سامانه نشریات علمی

---

افزایش حوادث طبیعی تعمیق آنمتاثر از فعالیتهای انسانی، خسارتهای متعددی را  مخصوصاَ در کشورهای در حال توسعه اموجب شده است.خسارت های مالی و جانی ناشی از حوادث طبیعی در جهان و مخصوصا در کشورهای کمتر توسعه یافته، متاثر از زیرساخت های ضعیف اجتماعی و اقتصادی، روز به روز در حال افزایش می باشد. در میان حوادث طبیعی،  زلزله،  به دلیل غیرقابل پیش بینی بودن، یکی از مخربترین این حوادث به شمار می رود.ایران یکی از زلزله خیزترین کشورهای جهان است و شهرهای آن بر اثر این پدیده بسیار آسیب دیده اند. در بین شهرهای ایران، تهران به عنوان کلانشهر اول کشوربا توجه به جمعیت متراکم، توسعه فیزیکی نامناسب، تراکم سازه ای،  و عدم رعایت استانداردها، با خطر جدی تری روبه رو است.هدف از این پژوهش، بررسی فضایی انعطاف پذیری منطقه 12 تهران پس از زلزله می باشد. در این مطالعه، ابتدا  داده ها ی منطقه 12تهرانآماده و استانداردسازی گردید. سپس با استفاده از روشAHP، میزان ریسک پذیری  منطقه 12 تهران تحلیل شد. در نهایت با توجه به نقشه میزان ریسک پذیری منطقه،  به کمک روش  OWAنقشه نهایی میزان انعطاف پذیری آن پس از زلزله حاصل گردید. نتایج به دست آمده نشان داد که محلات شماره 2و12 (بهارستان و دروازه غار شوش) کمترین انعطاف پذیری را پس از زلزله دارند.

---

---

پژوهش حاضر از لحاظ هدف کاربردی، و از لحاظ روش، توصیفی­– تحلیلی­ است. گردآوری داده­ها با استفاده از روش اسنادی و میدانی(مشاهده و پرسشنامه) جمع آوری شده است، جامع آماری این نوع تحقیق براساس سرشماری آمار1395؛ 6947 خانوار در24 روستا؛ با خطای 07/0، ­191 پرسشنامه به عنوان حجم نمونه محاسبه و براساس رابطه تسهیم نسبت تعداد نمونه­های هر روستا به 233 نمونه به صورت تصادفی بین خانوارها توزیع و پخش گردید. برای تجزیه و تحلیل داده­ها از اطلاعات از روش­های آماری توصیفی(­میانگین) و استنباطی(t تک نمونه، فریدمن، تحلیل خوشه­ای) و مدل­های واس پاس، آراس و ویکور،  بهره گرفته شد. نتایج نشان می­دهد که تاب­آوری مناطق روستایی در برابر خشکسالی در سطح پایینی است. یافته­های مدل­های ویکور، اراس و مدل واس پاس نشان داد که روستاهای ولاشد؛ تازه­آباد بستان خیل و دوقائلو رتبه­های اول و تاب­آوری بالا و روستاهای جمان، پلاژارتش و بهزاد کلا در رتبه­های پایین و تاب­آوری پایین قرار دارند.

---

خشک‌سالی یک اختلال موقتی است که خصوصیات آن از منطقه­ای با منطقه دیگر متفاوت است، از این ‌رو نمی­توان تعریف جامع­ و مطلق برای خشک‌سالی بیان نمود.در تحقیق حاضر، به منظور معرفی یک روش مناسب جهت پیش­بینی خشکسالی برای یک ماه آتی، چهار روش هوش مصنوعی شامل یادگیری عمیق (Deeplearning) (از شبکه الکس­نت که یکی از شبکه­های کانولوشن می­باشد استفاده شده است)، الگوریتم K نزدیک­ترین همسایه (KNN)، ماشین برداد پشتیبان چند طبقه (SVM-MultiClass) و درخت تصمیم (Decision Tree) در نظر گرفته شد. داده­های بارندگی 11 ایستگاه سینوتیک استان یزد طی دوره ­آماری 29 ساله (1988 تا 2017) به صورت ماهانه به عنوان داده­های آزمایشی مورد استفاده قرار گرفتند. شاخص بارش استاندارد شده (SPI) برای نشان دادن وضعیت خشکسالی از نظر شدت و مدت در مقیاس­های زمانی 1، 3، 6، 9، 12 و 24 ماهه محاسبه گردید. در ابتدا داده­های بارش به عنوان ورودی شبکه­های عصبی و کلاس­بندی SPI  به عنوان خروجی شبکه­ها قرار داده شد. 80 درصد داده­ها برای آموزش و20 درصد داده­­ها برای تست شبکه­ها به کار گرفته شد. نتایج نشان داد که تمامی شبکه­ها توانایی پیش­بینی خشکسالی را داشته­اند، بر اساس معیار ارزیابی macro-f1 شبکه Deeplearning در مقیاس زمانی 1 ماهه با 71/22 درصد، ناکارآمدترین روش و  Decision Tree با 65/64 درصد، کارآمدترین روش بوده­اند، اما با افزایش مقیاس زمانی، شبکه Deeplearning عملکرد خود را بهبود بخشید، به­طوریکه در مقیاس زمانی 24 ماهه با 35/65 درصد، بهترین عملکرد مربوط به شبکه Deeplearning و بعد از آن، شبکه SVM-MultiClass با 40/57 درصد، قرار گرفت.

---

تداخل­سنجی راداری تکنیکی کارآمد برای رصد پویایی سطوح است که به کمک آن میتوان ناپایداری سطوح به­خصوص سطوح دامنه­ای که مخاطرات لغزشی را پیامد دارند، تشخیص داده و مورد پایش قرار داد. تشخیص این مخاطره علاوه بر خطرات شناخته شده و متداول آن در پاره­ای مواقع می­تواند تأسیسات و زیرساخت­های مدفون را آسیب رسانیده و خسارات و خطرات فراوانی به همراه داشته باشد. شبکه انتقال نفت از جمله این زیرساخت­هاست که با عبور از نواحی کوهستانی و مستعد لغزش عموماً در خطر شکستگی و نشت قرار دارند. طبق مطالعات صورت گرفته، پژوهشی به منظور تعیین خطرپذیری خطوط لوله با تکنیک تداخل­سنجی راداری در منطقه مورد مطالعه یافت نشد. تحقیق حاضر خطرپذیری شبکه نفت و گاز مارون (مارون-اصفهان) در زاگرس مرکزی از مخاطره زمین­لغزش به کمک تکنیک تداخل­سنجی رادری را هدف داشته است. بدین منظور داده­های دو سنجنده راداری در باند C و L در مقاطع متفاوت زمانی دریافت و مبتنی بر روش تداخل­سنجی تفاضلی میزان تغییرات سطح و جابجایی­های آن محاسبه شد. بر این اساس نرخ حداکثر جابجایی در منطقه حدود 4/7 سانتی­متر بالاآمدگی و 9/3 سانتی­متر فروافتادگی حاصل شد. پس از آن صحت نتایج بدست آمده از مرحله آزمایشگاهی، در پیمایش میدانی با بازدید از 3 زمین­لغزش واقع در مجاورت خط لوله و تطبیق مکانی آن­ها با یافته­های آزمایشگاهی سنجیده شد. سپس پهنه­بندی خطر آتی زمین­لغزش در 5 کلاس خطر با مدل تجربی ارزش اطلاعاتی تهیه و صحت­سنجی شد. مستند به این نقشه، حدود 20 درصد سطح منطقه در کلاس خطر زیاد و بسیار زیاد طبقه­بندی شده است. منطبق­سازی نقشه کلاس­بندی خطر زمین­لغزش با مسیر خط لوله نشان داد که 5/28 درصد از طول خط لوله مورد مطالعه در کلاس خطر زیاد و خیلی زیاد، و حدود 52 درصد از آن در کلاس خطر کم و بسیار کم قرار گرفته­اند.
 

---

پژوهش حاضر با هدف آنالیز زمانی و مکانی طوفان­های گردوغبار طی بازه­ی زمانی 2016 تا 2018 در شهر کرمانشاه با بهره­گیری از مدل مسیریابی HYSPLIT و پروداکت MCD19A2 سنجنده­ی مودیس در سامانه­ی تحت وب گوگل ارث انجین انجام گرفت. جهت مسیریابی منشأ ذرات گردوغبار از روش لاگرانژی مدل HYSPLIT در 48 ساعت قبل از وقوع پدیده گردوغبار در کرمانشاه در سه سطح ارتفاعی 200، 1000 و 1500 متری مورد استفاده قرار گرفت. یافته­های حاصل از نقشه­های ردیابی مدل HYSPLIT حاکی از آن است که مسیر کلی برای انتقال گردوغبار به منطقه مورد مطالعه مسیر شمال­غرب- جنوب­شرق با منشأ بیابان­های عراق و سوریه در سه ارتفاع 200، 1000 و 1500 متری در روز­های 17 ژوئن 2016 و 27 اکتبر 2018 و همچنین مسیر جنوب غرب به غرب با منشأ کویت، شمال عربستان و بخشی از عراق در 2 نوامبر 2017 می­باشد. نتایج نقشه­های حاصل از پروداکت MCD19A2 سنجنده­ی مودیس علی‌الخصوص نقشه­های تناوب ­رخداد، غلظت تجمعی، تغییرات مکانی و نقشه بیشترین میزان AOD نشان از همبستگی بالا با نقشه­های مسیریابی شده مستخرج از مدل HYSPLIT دارد. به­طورکلی بر اساس یافته­های حاصل از نقشه­های مستخرج از پروداکت MCD19A2 سنجنده مودیس طی بازه­ی زمانی 2016 تا 2018 شهر کرمانشاه، مناطق مرکزی و شرقی همواره بیشتر از دیگر مناطق شهر درگیر طوفان گردوغبار گردیده و در این راستا مناطق فوق به‌صورت متوسط، نسبت به دیگر مناطق شهر بیشتر با آلودگی ناشی از گردوغبار مواجه بوده­اند. در این راستا نتایج نهایی نشان­دهنده­ی همبستگی بالا بین داده­های PM₁₀  واقعی و مقادیر AOD مشتق شده از سنجنده مودیس می­باشد.

---