پیش بینی جریان ورودی سد امیرکبیر با استفاده از الگوهای دورپیوند اقلیمی و مدل های یادگیری ماشین
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 148
This Paper With 19 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_JWIM-13-2_010
تاریخ نمایه سازی: 25 تیر 1402
Abstract:
تقاضا برای آب شیرین به طور فزاینده ای در حال افزایش است، درحالی که منابع محدود آب، در معرض اضافه برداشت، آلودگی و تغییرات اقلیمی هستند که این موارد نیاز به بهبود مدیریت منابع آب را به منظور توزیع عادلانه و دست یابی به اهداف توسعه پایدار برجسته می کند. یک گزینه کم هزینه برای حمایت از استراتژی های مدیریت بهتر آب، توسعه مدل هایی با قابلیت پیش بینی مقادیر آب دردسترس، به ویژه مقادیر مربوط به بارش و جریان رودخانه هاست. تنوع اقلیمی و تغییرات آب و هوایی، یک فرض اساسی برای پیشبینی های هیدروکلیماتولوژیکی است. یکی از جنبه های قابل توجه این موضوع، همبستگی بین پدیده های بزرگ مقیاس جوی-اقیانوسی یا الگوهای دورپیوند با فرایندهای هیدرولوژیکی در مقیاس محلی است که این الگوها می توانند بر جریان ورودی به سدها نیز اثرگذار باشند. در این مطالعه از سه مدل یادگیری ماشین شبکه عصبی مصنوعی، شبکه عصبی بیزین و سیستم استنتاج عصبی-فازی سازگار برای پیش بینی جریان ورودی به سدها بهره گرفته شده است تا کارایی آن ها مورد ارزیابی قرار بگیرد. بدین منظور ۱۲ سناریو متشکل از متغیرهای بارش، جریان ورودی به سد و نه شاخص اقلیمی با تاخیر تا شش گام زمانی، طراحی شد تا تاثیر استفاده از الگوهای دورپیوند به عنوان متغیرهای پیش بینی کننده جریان یک ماه بعد سد امیرکبیر، موردبررسی قرار بگیرد. تحلیل نتایج این پژوهش نشان داد که استفاده از شاخص Nino۳.۴ با یک گام زمانی تاخیر و هم چنین شاخص PDO با دو گام زمانی تاخیر، می توانند باعث افزایش دقت مدل نسبت به سناریوهای که در آن ها تنها از متغیرهای ایستگاهی استفاده شده است، شوند. طبق نتایج، شاخص Nino۳.۴ موثرترین شاخص بر جریان ورودی به سد امیرکبیر شناخته شد و سناریویی که در آن از شاخص نامبرده به همراه داده های بارش و جریان یک و دوماه قبل به عنوان ورودی استفاده شده بود، در هر سه مدل، بالاترین دقت را به ثبت رساند. هم چنین عملکرد مدل ANFIS برای سناریوی نامبرده (سناریوی ۹)، با مقادیر RMSE و R۲، به ترتیب معادل با ۶۹/۵ مترمکعب بر ثانیه و ۷۹/۰، نسبت به دو مدل ANN و BNN بهتر بود، به طوری که مقدار شاخص R۲ برای بهترین سناریوی متشکل از متغیرهای ایستگاهی (سناریوی ۵)، به میزان ۱۵/۰ افزایش یافته و مقدار شاخص RMSE نیز به میزان ۷۸/۰ مترمکعب کاهش یافته است.
Keywords:
Authors
احسان واشقانی فراهانی
گروه مهندسی آب، دانشکده فناوری کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.
علی رضا مساح بوانی
گروه مهندسی آب، دانشکده فناوری کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.
عباس روزبهانی
گروه مهندسی آب، دانشکده فناوری کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.
فرهاد بهزادی
گروه مهندسی آب، دانشکده فناوری کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، تهران، ایران.
میثاق بیدآبادی
گروه مهندسی آبیاری و آبادانی، دانشکده کشاورزی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، 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 :