ارزیابی رتبه ای دو رویکرد مدل سازی داده مبناء و مفهومی فرآیند بارش- رواناب در مقیاس زمانی ماهانه
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 154
This Paper With 16 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WATER-12-4_014
تاریخ نمایه سازی: 5 تیر 1401
Abstract:
مدل سازی ماهانه فرآیند بارش- رواناب نقش مهمی در بهر ه برداری از سدها دارد. در مقاله حاضر کارایی سه مدل داده مبناء شبکه عصبی مصنوعی (ANN)، شبکه عصبی رگرسیون تعمیم یافته (GRNN) و K نزدیک ترین همسایگی (KNN) در مقایسه با مدل مفهومی IHACRES در مدل سازی ماهانه بارش- رواناب با داده های مشابه و ساختار بهینه مورد ارزیابی قرار گرفت. شبیه سازی جریان ماهانه ورودی به سد کرخه به عنوان مطالعه موردی انتخاب و از داده های مشاهده ای ۳۲ ساله (۱۳۹۳-۱۳۶۱) دما و بارش ماهانه و جریان ماهانه ورودی به سد استفاده شد. با توجه به متفاوت بودن الگوهای بارش-رواناب در ماه های مختلف، دو نوع ارزیابی کلی و ماهانه از کارایی مدل ها با استفاده از روش رتبه دهی و بر مبنای سه شاخص ارزیابی نش- ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) انجام شد. نتایج نشان داد که از هر دو روش ارزیابی مدل ها در مرحله صحت سنجی، دو مدل ANN و KNN به ترتیب دارای بیشترین و کم ترین کارایی در تخمین جریان ماهانه بودند. بر اساس ارزیابی کلی رتبه ای مدل ها، کارایی دو مدل ANN(۷۴۹/۰ NSE= و ۸۶۸/۰R=) و IHACRES (۶۹۹/۰ NSE=و ۸۴۲/۰R=) با کسب ۸ امتیاز مشابه بود و دو مدل GRNN (۶۱۸/۰ NSE=و ۷۹۳/۰R=) و KNN (۶۰۱/۰ NSE=و ۷۷۷/۰R=) با کارایی مشابه (۵ امتیاز) در رتبه دوم قرار گرفتند. در حالیکه بر اساس روش ارزیابی رتبه ای ماهانه، دو مدل IHACRES و GRNN با کسب مجموع ۳۸ امتیاز مساوی از سه شاخص ارزیابی خطا دارای کارایی مشابه بوده و کارایی آنها پس از مدل ANN با ۴۸ امتیاز در مقام دوم قرار گرفت.
Keywords:
Authors
فرشته مدرسی
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد
کیومرث ابراهیمی
مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران
شهاب عراقی نژاد
مهندس کنترل منابع آب در هیئت مدیره کنترل منابع آب ایالتی، ساکرامنتو، کالیفرنیا، امریکا،
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 :