یکپارچه سازی سیستم اطلاعات مکانی (GIS)، شبکه عصبی پرسپترون چندلایه (MLP) و مدل بارش-رواناب (SWAT) با درنظرگرفتن تغییرات کاربری ها برای پیش بینی دبی ورودی و حجم رسوب (مطالعه موردی: سد ستارخان)

Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 270

This Paper With 13 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_GIS-8-4_006

تاریخ نمایه سازی: 16 آبان 1400

Abstract:

هدف از مطالعات رسوب گذاری در یک سد مخزنی یافتن دیدی کلی درمورد میزان حجم ازدست رفته مخزن است. در این میان، بررسی و پیش بینی حجم رسوب واردشده به مخزن اهمیت ویژه ای دارد. در این پژوهش، با استفاده از روش آماری ریزمقیاس کردن، بارش و دما در محدوده حوضه آبریز سد ستارخان با مساحت ۹۵۰ کیلومترمربع، واقع در استان آذربایجان شرقی، در بلند مدت پیش بینی شده اند. با توجه به اطلاعات بارش و دمای پیش بینی شده، به کمک مدل [۱]SWAT، رسوب ورودی به سد شبیه سازی شده است. مقایسه نتایج این مدل و مقادیر مشاهداتی نشان می دهد گرچه مدل SWAT با دقت بالای ۸۰% می تواند روند جریان رسوب ورودی به مخزن را شبیه سازی کند، قادر به شبیه سازی مقادیر واقعی رسوب نیست. برای رفع این اختلاف، باید پارامتر فرسایش نیز، برای رسیدن به نتیجه مطلوب، در محاسبات لحاظ شود. بنابراین ابتدا با کمک مدل شبکه عصبی پرسپترون چندلایه (MLP) بارش مورد نظر پیش بینی شده و سپس نقشه کاربری به منظور تعیین میزان تاثیر کاربری و، به تبع آن، فرسایش در محیط GIS تهیه شده است. ترکیب پارامتر کاربری در محیط GIS و بارش پیش بینی شده می تواند خروجی SWAT را به مقدار واقعی نزدیک تر کند. نتایج حاصل نشان می دهد که با یکپارچه سازی و استفاده از مدل های به کاررفته و قابلیت های GIS می توان نتایج و برآورد میزان حجم رسوب را با دقت بالای ۹۵% محاسبه کرد.

Keywords:

پیش بینی-دبی ورودی- حجم رسوب-GIS , MLP - SWAT

Authors

ناصر محمدی ورزنه

دانشجوی دکتری سنجش از دور و سیستم اطلاعات جغرافیایی، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران

علیرضا وفایی نژاد

استادیار گروه سازه و ژئوتکنیک، دانشکده عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران

جلال کرمی

استادیار گروه سنجش از دور و GIS، دانشگاه تربیت مدرس، تهران

رضا راستی

استادیار گروه سازه و ژئوتکنیک، دانشکده عمران، آب و محیط زیست، دانشگاه شهید بهشتی، 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 :
  • آرخی، ص.، نیازی، ی.، ۱۳۸۹، بررسی کاربرد تخمین فرسایش خاک ...
  • اقدامی راد، س.، ۱۳۸۳، بررسی تاثیر سیگنال های هواشناسی بر ...
  • حسینخانی، ح.، ۱۳۹۲، ارزیابی خطر فرسایش و پتانسیل رسوبدهی حوضه ...
  • حق نگهدار، ا.، ۱۳۸۲، تاثیر سیگنال های هواشناسی در اصلاح ...
  • دهقان، ز.، فتحیان، ف.، اسلامیان، س.، ۱۳۹۴، ارزیابی مقایسه ای ...
  • رضوی زاده، س.، کاویان، ع.، وفاخواه، م.، ۱۳۹۳، تخمین دبی ...
  • ساداتی نژاد، ج.، شکاری، م.ر.، ولی، ع.، ۱۳۹۵، پیش بینی ...
  • علیزاده، ا.، ۱۳۸۹، اصول هیدرولوژی کاربردی، انتشارات دانشگاه امام رضا ...
  • فرخ زاده، ب.، ایلدرمی، ع.، عطاییان، ب.، نوروزی، م.، ...
  • فلامکی، ا.، اسکندری، م.، بغلانی، ع.، احمدی، س.ا.، ۱۳۹۲، مدلسازی ...
  • کارآموز، م.، عراقی نژاد، ش.، ۱۳۸۴، هیدرولوژی پیشرفته، انتشارات دانشگاه ...
  • گلشن، م.، ۱۳۹۲، پیش بینی دبی جریان و تولید رسوب ...
  • یزدان پناه، ع.، ۱۳۸۵، پیش بینی بارش های موسمی متاثر ...
  • Hejazizadeh, Z., Fattahi, A., Salighe, M. & Arsalani, F., ۲۰۱۳, ...
  • Moghaddamnia, A., Gousheh, M.G., Piri, J., Amin, S. & Han, ...
  • Olive, L.J. & Reiger, W.A., ۱۹۹۲, Stream Suspended Sediment Transport ...
  • Sharma, S., Srivastava, P., Fang, X. & Kalin, L., ۲۰۱۶, ...
  • Silverman, D. & Dracup, JA., ۲۰۰۰, Artificial Neural Networks and ...
  • Walling, D.E., ۱۹۹۴, Measuring Sediment Yield from River Basins, Soil ...
  • نمایش کامل مراجع