مدل سازی رواناب با استفاده از مدل HBV و الگوریتم جنگل تصادفی (محدوده مورد مطالعه: حوزه آبخیز چم انجیر، استان لرستان)
Publish place: Journal of Iran-Water Resources Research، Vol: 18، Issue: 2
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 151
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_IWRR-18-2_008
تاریخ نمایه سازی: 24 بهمن 1401
Abstract:
برآورد رواناب ناشی از بارندگی، گام مهمی در مدیریت منابع آب به ویژه در آبخیزهای فاقد ایستگاه هیدرومتری است. از این رو پژوهش در ارتباط با مدلهایی که بتواند در این حوضه ها با کمترین خطا، جریان رودخانه را شبیه سازی کند امری ضروری و اجتناب ناپذیر است. امروزه به دلیل مسائل و مشکلات موجود در زمینه منابع آبی، برآورد حجم رواناب حاصل از بارندگی، از نظر تامین آب و مدیریت منابع آب روز به روز اهمیت بیشتری پیدا میکند. در این مطالعه از مدل مفهومی HBV و مدل هوش مصنوعی جنگل تصادفی (RF) به منظور شبیه سازی فرآیند رواناب حوضه آبخیز چم انجیر در استان لرستان برای دوره آماری ۲۰۰۶ تا ۲۰۱۵ استفاده شده است. بدین منظور، ابتدا آمار و اطلاعات مورد نیاز مدلها از جمله دما، بارش، دبی و تبخیر و تعرق جمع آوری شد. سپس، شبیه سازی در بازه زمانی مورد نظر انجام شد و برای ارزیابی عملکرد مدلها، از معیارهای نش- ساتکلیف و ضریب تعیین استفاده شد. نتایج معیارهای ارزیابی برای مدل HBV در ضریب نش ۰/۶۷ و در ضریب تعیین ۰/۶۸ و برای RF در ضریب نش ۰/۸۲ و در ضریب تعیین ۰/۸۶ به دست آمدند که بیانگر عملکرد بهتر مدل RF در شبیه سازی جریان روزانه در منطقه مورد مطالعه است و این مدل میتواند در آینده به عنوان یک گزینه جدید برای شبیه سازی جریان روزانه حوضه چم انجیر مورد استفاده قرار گیرد.
Authors
عاطفه امیری
دانشجوی دکتری مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین شهرکرد، دانشگاه شهرکرد، ایران.
مرتضی قیصوری
دانشجوی دکتری مدیریت حوضههای آبخیز، دانشکده منابع طبیعی، دانشگاه تهران، ایران.
عارف صابری
دانشجوی دکتری علوم و مهندسی آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران.
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 :