهمترین مسائل در پروژه¬های مهندسی رودخانه، منابع آب و محیط زیست می¬باشد. رودخانه هیرمند مهمترین منبع تأمین آب دشت سیستان به طول تقریبی 1070 کیلومتر از کوههای بابا یغما در افغانستان سرچشمه می¬گیرد. رودخانه سیستان شاخه اصلی منشعب از رودخانه هیرمند بوده که وظیفه آبیاری 70 درصد زمین¬های کشاورزی دشت سیستان و همچنین تأمین بخشی از آب هامون هیرمند را به عهده دارد. با توجه به مشکلات زیاد ناشی از رسوبات در رودخانه¬ها، محققین علم رسوب تلاش¬های زیادی به منظور دستیابی به روابط انتقال رسوب بر اساس مطالعات آزمایشگاهی و میدانی انجام داده¬اند. بدلیل کثرت پارامتر¬های دخیل در انتقال رسوبات و همچنین پیچیدگی¬های فرایند فرسایش و انتقال ذرات، اکثرروابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی¬دهد، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی¬باشند. در سال¬های اخیر استفاده از سیستم¬های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رسوبات رودخانه مرسوم گردیده است. در این مطالعه از روابط تجربی انتقال رسوب و مدل های رگرسیونی بردار پشتیبان و نزدیکترین همسایه توسعه داده شده به منظور پیش¬بینی بار معلق رسوب رودخانه سیستان استفاده گردید. در بین روابط تجربی روش توفالتی با مقدار جذر میانگین مربعات 7/66557 و ضریب تبیین 705/0 بهترین نتیجه را دارد. روش های رگرسیونی با تفاوت قابل ملاحظه¬ای بهتر از روابط تجربی بار معلق رسوب رودخانه را برآورد کردند. مقایسه نتایج نشان داد روش رگرسیون بردار پشتیبان با مقدار جذر میانگین مربعات خطا 5/3523 و ضریب تبیین 96/0 بهترین نتیجه را در برآورد بار معلق رسوب رودخانه دارد. بنابراین پیشنهاد می¬گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش رگرسیون ماشین بردارهای پشتیبان انجام شود. 4نتیجه¬گیری در بین روش¬های تجربی برآورد رسوب رودخانه سیستان روش توفالتی با مقدار جذر میانگین مربعات 808/66557 و ضریب تبیین 705/0 بهترین نتیجه را دارد. نتایج تحلیل شاخص¬های آماری مدل رگرسیون بردار¬های پشتیبان، نشان دهنده برتری سناریو هفتم با ترکیب ورودی دبی جریان(q)، دمای ماکزیمم(tmax)، دمای مینیمم(tmin) و دبی رسوب کلاسه بندی شده (qc) با مقدار خطای جذر میانگین مربعات 5/3523و ضریب تبیین نسبت 96/0به دیگر سناریو¬ها بوده است. در این سناریو به دلیل استفاده از دبی کلاسه¬بندی به عنوان داده ورودی تمامی مدل¬های مورد بررسی با قابلیت خیلی زیاد می¬توانند بار معلق رسوب را پیش¬بینی نمایند. بهترین عملکرد به دست آمده در مورد مدل رگرسیون بردار پشتیبان مدل شماره هفت با مشخصات هسته تابع پایه شعاعی با پارامترهای c برابر با 8/1، ? برابر با 007/0 و g با مقدار 8 در روش nu-svr می¬باشد. نتایج تحلیل شاخص¬های آماری مدل رگرسیون ناپارامتری نزدیکترین همسایگی-k، نشان دهنده برتری سناریو هفتم با ترکیب ورودی دبی جریان(q)، دمای ماکزیمم(tmax)، دمای مینیمم(tmin) و دبی رسوب کلاسه بندی شده (qc) با مقدار خطای جذر میانگین مربعات 1/3575و ضریب تبیین 95/0نسبت به دیگر سناریو¬ها بوده است. در این سناریو به دلیل استفاده از دبی کلاسه-بندی به عنوان داده ورودی تمامی مدل¬های مورد بررسی با قابلیت خیلی زیاد می¬توانند بار معلق رسوب را پیش¬بینی نمایند. در هر دو روش رگرسیونی به کار رفته استفاده از دبی کلاسه به عنوان ورودی مدل تاثیر بسزایی در افزایش دقت برآورد دبی رسوب دارد. یکی دیگر از توانایی هر دو روش هوشمند پیش بینی یا تخمین مقادیر خارج از محدوده ی مشاهداتی می باشد که نزدیک به مقادیر مشاهداتی متناظر هستند. درروش رگرسیون ناپارامتری با افزایش تعداد متغیرهای مستقل دقت مدل نیز بهتر شد. همچنین نتایج مرحله ی بهینه سازی پارامترهای این روش نشان داد که در اکثر مدل ها وزن متغیر دبی بیشتر از وزن دما بوده به طوری که در بهترین مدل نیز وزن متغیرهای مستقل دبی و دبی کلاسه به ترتیب 3/0 و 7/0 و وزن دیگر متغیرها (دمای بیشینه و کمینه) برابر با صفر بود. تعداد نزدیک ترین همسایه ها نیز در مورد همه ی مدل های به کار رفته در محدوده ی 32 تا 36 قرار داشت و برای بهترین مدل به دست آمده تعداد همسایه ها در روند بهینه سازی برابر با 36 بدست آمد. نتایج برتری هر دو روش هوشمند رگرسیون بردار پشتیبان و رگرسیون نزدیکترین همسایگی-k را نسبت به روش¬های تجربی در برآورد بار معلق رسوب نشان می¬دهد.

فرسایش و رسوب¬گذاری، منجر به از دست رفتن خاک حاصل¬خیز کشاورزی و ایجاد خسارت¬های برون¬منطقه¬ای می¬گردد. هم¬چنین حمل رسوب روی شاخص¬های کیفی آب نیز موثر است، لذا برآورد مقدار رسوب در پروژه¬های حفاظت خاک، طراحی و اجرای سازه¬های آبی، و بهره¬برداری از منابع آب ضرورت دارد. برآورد رسوب معلق تابع عوامل زیادی است که ممکن است مدل کردن همه¬ی آن¬ها به صورت تحلیلی مشکل باشد بنابراین استفاده از تکنیک¬های هوش مصنوعی که توانایی قابل توجهی درشبیه¬سازی فرآیند¬های پیچیده دارند مفید به نظر می¬رسد. در پژوهش حاضر با استفاده از روش شبکه عصبی مصنوعی، مدل های پرسپترون چند لایه(mlp) و رگرسیون عمومی(grnn) به تخمین رسوب معلق در ایستگاه هیدرومتری سد کارده واقع در خراسان رضوی پرداخته شد. شبکه های عصبی grnn اغلب به عنوان توابع تخمین استفاده می شوند. که شامل یک لایه radial basis و یک لایه خطی ویژه می باشد. شبکه پرسپترون چند لایه شامل سه لایه ی ورودی، مخفی و خروجی است که تعداد نرون های هر لایه به روش سعی و خطا مشخص می گردد. پس از کنترل داده ها،بررسی همگنی و نرمالیته داده ها از داده های دبی جریان، بارش، دبی روزقبل، بارش روزقبل متناظر با دبی رسوب به عنوان ورودی شبکه و از دبی رسوب برای محاسبه خروجی شبکه استفاده شد. مدل های مذکور فرآیند آموزش را طی کرده و طی این فرآیند وزن های شبکه بهینه شده و از شبکه ی آموزش دیده جهت برآورد رسوب معلق استفاده گردید، سپس با استفاده از شاخص های آماری به مقایسه مقادیر داده های برآوردی و واقعی و تعیین نقاط ضعف و قوت مدل در پیش بینی رسوب معلق پرداخته شد. در انتها مدل شبکه عصبی رگرسیون عمومی در برخی پارامتر های ورودی نسبت به شبکه عصبی پرسپترون با نتایج قابل قبول تری همراه بود.

تخصیص و مدیریت منابع آب سطحی که سهم عمده ای در تامین نیاز بخش های شرب، کشاورزی، صنعت و زیست محیطی دارند، از مسائل چالش برانگیز در حیطه ی منابع آب کشور است. خشکسالی های اخیر و مدیریت نامناسب منابع آب سبب خشک شدن دریاچه ها و تالاب ها شده است. بنابراین اهمیت برنامه¬ریزی و مدیریت منابع آب و نیز توجه به نیاز زیست محیطی پهنه های آبی بیش از پیش احساس می¬شود. استفاده از مدل های حل اختلاف راهکاری مناسب برای تخصیص آب در راستای کاهش تنش و درگیری بین ذینفعان واقع در محدوده ی یک حوزه ی آبریز می باشد. در تحقیق حاضر به منظور تخصیص بهینه ی منابع آب سطحی حوزه ی آبریز مهاباد بین بخش های مختلف از مدل شبیه ساز weap و الگوریتم های بهینه سازی ژنتیک و جامعه مورچگان پیوسته استفاده شد. مسئله حل اختلاف در تخصیص آب بین بخش های ذینفع در قالب یک مدل مبتنی بر نظریه بازی ارائه شده و تابع نش نامتقارن به عنوان تابع هدف در نظر گرفته شده است. نیاز زیست محیطی رودخانه براساس روش تنانت و در نظرگرفتن حالت عادلانه با توجه به آمار 30 ساله ی آبدهی رودخانه محاسبه گردید. بهره برداری از مخزن سد مهاباد در یک دوره ی هشت ساله از سال 1384 الی 1391 تحت سه سناریوی حالت موجود، الگوی کشت بهینه محصولات زراعی و تغییر شیوه ی آبیاری برای بخش کشاورزی انجام شد. نتایج حاصل از اجرای مدل حل اختلاف نش توسط الگوریتم های بهینه ساز، بیشترین مطلوبیت همزمان برای تمامی بخش های ذینفع در هر سه سناریو را در بر داشت. به طوری که مقدار آن در الگوریتم ژنتیک به عنوان مدل برتر در این تحقیق در سناریوهای اول و دوم برای همه ی ذینفعان در حدود 0/99 و برای سناریوی سوم تقریباً برابر با 0/999 بود. بررسی معیارهای کارایی سیستم نشان داد معیار آسیب پذیری برای تمامی بخش ها در مدل weap در هر سه سناریو برابر با حداکثر مقدار خود بوده و شکست های سنگینی به سیستم منابع آبی وارد شده است. همچنین با وجود اینکه معیار اطمینان پذیری سیستم در الگوریتم های بهینه ساز برای سناریوی اول کمتر از مدل weap بود، ولی در سناریوی دوم و سوم در وضعیتی برابر یا برتر از مدل weap قرار داشت.

فرایند تبخیر یکی از مولفه های اصلی چرخه آب در طبیعت است که نقش اساسی در مطالعات کشاورزی، هیدرولوژیکی و هواشناسی، بهره برداری مخازن، طراحی سیستم های آبیاری و زهکشی، زمان بندی آبیاری و مدیریت منابع آب ایفا می کند. به دلیل تأثیر متقابل پارامترهای مختلف هواشناسی در محاسبه تبخیر، روابط غیر خطی برای تخمین مقدار آن وجود دارد که از دقّت بالایی برخوردار نیستند. شبکه عصبی مصنوعی و سیستم تطبیقی از جمله روش های نوین هستند که برای تخمین و پیش بینی پارامترها با استفاده از ارتباط ذاتی بین داده ها توسعه یافته است. لذا نظر به اهمیّت موضوع در این تحقیق سعی می شود با استفاده ازمدل شبکه عصبی مصنوعی و سامانه استنتاج تطبیقی عصبی- فازی میزان تبخیر روزانه ایستگاه هواشناسی موجود درشهرستان دهلران برآورد گردد. به این منظور از داده های روزانه دوره آماری20 ساله ثبت شده (از سال آبی74-1373تا 93-1392) در ایستگاه مورد مطالعه استفاده خواهد شد. برای دست یابی به بهترین برآورد توسط مدل های ذکر شده ترکیب های مختلف پارامترهای درجه حرارت هوا ، رطوبت نسبی ، سرعت باد ، ساعات آفتابی و سایر پارامترهای ثبت شده به عنوان ورودی به مدل و تبخیر روزانه به عنوان خروجی در مدلهای شبکه عصبی و استنتاج فازی در نظر گرفته خواهد شد. همچنین برای بررسی کارایی مدل های هوش مصنوعی نتایج بدست آمده از آنها با به کارگیری روشهای تجربی شناخته شده (پنمن و استیفنز- استوارت) و تبخیر حاصل از تشتک تبخیر مورد مقایسه قرار می گیرد. در نهایت با تجزیه و تحلیل نتایج بدست آمده از طریق روش های ef و mbe و rmseروش برتر در تخمین تبخیر روزانه از بین روش های تجربی و شبکه عصبی مصنوعی و سیستم تطبیقی معرفی خواهد شد.