ارزیابی کارایی سامانههای ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تحلیل منطقهای سیلاب (مطالعه موردی: حوضه آبخیز دریاچه نمک)

Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 266

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JWSS-23-1_026

تاریخ نمایه سازی: 21 اردیبهشت 1400

Abstract:

تخمین دبی سیلاب با دوره بازگشت مختلف، یکی از مهمترین عوامل لازم برای طراحی و اجرای سازه­های آبی است. از طرفی بسیاری از رودخانه­های موجود در حوضه­های آبخیز ایران فاقد آمار و اطلاعات آب­سنجی کامل و دقیق هستند. در چنین مواردی یکی از راه حلهای مناسب برای برآورد دبی­های سیلابی با دوره بازگشت مختلف، انجام تحلیل منطقه­ای سیلاب است. در پژوهش حاضر ۵۵ ایستگاه آب­سنجی مورد استفاده قرار گرفتند. برای اینمنظور ابتدا دبی­های حداکثر لحظه­ای ایستگاه­های منتخب در دوره بازگشت­های مختلف با استفاده از نرم­افزار Easy Fit برآورد شد. سپس متغیرهای موثر بر دبی­های سیلابی جمع­آوری و متغیرهای ورودی مدل با استفاده از آزمون گاما و به کمک نرم­افزار WinGamma تعیین شدند. درنهایت مدل­سازی داده­ها با استفاده از ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون چند متغیره غیرخطی انجام پذیرفت. ارزیابی کمی و کیفی نتایج با استفاده از آماره­های گوناگون از جمله آماره ناش- ساتکلیف نشان داد که روش مدل­سازی ماشین بردار پشتیبان، از بیشترین دقت نسبت به دو روش مدل­سازی دیگر بهمنظور پیش­بینی دبی­های حداکثر لحظه­ای در حوضه آبخیز دریاچه نمک برخوردار است.

Authors

ابراهیم شریفی گرمدره

۱. Department of Watershed Management Engineering, Faculty of Natural Resources, Tarbiat Modares University, Nour, Iran.

مهدی وفاخواه

۱. Department of Watershed Management Engineering, Faculty of Natural Resources, Tarbiat Modares University, Nour, Iran.

سیدسعید اسلامیان

۲. Department of Water Engineering, College of Agriculture Engineering, Isfahan University of Technology, Isfahan, Iran.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Ahn, J., W. Cho, T. Kim, H. Shin and J-H. ...
  • Alizadeh, A. 2006. Principles of Applied Hydrology (18th Ed). The ...
  • Aziz, K., A. Rahman, G. Fang and S. Shrestha. 2013. ...
  • Bloscle, G. and M. Sivapalan. 1997. Process controls on regional ...
  • Daliri, M., M. Javadi and S. Abedkouhi. 2014. Traffic signs ...
  • Dawson, C. W., R. J. Abrahart, A. Y. Shamseldin and ...
  • Dogan, E., M. Gumrukcuoglu, M. Sandalci and M. Opan. 2010. ...
  • Esen, H., M. Inalli, A. Sengur and M. Esen. 2008. ...
  • Eslami, A. R. and B. Saghafian. 2008. The role of ...
  • Eslamian, S. S., J. Abedi-Koupai, M. J. Amiri and S. ...
  • Fatehi, I., B. J. Amiri, A. Alizadeh and J. Adamowski. ...
  • Ghabaei Sough, M., A. Mosaedi, M. Hesam and A. Hezarjaribi. ...
  • Gizaw, M. S. and T. Y. Gan. 2016. Regional flood ...
  • Goel, A. and M. Pal. 2012. Stage-discharge modeling using support ...
  • Hall, M. G. and A. V. Minns. 1998. Regional flood ...
  • Jaydari, A., A. Fathzadeh, R. Taghizadeh Mehrjardi, M. T. Dastorani ...
  • Jones, A. J. 2004. New tools in non-linear modeling and ...
  • Karim, M. A. and J. U. Chowdhury. 1995. A comparison ...
  • Khosravi, M., A. Salajegheh, M. Mahdavi and M. Mohseni Saravi. ...
  • Kia, M. 2018. Soft Computing using MATALAB (5th Ed). Kian ...
  • Kurtulus, B. and M. Razack. 2010. Modeling daily discharge responses ...
  • Menhaj, M. 2005. Basis of Artificial Neural Network (Calculative Intelligence). ...
  • Minns, A. W. and M. J. Hall. 1996. Artificial neural ...
  • Moghadamnia, A., M. Ghafari, J. Piri and D. Han. 2008. ...
  • Moghimi, A., S. R. Moussavi, A. Motamed and H. Ahmadi. ...
  • Nabizadeh, M., A. Mosaedi, M. Hesam and A. A Dehghani ...
  • Nabizadeh, M., A. Mosaedi, M. Hesam and A. A Dehghani. ...
  • Najmaii, M. 1991. Engineering Hydrology. (2th Ed). Science and Technology ...
  • Noori, R., A. R. Karbassi, A. Moghaddamnia, D. Han, M. ...
  • Radhika, Y. and M. Shashi. 2009. Atmospheric temperature prediction using ...
  • Rezai, A., M. Mahdavi, K. Lox, S. Feyznaya and M. ...
  • Seckin, N. and A. Guven. 2012. Estimation of peak flood ...
  • Seefi, A., M. Mirlatifi and H. Reahi. 2013. Introduction and ...
  • Sharifi, A. R., Y. Dinpashoh, A. Fakheri-Fard and A. R. ...
  • Shu, C. and T. B. M. J. Ouarda. 2008. Regional ...
  • Topaloulu, F. 2002. Determining suitable probability distribution models for flow ...
  • Vafakhah, M. 1999. Estimated regional frequency of low-flow in the ...
  • Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer. ...
  • Vasant, S. A. and S. D. Talegaokar. 2014. Hydrological study ...
  • Viola, F., V. Noto, M. Cannarozzo and G. La Loggia. ...
  • Zakaria, A. Z. and A. Shabri. 2012. Streamow forecasting at ...
  • نمایش کامل مراجع