جلد 19، شماره 72 - ( مجله علوم و فنون كشاورزي و منابع طبيعي-علوم آب و خاك-تابستان 1394 )                   جلد 19 شماره 72 صفحات 217-228 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hayatzadeh M, Chezgi J, Dastorani M. Evaluation of Sediments Using Rating Curve and Artificial Neural Network Methods by Combining Morphological Parameters of Basin (Case Study: Bagh Abbas Basin). JWSS. 2015; 19 (72) :217-228
URL: http://jstnar.iut.ac.ir/article-1-3076-fa.html
حیات زاده مهدی، چزگی جواد، دستورانی محمدتقی. ارزیابی برآورد رسوب با استفاده از روش‌های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس). مجله علوم آب و خاک. 1394; 19 (72) :217-228

URL: http://jstnar.iut.ac.ir/article-1-3076-fa.html


گروه آبخیزداری، دانشکده منابع طبیعی و کویرشناسی، دانشگاه یزد
چکیده:   (9239 مشاهده)

از آنجا که توسعه برنامه‌های مهار آب‌های سطحی ملزم به‌دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می‌باشد لذا کمبود ایستگاه‌های اندازه‌گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه‌سازی رفتار جریان‌ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تأثیر می‌پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان‌های آن می‌باشد. لذا آگاهی از میزان این ارتباط به‌منظور مدیریت و ساماندهی جریان در پایین‌دست حوزه حائز اهمیت می‌باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش‌های رگرسیونی سنجه رسوب براساس داده‌های 136 واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش‌بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین‌منظور در گام نخست برای پیش‌بینی بار رسوب از دو روش مذکور، فقط از داده‌های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل‌ها اضافه شده است. نتایج به‌دست آمده از این تحقیق نشان می‌دهد که با به‌کارگیری شبکه عصبی از نوع پرسپترون چندلایه (MLP) با الگوریتم لونبرگ- مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و 4 نرون در هر لایه، می‌توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به‌دست آمده از روش شبکه عصبی مصنوعی به‌مراتب از دقت روش منحنی سنجه بالاتر می‌باشد. در ارزیابی روش‌های شبکه NGANN, GANN و رگرسیونیSRC, MARS ، به‌ترتیب میزان ضریب همبستگی 94/0، 93/0، 767/0 و 766/0 و مجذور میانگین مربعات خطا (RMSE) به‌ترتیب 45/0، 49/0، 3/2 و 3/2 و ضریب نش- ساتکلیف (NS) به‌ترتیب 71/0، 58/0، 27/0 و 23/0 محاسبه گردید. بنابراین کاراترین روش از بین مدل‌های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده‌های مورفولوژیکی حوزه (GANN) می‌باشد. ضمناً براساس یافته‌های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تأثیر چندانی بر روی کارایی این مدل ندارد.

متن کامل [PDF 428 kb]   (2230 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومی
دریافت: ۱۳۹۴/۶/۲ | پذیرش: ۱۳۹۴/۶/۲ | انتشار: ۱۳۹۴/۶/۲

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

کلیه حقوق این وب سایت متعلق به نشریه علوم آب و خاک - علوم و فنون کشاورزی و منابع طبیعی - Isfahan University of Technology می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2019 All Rights Reserved | JWSS - Isfahan University of Technology

Designed & Developed by : Yektaweb