ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

ارزیابی برآورد رسوب با استفاده از روش های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس)

Year: 1394
COI: JR_JWSS-19-72_019
Language: PersianView: 38
This Paper With 11 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

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

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

Paper COI Code

This Paper COI Code is JR_JWSS-19-72_019. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1203988/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
حیات زاده، مهدی و چزگی، جواد و دستورانی، محمدتقی،1394،ارزیابی برآورد رسوب با استفاده از روش های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس)،https://civilica.com/doc/1203988

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 :

  • ASCE. ۲۰۰۰. Artificial neural networks in hydrology. Hydrology applications. J. ...
  • Bhattacharya, B., R. K. Price and D. P. Solomatine. ۲۰۰۵. ...
  • Cigizoglu, H. ۲۰۰۲. Suspended sediment estimation for rivers using artificial ...
  • Cigizoglu, H. K. and M. Alp. ۲۰۰۶. Generalized regression neural ...
  • French, M. N., W. F. Krajewski and R. R. Cuykendall. ...
  • Govindaraju, R. S., A. RamachandraRao. ۲۰۰۰. \"Artificial Neural Networks in ...
  • Picoet, C., B. Hingray and J. C. Olivry. ۲۰۰۱. Empirical ...
  • Singh PK., V. Kumar, RC. Purohit, M. Kothari, PK. Dashora. ...
  • اعلمی، م.، و. نورانی، ح. نظم آرا. ۱۳۸۸. قابلیت شبکه ...
  • تلوری، ع.، ن. بیرودیان و ا. منوچهری. ۱۳۸۶. مدل سازی ...
  • جلالی. م.، ک. سلیمانی. ۱۳۸۶. برآورد بار معلق رسوب ایستگاه ...
  • دهقانی، ا، ا.، م. ا. زنگانه، ا. مساعدی و ن. ...
  • دهقانی، ا.، ر. احمدی. ۱۳۸۷. تخمین آبدهی حوزه های آبخیز ...
  • داننده مهر، ع.، ا. علیانی، م. قربانی. ۱۳۸۰. پیش بینی ...
  • طلوعی، س.، ع. حسین زاده دلیر. ۱۳۹۰. تخمین زمانی و ...
  • فیض نیا، س.، ح. محمد عسگری و م. معظمی. ۱۳۸۶ ...
  • مساعدی، ا.، ا. محمدی، ع. نجفی نژاد. ۱۳۸۵. بهینه سازی ...
  • نجفی، ن.، م. حیدرپور و م. کیخایی. ۱۳۸۵. بررسی کارایی ...
  • ولی. ع.، م. رامشت. ۱۳۹۰. مقایسه کارآیی مدل های شبکه ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم
    این Paper در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support