استفاده از مدل های هوش مصنوعی برای مدل سازی رسوب معلق در حوضه های با اجرای عملیات آبخیزداری (منطقه مورد مطالعه: حوضه قلعه گل استان لرستان)
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 160
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_JWMS-17-63_003
Index date: 19 February 2024
استفاده از مدل های هوش مصنوعی برای مدل سازی رسوب معلق در حوضه های با اجرای عملیات آبخیزداری (منطقه مورد مطالعه: حوضه قلعه گل استان لرستان) abstract
در سال های اخیر عملیات اجرایی زیادی از نظر کنترل سیل، فرسایش و رسوب در زمینه های تحقیقاتی، مطالعاتی و اجرایی آبخیزداری انجام شدهاست. لذا این تحقیق با هدف استفاده از برخی مدل های هوش مصنوعی برای مدلسازی رسوبمعلق خروجی دو زیرحوضه شمالی و جنوبی حوزه آبخیز قلعه گل استان لرستان انجام شد. در این تحقیق برای اندازهگیری رسوبمعلق و جریان خروجی هر دو زیرحوضه، در زمان شروع بارندگی تا پایان بارندگی و رسیدن ارتفاع جریان رودخانه به دبی پایه، اندازه گیری سرعت جریان و نمونه برداری از بار رسوب معلق و جریان خروجی بهصورت مستقیم و میدانی از زیرحوضه ها انجام گرفت. در ادامه از الگوریتم های یادگیری GP (با دو کرنل PUK و RBF)، MLP و RF برای مدلسازی رسوبمعلق استفاده شد. داده های ورودی مدل ها شامل داده های هم زمان دما، بارش و دبی جریان و داده خروجی شامل رسوبمعلق خروجی بود. در این تحقیق برای مدل سازی در مرحله آموزش ۷۰ درصد داده ها و در مرحله آزمایش ۳۰ درصد باقیمانده مورد استفاده قرار گرفتند. در نهایت برای مقایسه نتایج مدل های مختلف و انتخاب بهترین مدل، از معیارهای سنجش خطای ریشه میانگین مربعات خطا (RMSE)، ضریب همبستگی (C.C) و میانگین مربعات خطا (MAE) استفاده شد. نتایج بخش اندازه گیری میدانی و آزمایشگاهی نشان داد که در تمام اندازه گیری ها میزان دبی و رسوب زیرحوضه جنوبی با عملیات آبخیزداری اجرا شده بیش از زیرحوضه شمالی بدون اجرای عملیات آبخیزداری بود. علاوه بر این نتایج حاصل از ارزیابی مدل ها نشان داد که در زیرحوضه های شمالی و جنوبی، مدل GP-RBF دارای بهترین نتایج بوده که این نتایج برای بخش آزمایش زیرحوضه شمالی با توجه به معیارهای ارزیابی C.C، RMSE، MAE و NSE بهترتیب برابر ۰/۹۵۰۹، ۰/۰۶۷، ۰/۰۴۱ و ۰/۰۹۲۴ همچنین در بخش آزمایش زیرحوضه جنوبی مقدار این معیارها بهترتیب برابر ۰/۹۶۶، ۰/۰۴۸، ۰/۰۳۷ و ۰/۹۳۲ است و بهعنوان بهترین مدل انتخاب شد. تحلیل حساسیت پارامترهای ورودی مدل GP-RBF نشان داد که دبیجریان خروجی مهم ترین ویژگی ورودی در پیشبینی رسوب معلق خروجی برای هر دو زیرحوضه شمالی و جنوبی بود.
استفاده از مدل های هوش مصنوعی برای مدل سازی رسوب معلق در حوضه های با اجرای عملیات آبخیزداری (منطقه مورد مطالعه: حوضه قلعه گل استان لرستان) Keywords:
Lorestan province , Ghaleh Gol watershed , Watershed Management Operations (WMO) , Artificial Intelligent Models (AIM) , Sediment Suspended Load (SSL). , استان لرستان , حوضه قلعه گل , عملیات آبخیزداری , مدل های هوش مصنوعی , بار رسوب معلق.
استفاده از مدل های هوش مصنوعی برای مدل سازی رسوب معلق در حوضه های با اجرای عملیات آبخیزداری (منطقه مورد مطالعه: حوضه قلعه گل استان لرستان) authors
نسرین بیرانوند
Lorestan University
علیرضا سپه وند
Lorestan University
بهرام میردریکوند
Lorestan University
حسین زینی وند
Lorestan University
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 :