مدل شبکه های بیزین برای بررسی تاثیر بارش پیشین بر پیش بینی وقوع سیلاب واریزه ای در ناحیه البرز ایران

Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 245

This Paper With 14 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_IWRR-13-4_010

تاریخ نمایه سازی: 29 بهمن 1401

Abstract:

تحلیل خطر سیلاب واریزه ای، به علت پیچیدگی و عدم قطعیت عوامل مختلف مربوط به آن، یک موضوع چالش برانگیز است. در تحقیق حاضر، اثر بارش پیشین بر رخداد سیلاب واریزه ای با استفاده از مدل بیزین در ناحیه البرز ایران ارزیابی شده است. در این مدل از متوسط ارتفاع، شیب حوضه، مساحت، بارش فعلی، بارش پیشین (به مدت ۳ روز قبل از وقوع سیلاب واریزه ای) و دبی جریان ۱ روز قبل، استفاده شده است. ۶ سناریو شامل مقدار بارش پیشین ۳ روز قبل به صورت مجزا، بارش پیشین ۲ روز قبل به صورت مجزا، بارش پیشین ۱ روز قبل، مقدار تجمعی بارش پیشین ۳ روز قبل، مقدار تجمعی بارش پیشین ۲ روز قبل و حذف اثر بارش پیشین در نظر گرفته شد. نتایج نشان داد، دقت مدل در حالت بارش پیشین مجزا، ۱۳ درصد نسبت به حالت بارش پیشین تجمعی بیشتر است و بالاترین دقت مدل به ازای سناریو بارش پیشین ۳ روز قبل به صورت مجزا، معادل ۹۱ درصد برآورد شد. هم چنین، حذف اثر هر یک از بارش پیشین از ورودی مدل باعث افت عملکرد آن می شود. مدل پیشنهادی این تحقیق، قادر به ارائه نتایج قابل اعتماد برای سیستم های هشدار خطر سیلاب واریزه ای در حوضه های آبریز می باشد.

Authors

میترا تنهاپور

دانشجوی کارشناسی ارشد /سازه های آبی، پردیس ابوریحان، دانشگاه تهران

محمد ابراهیم بنی حبیب

دانشیار /گروه مهندسی آبیاری زهکشی، دانشگاه تهران، پردیس ابوریحان

عباس روزبهانی

استادیار/گروه مهندسی آبیاری زهکشی، دانشگاه تهران، پردیس ابوریحان

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 :