سال انتشار: ۱۳۸۵

محل انتشار: اولین همایش منطقه ای بهره برداری از منابع آب حوضه های کارون و زاینده رود (فرصتها و چالشها)

تعداد صفحات: ۱

نویسنده(ها):

سیدحسن طباطبایی – استادیار گروه مهندسی آب دانشکده کشاورزی دانشگاه شهرکرد
محمدرضا نوری امامزاده ای – استادیار گروه مهندسی آب دانشکده کشاورزی دانشگاه شهرکرد

چکیده:

پیشینه استفاده از مدلهای آب زیر زمینی به حدود ۱۰۰ سال قبل بر می گردد، به طوریکه در سال ۱۹۳۳ از یک مدل قیاسی ساده جهت مطالعه حرکت جبهه آب به داخل آبخوان و همچنین اثر تغییر فوصال چاهها در وضعیت آبخوان استفاده شده است، آنچه مسلم است این شاخه از علم نیز یکسری مراحل تکاملی را طظی کرده است. در حقیقت دانش کاربرد روش شبیه سازی برای حل مسایل آبهای زیر زمینی طی ۳۰ سال اخیر تکمیل شده است و از یک مقوله صرفا تحقیقاتی پا با فراتر نهاده و وارد مرحله کاربردی شده است. همزمان کارآیی کامپیوترها نیز روز به روز زیادتر شده است. در حال حاضر مدلهای FEFLOW, PHAST, MODPATH, RNDWALK, SUTRA, PLASM, MOC, MODFLOW و FLOWPATH به ترتیب بیشترین کاربرد را در زمینه مدلسازی آبهای زیر زمینی دارا می باشند. با توجه به اطلاعات مورد نیاز ورودی مدلهای مذکور و ضعیت فعلی دشتهای استان از نظر آمار و اطلاعات می توان مشکلات عمده کاربرد مدلهای ریاضی در ایران و بالاخص در استان چهارمحال و بختیاری را به شرح زیر نام برد: ۱- اطلاعات موجود راجع به خصوصیات آبخوان مانند ضرایب قابلیت انتقال و ذخیره کافی نمی باشد، ۲- میازن نفوذ آب باران بعلت کافی نبودن ایستگاه های اندازه گیری دقیقا برآورده نشده است، ۳- در بعضی نقاط، اطلاعات موجود در مقایسه با دوره پیش بینی کوتاه ایستگاه های اندازه گیری دقیقا برآورد نشده است، ۳- در بعضی نقاط، اطلاعات موجود در مقایسه با دوره پیش بینی کوتاه می باشد و به همین دلیل به پیش بینی صورت گرفته نمی توان زیاد اعتماد کرد، ۴- اطلاعات مربوط به تغییر در میزان برداشت از چاهها، میزان نفوذ آب آبیاری و آب رودخانه نیز معمولا به حد کافی نمی باشد. بنابراین با توجه به برداشت از چاهها، میزان نفوذ آبیازی و آب رودخانه ها نیز معمولا به حد کافی موجود نمی باشد. بنابراین با توجهب ه مشکلات فوق اینطور به نظر می رسد که بایستی اطلاعات مربوط به آبخوانها بصورت دقیق و با وسواس زیاذگردآوری شود و درحقیقت برای آبخوانها شناسنامه حاوی اطلاعات دقق و کاربردی تهیه شود. وجود اطلاعات دقیق سبب می شود که میزان اطمینان ما به نتایج حاصل از مدل بیشتر شود.