پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,117,320 |
| تعداد دریافت فایل اصل مقاله | 97,222,818 |
پیش بینی رواناب با استفاده از مدل های هوشمند | ||
| اکوهیدرولوژی | ||
| مقاله 3، دوره 4، شماره 4، دی 1396، صفحه 955-968 اصل مقاله (825.81 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2017.63228 | ||
| نویسندگان | ||
| محبوبه معتمدنیا1؛ احمد نوحه گر2؛ آرش ملکیان* 3؛ مریم صابری4؛ کمال کریمی5 | ||
| 1دکتری علوم و مهندسی آبخیزداری | ||
| 2استاد گروه آموزش، برنامه ریزی و مدیریت محیط زیست، دانشکدۀ محیط زیست، دانشگاه تهران، کرج | ||
| 3دانشیار گروه احیای مناطق خشک و کوهستانی، دانشکدۀ منابع طبیعی، دانشگاه تهران، کرج | ||
| 4مدرس دانشگاه فنی و حرفه ای، یزد | ||
| 5رئیس ادارۀ منابع طبیعی شهرستان بافق | ||
| چکیده | ||
| پیشبینی رواناب رودخانهها به‌دلیل اهمیت زیاد آن در برنامهریزیها، بهرهبرداری از مخازن و همچنین مدیریت آبهای سطحی همواره مورد توجه مسئولان، برنامهریزان و مهندسان آب و منابع آبی بوده است. از طرفی، به‌دلیل تغییرات زمانی و مکانی موجود، روابط غیرخطی و عدم قطعیت و بسیاری از عوامل دیگر پیشبینی رابطۀ بارش‌ـ رواناب بسیار مشکل است، اما امروزه استفاده از سامانههای هوشمند در پیشبینی چنین پدیدههای پیچیده‌ای میتواند مفید و مؤثر باشد. در این پژوهش سعی شده است با استفاده از دادههای هواشناسی و هیدرومتری طی دورۀ زمانی 1349-1350 تا 1390-1391 رواناب در حوضۀ آبخیز امامه با استفاده از مدلهای شبکۀ عصبی پرسپترون چندلایه، تابع پایۀ شعاعی و سیستم عصبی فازی تطبیقی تخمین زده شود. نتایج نشان داد از بین مدلهای یادشده سیستم عصبی فازی تطبیقی عملکرد بسیار زیادی داشته است و به‌خوبی میتواند رواناب را پیشبینی کند بهطوریکه با توجه به خطاها ساختار 54 با هشت ورودی شامل بارندگی و دبی تا تأخیر دو روز و دما، تبخیر و تعرق و رطوبت نسبی همان روز که دارای تابع عضویت گوسی و جداسازی از نوع خوشهای با خطای MSE، RMSE و MAE به‌ترتیب 001/0، 025/0 و 008/0 در مرحلۀ آموزش و 001/0، 026/0 و 008/0 در مرحلۀ آزمایش به‌عنوان بهترین مدل حوضۀ امامه بوده است. | ||
| کلیدواژه‌ها | ||
| حوضۀ آبخیز معرف امامه؛ رابطۀ بارش‌ـ رواناب؛ مدلهای هوشمند | ||
| عنوان مقاله [English] | ||
| Runoff prediction using intelligent models | ||
| نویسندگان [English] | ||
| mahboobeh moatamednia1؛ Ahmad Nohegar2؛ Arash Malekian3؛ Maryam Saberi4؛ Kamal Karimi5 | ||
| چکیده [English] | ||
| River runoff prediction because of its high importance in planning, reservoir operation and management of surface water has always attracted the attention of officials, planners and water engineers and water resources. On the other hand because of availab temporal and spatial changes, non-linear relationships and uncertainty, and many other factors to predict rainfall-runoff relationship is very difficult. But todays the use of intelligent systems can be useful for predicting such complex phenomena. In this study, using meteorological and hydrometric data for the period 1970-1971 to 2011-2012 to estimate runoff in the watershed Amameh using MLP, RBF, and ANFIS were used. The results showed that out of models ANFIS has the best function and can predict runoff very well. So that according errors, the structure model number 54 with eight inputs including rainfall and runoff to delay for two days and temperature, evaporation and relative humidity and cluster seperation and its errors was 0.001, 0.025 and 0.008 in training stage and 0.001, 0.026 and 0.008 in test stage was the best model in Amameh Watershed. | ||
| کلیدواژه‌ها [English] | ||
| Amameh Representative Watershed, Intelligent Models, Rainfall-runoff relationship | ||
| مراجع | ||
|
[1].Danandehmehr A, Majdzadeh Tabatabai MR. Prediction of daily discharge trend of river flow based on genetic programming, J. of Water and Soil. 2010; 24 (2): 325-333. [In Persian]. [2]. Kia SM.Soft computing using MATLAB, Kianrayaneh sabz press, 2011.P. 623. [In Persian]. [3]. Yosefi M, Talebi A, Poorshareiati R. Application of artificial intelligence in water and soil sciences, Yaz University Press, 2014: P. 516. [In Persian]. [4]. Nayak PC, Sudheer KP, Rangan, DM, Ramasastri KS. A neuro-fuzzy computing technique for modeling hydrological time series. J. of Hydrology. 2004; 29: 52–66. [5]. Motamednia M, Nohegar A, Malekian A, Asadi H, Tavasoli A, Safari M, Karimi Zarchi K. Daily river flow forecasting in a semi-arid region using two data- driven, Desert. 2015; 20-1: 11-2. [6]. Noori N, Kalin L, 2016. Coupling SWAT and ANN models for enhanced daily streamflow prediction, J. of Hydrology. 2016; 533: 141–151. [7]. Nabezadeh M, Mosaedi A, Hessam M, Dehghani AA, Zakerneya M, Holghi M, 2012. Investigating efficiency fuzzy logic to predict daily river flow, Iran-Watershed Management Science & Engineering. 2012; 5(17): 7-14. [In Persian]. [8]. Nohegar A, Motamednia M, Malekian A. Daily river flood mresentative watershed, Physical Geography Research Quarterly. 2016; 48(3): 367-383. [In Persian]. [9].Mahdavi M, Applied Hydrology, First volume, fourth edition, Tehran university press, 2003: P. 364. [In Persian]. [10].Imrie CE, Durucan S, Korre A. River fow prediction using artificial neural networks: generalisation beyond the calibration range, J. of Hydrology. 2000; 233: 138-153 pp. [11].Food I, Kartman N. Neural network in civil engineering: principal and understanding, J. of computing in civil engineering. 1996; 8 (2): 131-148. [12].Kaastra I. Boyd MS. Forecasting futures trading volume using neural networks, The J. of Futures Markets.1995; 15(8): 953-970. [13].Gharaei-Manesh S, Fathzadeh A, Taghizadeh-Mehrjardi R. Comparison of artificial neural network and decision tree models in estimating spatial distribution of snow depth in a semi-arid region of Iran, Cold Regions Science and Technology, 2016; 122: 26–35 pp. [14].Kakaei Lafdani E, Moghaddamnia A, Ahmadi A. Daily suspended sediment load prediction using artificial neural networks and support vector machines, J. of Hydrology, 2013; 478: 50–62. [15].Mahjouri N, Integrating support vector regression and a geomorphologic artificial neural network for daily rainfall-runoff modeling, Applied Soft Computing, 2014; 38: 329–345 pp. [16].Dawson CW, Wilby R.L., 2001. Hydrological modeling using artificial neural network, Progress in Physical Geography. 2001; 25: 80–108. [17].Tokar A S, Markus M. Precipitation rainfall-runoff modeling using artificial neural network and conceptual models, J.of Hydrologic Engineering. 2000; 5(2):156-161 pp. [18].Dibike Y, Solomatine D. River flow forecasting using artificial neural networks. J. of Physics and Chemistry of the Earth, Part B: Hydrology, Oceans and Atmosphere. 2001; 26: 1–8. [19].Mendez MC, Wenceslao G, ManuelPF, José Manuel LP, Roman L. Modelling of the monthly and daily behaviour of the runoff of the Xallas river using Box-Jenkins and neural networks methods. J. of Hydrology. 2004; 1685-1694. [20].Melesse AM, Ahmad S, McClain ME, Wang X, Lim YH. Suspended sediment load prediction of river systems: An Artificial Neural Networks Approach, Agricultural Water Management. 2011; 98(5): 855-866. [21].Zounemat-Kermani M, Teshnehlab M. Using adaptive neuro-fuzzy inference system for hydrological time series prediction, Applied Soft Computing. 2008; 8(2): 928-936. | ||
|
آمار تعداد مشاهده مقاله: 909 تعداد دریافت فایل اصل مقاله: 760 |
||