ارزیابی برآورد رسوب با استفاده از روش های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس)
Publish place: Journal of Water and Soil Science، Vol: 19، Issue: 72
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 312
This Paper With 11 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:
شناسه ملی سند علمی:
JR_JWSS-19-72_019
تاریخ نمایه سازی: 22 اردیبهشت 1400
Abstract:
از آنجا که توسعه برنامه های مهار آب های سطحی ملزم به دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می باشد لذا کمبود ایستگاه های اندازه گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه سازی رفتار جریان ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تاثیر می پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان های آن می باشد. لذا آگاهی از میزان این ارتباط به منظور مدیریت و ساماندهی جریان در پایین دست حوزه حائز اهمیت می باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش های رگرسیونی سنجه رسوب براساس داده های ۱۳۶ واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین منظور در گام نخست برای پیش بینی بار رسوب از دو روش مذکور، فقط از داده های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل ها اضافه شده است. نتایج به دست آمده از این تحقیق نشان می دهد که با به کارگیری شبکه عصبی از نوع پرسپترون چندلایه (MLP) با الگوریتم لونبرگ- مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و ۴ نرون در هر لایه، می توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به دست آمده از روش شبکه عصبی مصنوعی به مراتب از دقت روش منحنی سنجه بالاتر می باشد. در ارزیابی روش های شبکه NGANN, GANN و رگرسیونیSRC, MARS ، به ترتیب میزان ضریب همبستگی ۹۴/۰، ۹۳/۰، ۷۶۷/۰ و ۷۶۶/۰ و مجذور میانگین مربعات خطا (RMSE) به ترتیب ۴۵/۰، ۴۹/۰، ۳/۲ و ۳/۲ و ضریب نش- ساتکلیف (NS) به ترتیب ۷۱/۰، ۵۸/۰، ۲۷/۰ و ۲۳/۰ محاسبه گردید. بنابراین کاراترین روش از بین مدل های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده های مورفولوژیکی حوزه (GANN) می باشد. ضمنا براساس یافته های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تاثیر چندانی بر روی کارایی این مدل ندارد.
Keywords:
Artificial Neural Network (ANN) , sediment rating curve method , MARS method , Bagh Abbas basin. , شبکه عصبی مصنوعی (ANN) , منحنی سنجه رسوب , روش مارس (MARS) , حوزه باغ عباس
Authors
مهدی حیات زاده
Dept. of Watershed and Rangeland Management, School of Natur. Resour. and Desert Studies, Yazd Univ., Yazd, Iran
جواد چزگی
Dept. of Watershed and Rangeland Management, School of Natur. Resour. and Desert Studies, Yazd Univ., Yazd, Iran
محمدتقی دستورانی
Dept. of Natur. Resour. and Environ., Faculty of Watershed and Rangeland Management, Ferdowsi Univ., Mashhad, 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 :