مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل)
پیشبینی جریان در رودخانهها، یکی از مهمترین مولفههای فرآیندهای هیدرولیکی و هیدرولوژیکی در مدیریت منابع آب میباشد. به منظور کاربردهای هیدرولوژیکی گوناگون نظیر تجزیه وتحلیل بیلان آب و رسوب و همچنین پروژههای کنترل و بهرهبرداری از مخازن، وجود اطلاعات دقیقی از شرایط دبی جریان در رودخانه بسیار مهم...
Saved in:
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Gorgan University of Agricultural Sciences and Natural Resources
2016-05-01
|
| Series: | پژوهشهای حفاظت آب و خاک |
| Subjects: | |
| Online Access: | https://jwsc.gau.ac.ir/article_3069_419d3e79a8f52a2fc600433b78514d5f.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850056707741319168 |
|---|---|
| author | مریم حسین زاده کورش قادری محمد مهدی احمدی |
| author_facet | مریم حسین زاده کورش قادری محمد مهدی احمدی |
| author_sort | مریم حسین زاده |
| collection | DOAJ |
| description | پیشبینی جریان در رودخانهها، یکی از مهمترین مولفههای فرآیندهای هیدرولیکی و هیدرولوژیکی در مدیریت منابع آب میباشد. به منظور کاربردهای هیدرولوژیکی گوناگون نظیر تجزیه وتحلیل بیلان آب و رسوب و همچنین پروژههای کنترل و بهرهبرداری از مخازن، وجود اطلاعات دقیقی از شرایط دبی جریان در رودخانه بسیار مهم میباشد. از این رو هیدرولوژیستها از دادههای تاریخی جهت ایجاد یک رابطه میان دبی جریان و تراز سطح آب استفاده میکنند که از این رابطه تحت عنوان رابطه دبی- اشل یا منحنی سنجه (RC) یاد میشود. با پیشرفتهای اخیر در زمینه هوش مصنوعی و محاسبات نرم در مطالعات منابع آب، استفاده از این روشها میتواند گزینه مناسبی جهت مدلسازی فرآیندهای هیدرولیکی و هیدرولوژیکی باشد. در این تحقیق، مدلی بر اساس روش کنترل گروهی دادهها (GMDH) که یک رویکرد مدلسازی خود سازمانده مبتنی بر داده است، جهت مدلسازی رابطه دبی- اشل درایستگاه هیدرومتری فیلادلفیا روی رودخانه اسکویلکیل (Schuylkill) واقع در ایالت متحده آمریکا توسعه داده شده است. 12 مدل مختلف بر اساس ترکیبات مختلف متغیرهای ورودی از جریان و اشل با دو تابع هدف غیرخطی درجه اول و درجه دوم مورد استفاده قرار گرفته است. بررسی کارایی مدلها با استفاده از معیارهای آماری RMSE، MPRE و ضریب NASH انجام شده است. مقادیر معیارهای آماری به دست آمده از این مدلسازی در دوره آزمون مدل نشان میدهد که مدلی با مقادیر MSE،MPRE و ضریب NASH به ترتیب برابر با 8/15، 303/0 و 999/0 به عنوان بهترین مدل دبی- اشل در این رودخانه انتخاب میگردد. |
| format | Article |
| id | doaj-art-c232d4ef756b437cae84b4a142deeef6 |
| institution | DOAJ |
| issn | 2322-2069 2322-2794 |
| language | fas |
| publishDate | 2016-05-01 |
| publisher | Gorgan University of Agricultural Sciences and Natural Resources |
| record_format | Article |
| series | پژوهشهای حفاظت آب و خاک |
| spelling | doaj-art-c232d4ef756b437cae84b4a142deeef62025-08-20T02:51:38ZfasGorgan University of Agricultural Sciences and Natural Resourcesپژوهشهای حفاظت آب و خاک2322-20692322-27942016-05-0123227928910.22069/jwfst.2016.30693069مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل)مریم حسین زاده0کورش قادری1محمد مهدی احمدی2دانشگاه شهید با هنر کرماندانشگاه شهید باهنر کرماندانشگاه شهید باهنر کرمانپیشبینی جریان در رودخانهها، یکی از مهمترین مولفههای فرآیندهای هیدرولیکی و هیدرولوژیکی در مدیریت منابع آب میباشد. به منظور کاربردهای هیدرولوژیکی گوناگون نظیر تجزیه وتحلیل بیلان آب و رسوب و همچنین پروژههای کنترل و بهرهبرداری از مخازن، وجود اطلاعات دقیقی از شرایط دبی جریان در رودخانه بسیار مهم میباشد. از این رو هیدرولوژیستها از دادههای تاریخی جهت ایجاد یک رابطه میان دبی جریان و تراز سطح آب استفاده میکنند که از این رابطه تحت عنوان رابطه دبی- اشل یا منحنی سنجه (RC) یاد میشود. با پیشرفتهای اخیر در زمینه هوش مصنوعی و محاسبات نرم در مطالعات منابع آب، استفاده از این روشها میتواند گزینه مناسبی جهت مدلسازی فرآیندهای هیدرولیکی و هیدرولوژیکی باشد. در این تحقیق، مدلی بر اساس روش کنترل گروهی دادهها (GMDH) که یک رویکرد مدلسازی خود سازمانده مبتنی بر داده است، جهت مدلسازی رابطه دبی- اشل درایستگاه هیدرومتری فیلادلفیا روی رودخانه اسکویلکیل (Schuylkill) واقع در ایالت متحده آمریکا توسعه داده شده است. 12 مدل مختلف بر اساس ترکیبات مختلف متغیرهای ورودی از جریان و اشل با دو تابع هدف غیرخطی درجه اول و درجه دوم مورد استفاده قرار گرفته است. بررسی کارایی مدلها با استفاده از معیارهای آماری RMSE، MPRE و ضریب NASH انجام شده است. مقادیر معیارهای آماری به دست آمده از این مدلسازی در دوره آزمون مدل نشان میدهد که مدلی با مقادیر MSE،MPRE و ضریب NASH به ترتیب برابر با 8/15، 303/0 و 999/0 به عنوان بهترین مدل دبی- اشل در این رودخانه انتخاب میگردد.https://jwsc.gau.ac.ir/article_3069_419d3e79a8f52a2fc600433b78514d5f.pdfروشهای دادهمحوررابطه دبی- اشلمدلسازیanngmdh |
| spellingShingle | مریم حسین زاده کورش قادری محمد مهدی احمدی مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) پژوهشهای حفاظت آب و خاک روشهای دادهمحور رابطه دبی- اشل مدلسازی ann gmdh |
| title | مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) |
| title_full | مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) |
| title_fullStr | مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) |
| title_full_unstemmed | مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) |
| title_short | مدلسازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی(ANN) و روش کنترل گروهی دادهها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) |
| title_sort | مدلسازی رابطه دبی اشل در رودخانه با استفاده از روش شبکههای عصبی مصنوعی ann و روش کنترل گروهی دادهها gmdh مطالعه موردی رودخانه اسکویلکیل |
| topic | روشهای دادهمحور رابطه دبی- اشل مدلسازی ann gmdh |
| url | https://jwsc.gau.ac.ir/article_3069_419d3e79a8f52a2fc600433b78514d5f.pdf |
| work_keys_str_mv | AT mrymḥsynzạdh mdlsạzyrạbṭhdbyạsẖldrrwdkẖạnhbạạstfạdhạzrwsẖsẖbḵhhạyʿṣbymṣnwʿyannwrwsẖḵntrlgrwhydạdhhạgmdhmṭạlʿhmwrdyrwdkẖạnhạsḵwylḵyl AT ḵwrsẖqạdry mdlsạzyrạbṭhdbyạsẖldrrwdkẖạnhbạạstfạdhạzrwsẖsẖbḵhhạyʿṣbymṣnwʿyannwrwsẖḵntrlgrwhydạdhhạgmdhmṭạlʿhmwrdyrwdkẖạnhạsḵwylḵyl AT mḥmdmhdyạḥmdy mdlsạzyrạbṭhdbyạsẖldrrwdkẖạnhbạạstfạdhạzrwsẖsẖbḵhhạyʿṣbymṣnwʿyannwrwsẖḵntrlgrwhydạdhhạgmdhmṭạlʿhmwrdyrwdkẖạnhạsḵwylḵyl |