پیش بینی رواناب با استفاده از مدل های جعبه سیاه و خاکستری
Publish place: Journal of Iran-Water Resources Research، Vol: 14، Issue: 5
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 140
This Paper With 16 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-14-5_014
تاریخ نمایه سازی: 29 بهمن 1401
Abstract:
در دهه گذشته، یادگیری ماشین یک روش مناسب برای مدل سازی تجربی بارش-رواناب به عنوان یک مکمل مفید برای مدل های هیدرولوژیکی مطرح شده است، به ویژه در حوضه هایی که داده ها برای مدل های داده محور محدود هستند. در این تحقیق از مدل های جعبه سیاه (نروفازی و ماشین بردار پشتیبان) و مدل های جعبه خاکستری (TOPMODEL و HBV) برای شبیه سازی فرآیند بارش-رواناب روزانه در حوضه نوده خاندوز که در رودخانه گرگانرود قرار دارد، استفاده شد و عملکرد آن ها با توجه به دقت پیش بینی رواناب مقایسه گردید. برای مدل های جعبه سیاه، سه سری ورودی شامل دبی، دما و بارندگی در ۹ سناریوی متفاوت بر اساس داده های سری زمانی انتخاب گردید. مقایسه مقادیر میانگین مربعات خطا و ضریب تعیین نشان می دهد مدل نروفازی با دبی تا سه گام زمانی قبل و دمای گام زمانی قبل عملکرد بهتری نسبت به سایر سناریوها دارد. به طور کلی مدل های جعبه سیاه رواناب را در مرحله واسنجی و صحت سنجی با دقت بیشتری نسبت به HBV و TOPMODEL شبیه سازی کرده اند. مقایسه دقیق عملکرد کل مدل ها نشان داد که مدل های نروفازی و ماشین بردار پشتیبان رواناب را در فصل های گرم با دقت کمتری نسبت به فصل های سرد پیش بینی کرده است.
Keywords:
Authors
سید مرتضی سیدیان
استادیار /دانشکده کشاورزی، دانشگاه گنبد کاووس-گنبد کاووس.
مهسا باقرپور
دانش آموخته کارشناسی ارشد/ آبخیزداری، دانشگاه گنبدکاووس-گنبد کاووس
ابوالحسن فتح آبادی
استادیار /دانشکده کشاورزی ، دانشگاه گنبد کاووس-گنبد کاووس
امین محمدی
استادیار/ دانشکده کشاورزی ، دانشگاه گنبد کاووس-گنبد کاووس
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 :