ارزیابی کارایی سامانههای ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تحلیل منطقهای سیلاب (مطالعه موردی: حوضه آبخیز دریاچه نمک)
عنوان مقاله: ارزیابی کارایی سامانههای ماشین بردار پشتیبان و شبکه عصبی مصنوعی در تحلیل منطقهای سیلاب (مطالعه موردی: حوضه آبخیز دریاچه نمک)
شناسه ملی مقاله: JR_JWSS-23-1_026
منتشر شده در در سال 1398
شناسه ملی مقاله: JR_JWSS-23-1_026
منتشر شده در در سال 1398
مشخصات نویسندگان مقاله:
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.
خلاصه مقاله:
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.
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.
کلمات کلیدی: Hydrometric Stations, Return Period, Gamma Test, Support Vector Machine, Namak Lake Watershed, ایستگاه آبسنجی, دوره بازگشت, آزمون گاما, ماشین بردار پشتیبان, حوضه آبخیز دریاچه نمک
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1201059/