پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,518 |
| تعداد مشاهده مقاله | 124,133,318 |
| تعداد دریافت فایل اصل مقاله | 97,239,337 |
مطالعة اثر تغییر اقلیم بر جریان ورودی به مخزن سد طالقان با استفاده از روش ترکیب اطلاعات | ||
| مدیریت آب و آبیاری | ||
| مقاله 2، دوره 3، شماره 2، اسفند 1392، صفحه 13-28 اصل مقاله (704.46 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2014.50039 | ||
| نویسندگان | ||
| بهنام آبابایی* 1؛ فرهاد میرزایی اصلی2؛ تیمور سهرابی2 | ||
| 1دکتری مهندسی آبیاری و زهکشی گروه مهندسی آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران، کرج - ایران. | ||
| 2به‌ترتیب، استادیار و استاد گروه مهندسی آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران، کرج - ایران. | ||
| چکیده | ||
| در تحقیق حاضر، کاربرد روش ترکیب اطلاعات در شبیه‌سازی فرایند هیدرولوژیک جریان ورودی به مخزن سد طالقان بررسی شد. دو الگوریتم ترکیب اطلاعات بر مبنای الگوریتم K نزدیک‌ترین همسایه (K-NN) پیشنهاد و ارزیابی شدند. چهار مدل شبکۀ عصبی مصنوعی و دو مدل همراشتین - واینر به‌عنوان مدل‌های شبیه‌ساز جریان روزانۀ ورودی به مخزن به‌کار گرفته شدند. مقایسۀ نتایج حاصل از روش ترکیب اطلاعات با مدل‌های منفرد، حاکی از افزایش دقت شبیه‌سازی در مقایسه با مدل‌های منفرد است. عملکرد هر دو الگوریتم ترکیب اطلاعات در شبیه‌سازی متوسط ماهانۀ جریان ورودی به مخزن یکسان بود، اما الگوریتم AL1 به مقادیر بزرگ‌تری از انحراف استاندارد ماهانه منجر شد. در نهایت، با استفاده از مدل مولد اقلیم، سری روزانة دما و بارش تحت سناریوهای تغییر اقلیم بازتولید شده و این سری‌ها، به‌عنوان ورودی مدل‌های منفرد و روش ترکیب اطلاعات استفاده شدند. نتایج نشان داد که پیش‌بینی مدل‌های منفرد در شرایط تغییر اقلیم ممکن است متفاوت بوده و گاه، تغییرات پیش‌بینی‌شده توسط آنها دارای جهات متناقضی باشند. به‌علاوه مشخص شد که عملکرد روش ترکیب اطلاعات با استفاده از الگوریتم AL2 توسط مدل همراشتین - واینر تأیید می‌شود و در مقایسه با الگوریتم AL1، به نتایج منطقی‌تری می‌انجامد. همچنین، با توجه به تناقض‌های مدل‌های منفرد، کاربرد این روش سبب افزایش ضریب اطمینان در مورد تغییرات پیش‌بینی‌شدۀ جریان ورودی به مخزن در شرایط تغییر اقلیم می‌شود. | ||
| کلیدواژه‌ها | ||
| جریان روزانه؛ شبکة عصبی مصنوعی؛ عدم قطعیت؛ مدل همراشتین - واینر | ||
| عنوان مقاله [English] | ||
| Assessing climate change impacts on Taleghan reservoir daily inflow using data fusion method | ||
| نویسندگان [English] | ||
| Behnam Ababaei1؛ Farhad Mirzaie Asli2؛ Teymour Sohrabi2 | ||
| 1Ph.D. Graduate, Department of Irrigation and Reclamation Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Assistant Professor, Department of Irrigation and Reclamation Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran. | ||
| چکیده [English] | ||
| In this research, Data Fusion (DF) method was applied to simulate the hydrological process of Taleghan reservoir daily inflow. Two different DF algorithms were proposed and assessed based on K-nearest neighbors (KNN) algorithm. Four artificial neural network models and two Hammerstein-Wiener (HW) models were used as the individual simulation models. Comparison of the results between individual models and DF algorithms revealed the superiority of the DF method. The performances of the two DF algorithms were comparable in simulating monthly mean inflow values, but AL1 overestimated the monthly standard deviations. Then, the daily time series of Temperature and Precipitation were generated by a well-tested weather generator model and were used as the inputs to the individual models. The results showed that the individual models can result in different or even inconsistent variations under climate change scenarios. It was also revealed that the performance of the AL2 data fusion algorithm was proved by the best HW model and this algorithm resulted in more logical results. Moreover, regarding considerable diversity among the individual models, the DF method can increase the reliability of the simulations related to the predicted variations of reservoir daily inflow under climate change scenarios. | ||
| کلیدواژه‌ها [English] | ||
| uncertainty, Daily Inflow, Hammerstein- Wiener Model, Artificial Neural Network | ||
|
آمار تعداد مشاهده مقاله: 2,944 تعداد دریافت فایل اصل مقاله: 1,235 |
||