مدل سازی رواناب در حوضه های فاقد آمار با استفاده از داده های سنجش از دور (RS) و شبکه های عصبی مصنوعی (ANNs) (مطالعه موردی: حوضه دشت اردبیل)

Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 107

This Paper With 23 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-19-5_004

تاریخ نمایه سازی: 24 اردیبهشت 1403

Abstract:

اگرچه اخیرا مدل سازی بارش-رواناب چالش بزرگی به حساب نمی آید، اما این مورد همچنان در حوضه و یا زیرحوضه های فاقد آمار یکی از مسایل چالش برانگیز برای محققان این حوزه است. یکی از روش های نوین در این زمینه استفاده از تکنیک های سنجش از دور و استفاده از یادگیری ماشین (هوش مصنوعی)  بوده است. در این تحقیق برای محاسبه رواناب در حوضه های فاقد آمار، از دو حوضه شامل حوضه ایستگاه هیدرومتری سامیان و حوضه ایستگاه هیدرومتری عموقین در دشت اردبیل استفاده شد. ایستگاه اول به عنوان خروجی حوضه دشت اردبیل و برای آموزش و واسنجی مدل و از ایستگاه دوم به عنوان حوضه فاقد آمار برای صحت سنجی و آزمون، انتخاب شدند. مدل سازی با استفاده از ۹ پارامتر ورودی شامل فشار هوا، شاخص پوشش گیاهی (پوشش کم و زیاد)، دمای خاک، دمای سطح زمین، حجم آب خاک، رواناب، پتانسیل تبخیر و بارش انجام شد. همچنین، از یک پارامتر مربوط به آمار مشاهداتی ایستگاه ها، به عنوان خروجی استفاده شد. مدل سازی با استفاده از چهار مدل شامل NARX، ANN-ACO، ANN-GA، ANN-PSO انجام و برای ارزیابی دقت مدل ها از آماره های MSE، R۲، RMSE، NSE و MAE استفاده شد. نتایج نشان دادند که مدل NARX به ترتیب و با دقت ۰/۰۰۱، ۰/۸۶، ۰/۰۳۹، ۰/۸۵۵ و ۰/۰۱۵ به وضوح نسبت به سایر مدل ها از برتری بسیار خوبی برخودار است. باتوجه به امکان دستیابی به نتایجی با دقت بالا و باتوجه به وجود حوضه های کم آمار و فاقد آمار در سرتاسر جهان، استفاده از روش های سنجش از دور در ترکیب با هوش مصنوعی می تواند بخشی از چالش های هیدرولوژیست ها را پاسخ دهد.

Authors

امین اکبری مجد

دانشجوی کارشناسی ارشد منابع آب، گروه علوم و مهندسی آب دانشگاه محقق اردبیلی، اردبیل، ایران.

جوانشیر عزیزی مبصر

دانشیار گروه مهندسی آب دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران

علی رسول زاده

استاد گروه مهندسی آب دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران.

مهسا حسن پور کاشانی

استادیار گروه مهندسی آب دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، 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 :
  • Adamowski J, Karapataki C (۲۰۱۰) Comparison of multivariate regression and ...
  • Affandia A K, Watanabe K, Tirtomihardjo H (۲۰۰۷) Application of ...
  • Akhtar M, Ahmad N, Booij M J (۲۰۰۸) The impact ...
  • Alsumaiei A A (۲۰۲۰) A nonlinear autoregressive modeling approach for ...
  • Amirahmadi A, Moali Ahari N, Ahmadi T (۲۰۱۳) Determining possible ...
  • Amisigo B A, van de Giesen N, Rogers C, Andah ...
  • Azad A, Farzin S, Kashi H, Sanikhani H, Karami H, ...
  • Balamurugan R, Natarajan A M, Premalatha K (۲۰۱۵) Stellar-mass black ...
  • Basheer I A, Hajmeer M (۲۰۰۰) Artificial neural networks: fundamentals, ...
  • Bastola S, François D (۲۰۱۲) Temporal extension of meteorological records ...
  • Bastola S, Misra V (۲۰۱۴) Evaluation of dynamically downscaled reanalysis ...
  • Bianchi L, Dorigo M, Gambardella L M, Gutjahr W J ...
  • Bingeman A K, Kouwen N, Soulis E D (۲۰۰۶) Validation ...
  • Casella G (۲۰۰۲) Statistical inference. Second ed., Duxbury/Thomson Learning, Pacific ...
  • Chen X Y, Chau K W, Busari A O (۲۰۱۵) ...
  • Dehghani R, Poudeh H T (۲۰۲۱) Applying hybrid artificial algorithms ...
  • Deneubourg J-L, Aron S, Goss S, Pasteels J M (۱۹۸۷) ...
  • Draper N R, Smith H (۱۹۹۸) Applied regression analysis (Vol. ...
  • Fabio D N, Abba S, Pham B Q, Towfiqul Islam ...
  • Fraser A (۱۹۵۷a) Simulation of genetic systems by automatic digital ...
  • Fraser A (۱۹۵۷b) Simulation of genetic systems by automatic digital ...
  • Gaur S, Ch S, Graillot D, Chahar B R, Kumar ...
  • Glantz S A, Slinker B K, Neilands T B (۱۹۹۰) ...
  • Gorelick N, Hancher M, Dixon M, Ilyushchenko S, Thau D, ...
  • Goswami M, O’connor K, Bhattarai K (۲۰۰۷) Development of regionalisation ...
  • Guan X, Zhang J, Yang Q, Tang X, Liu C, ...
  • Guang-Bin H (۲۰۰۳) Learning capability and storage capacity of two-hidden-layer ...
  • He S, Gu L, Tian J, Deng L, Yin J, ...
  • Hernández-Bedolla J, García-Romero L, Franco-Navarro C D, Sánchez-Quispe S T, ...
  • Holland J H (۱۹۹۲) Adaptation in natural and artificial systems: ...
  • Huang Q, Qin G, Zhang Y, Tang Q, Liu C, ...
  • Hydrogeol J (۲۰۱۰) The relation between karst spring discharge and ...
  • Hydrology A N N (۲۰۰۰) Artificial neural networks in hydrology. ...
  • Hyndman R J, Koehler A B (۲۰۰۶) Another look at ...
  • Jemcov I, Petric M (۲۰۰۹) Measured precipitation vs. effective infiltration ...
  • Joo C, Koo J, Yu M (۲۰۰۲) Application of short-term ...
  • Kalra A, Aryal A, Bhusal A, Gupta R (۲۰۲۳) Floodplain ...
  • Kanishka G, Eldho T (۲۰۲۰) Streamflow estimation in ungauged basins ...
  • Khaki M, Yusoff I, Islami N (۲۰۱۵) Simulation of groundwater ...
  • Khalili K, Abbaszade afshar m, Nazeri Z (۲۰۱۴) Compared to ...
  • Kisi O, Alizamir M, Zounemat-Kermani M (۲۰۱۷) Modeling groundwater fluctuations ...
  • Levenberg K (۱۹۴۴) A method for the solution of certain ...
  • Li H, Lu Y, Zheng C, Yang M, Li S ...
  • Li K, Coe M, Ramankutty N, De Jong R (۲۰۰۷) ...
  • Lin T-N, Giles C L, Horne B G, Kung S-Y ...
  • Maswood M, Hossain F (۲۰۱۶) Advancing river modelling in ungauged ...
  • MATLAB V (۲۰۱۳) ۸.۲. ۰.۷۰۱. The MathWorks Inc ۲۰۱ ...
  • Meresa H (۲۰۱۹) Modelling of river flow in ungauged catchment ...
  • Merz R, Blöschl G (۲۰۰۴) Regionalisation of catchment model parameters. ...
  • Mirarabi A, Nassery H, Nakhaei M, Adamowski J, Akbarzadeh A, ...
  • Mishra P, Babu R R (۲۰۲۲) Remote Sensing and Geographic ...
  • Muñoz-Sabater J, Dutra E, Agustí-Panareda A, Albergel C, Arduini G, ...
  • Muñoz Sabater J (۲۰۱۹) ERA۵-land monthly averaged data from ۱۹۸۱ ...
  • Nash J E, Sutcliffe J V (۱۹۷۰) River flow forecasting ...
  • Nogueira Filho F J M, Souza Filho F d A, ...
  • Noor H M, Ndzi D, Yang G, Safar N Z ...
  • Oudin L, Andréassian V, Perrin C, Michel C, Le Moine ...
  • Padilla A, Pulido-Bosch A (۱۹۹۵) Study of hydrographs of karstic ...
  • Panagopoulos G, Lambrakis N (۲۰۰۶) The contribution of time series ...
  • Pasteels J M, Deneubourg J-L, Goss S (۱۹۸۷) Self-organization mechanisms ...
  • Post D A (۲۰۰۹) Regionalizing rainfall–runoff model parameters to predict ...
  • Rezaei M J, Rezaei M R (۲۰۲۰) The estimation of ...
  • Rostamzadeh H, Asadi E, Jararzadeh J (۲۰۱۵) Evaluation of the ...
  • Shao Y, Zhao J, Xu J, Fu A, Li M ...
  • Shen Y, Liu D, Jiang L, Yin J, Nielsen K, ...
  • Sobhani B, Nasiri f (۲۰۲۲) Agro-ecological zonation of canola cultivation ...
  • Tarpanelli A, Santi E, Tourian M J, Filippucci P, Amarnath ...
  • Thapa S, Zhao Z, Li B, Lu L, Fu D, ...
  • Tiwari D K, Tiwari H, Nateriya R (۲۰۲۲) Geomorphology-wavelet based ...
  • Toksarı M D (۲۰۰۷) Ant colony optimization approach to estimate ...
  • Trenberth K E, Smith L, Qian T, Dai A, Fasullo ...
  • Trichakis I C, Nikolos I K, Karatzas G P (۲۰۱۱) ...
  • Wagener T, Wheater H, Gupta H V (۲۰۰۴) Rainfall-runoff modelling ...
  • Xu C-Y (۱۹۹۹) Estimation of parameters of a conceptual water ...
  • Xue H, Liu J, Dong G, Zhang C, Jia D ...
  • Young A R (۲۰۰۶) Stream flow simulation within UK ungauged ...
  • Yu H, Wilamowski B M (۲۰۱۱) Levenberg-marquardt training. Industrial Electronics ...
  • Yu L, Liu K, Li K (۲۰۰۷) Ant Colony Optimization ...
  • نمایش کامل مراجع