پیش بینی دبی روزانه رودخانه با استفاده از مدل نروفازی (مطالعه موردی: حوزه آبخیز طالقان)

Publish Year: 1393
نوع سند: مقاله ژورنالی
زبان: Persian
View: 207

This Paper With 12 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_JWMR-5-10_005

تاریخ نمایه سازی: 17 مهر 1400

Abstract:

  از مهم­ترین مسائل در مدیریت حوزه­های آبخیز، پیش­بینی فرآیندهای هیدرولوژیکی می­باشد. استفاده از مدل­های جدید در این زمینه می تواند به مدیریت و برنامه­ریزی صحیح کمک کند. علاوه برآن پیش­بینی جریان رودخانه، مخصوصا در شرایط سیلابی، به مسوولان این امکان را خواهد داد که با آمادگی خسارات ناشی از سیل را کاهش دهند. یکی از روش­هایی که اخیرا برای پیش­بینی و برآورد میزان دبی رودخانه­ها به کار می­رود، مدل نروفازی است. نروفازی با بررسی و تشخیص روابط بین ورودی­ها و خروجی، به برآورد خروجی مطلوب می­پردازد. در این مطالعه مقادیر سه ساله بارندگی و دبی روزانه ایستگاه­های مختلف موجود در سطح حوزه آبخیز طالقان، به عنوان ورودی به مدل نروفازی وارد شد و با توجه به نمایه­های آماری (ریشه میانگین مربعات خطا، ضریب همبستگی و تبیین)، بهترین ساختار نروفازی و ترکیب ورودی­ها جهت پیش­بینی جریان رودخانه مشخص گردید. نتایج نشان داد که بهترین برآوردها مربوط به فازی ساز گوسی بود. با اینکه حالت ­ های ورودی مختلفی، نتایج قابل قبولی را ارائه داد، بهترین برآوردها با ضرایب RMSE و R۲ (داده ­ های آموزش ۰۲/۰ و ۹۸/۰ - داده­های آزمون ۰۶/۰ و ۸۷/۰)، مربوط به ورودی دبی مهران و جوستان و دبی روز قبل گراب و دهدر بود. با توجه به نتایج مشخص شد که نروفازی با صحت زیادی پیش ­ بینی جریان روزانه را انجام داده است و در مدیریت حوزه­های آبخیز و کنترل سیل می­تواند استفاده شود.

Authors

صادق تالی خشک

دانشگاه تهران

محسن محسنی ساروی

دانشگاه تهران

مهدی وفاخواه

دانشگاه تربیت مدرس نور

شهرام خلیقی سیگارودی

دانشگاه تهران

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 :
  • Aqil, M., I. Kita, A. Yano and S. Nishiyama. ۲۰۰۷a. ...
  • Aqil, M., I. Kita, A. Yano and S. Nishiyama. ۲۰۰۷b. ...
  • Aronica, G.T. and A. Candela. ۲۰۰۷. Derivation of flood frequency ...
  • Chen, S.H., Y.H. Lin, L.C. Chang and F.J. Chang. ۲۰۰۶. ...
  • Fathabadi, A. ۲۰۰۷. River flow prediction by Neurofuzzy and time ...
  • Ghose, D., S. Panda and P. Swain. ۲۰۱۳. Prediction and ...
  • Han, J. ۲۰۰۲. Application of artificial neural networks for flood ...
  • Hong, Y.S.T. and P.A. White. ۲۰۰۹. Hydrological modeling using a ...
  • Jang, J.S. ۱۹۹۳. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions ...
  • Kisi, O., T. Haktanir, M. Ardiclioglu, O. Ozturk, E. Yalcin ...
  • Kurtulus, B. and M. Razack. ۲۰۱۰. Modeling daily discharge responses ...
  • Nayak, P.C., K.P. Sudheer, D.M. Rangan and K.S. Ramasastri. ۲۰۰۴. ...
  • Salajeghe, A. and A. Fathabadi. ۲۰۰۹. Suspended sediment evaluation by ...
  • Shiri, J., Ö. Kişi, O. Makarynskyy, A.A. Shiri and B. ...
  • Talei, A., L.H. Chua, C. Quek and P.E. Jansson. ۲۰۱۳. ...
  • Talei, A., L.H.C. Chua and T.S.W. Wong. ۲۰۱۰. Evaluation of ...
  • Vafakhah, M. ۲۰۰۸. Simulating snow discharge by artifical neural network, ...
  • Vafakhah, M. ۲۰۱۲. Application of artificial neural networks and adaptive ...
  • Yilmaz, A., M. Imteaz and G. Jenkins. ۲۰۱۱. Catchment flow ...
  • نمایش کامل مراجع