مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

438
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

517
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

ترکیب های بهینه متغیرهای هیدرولوژی برای مدل سازی بار رسوب معلق روزانه در حوزه آبخیز کرج

صفحات

 صفحه شروع 228 | صفحه پایان 243

چکیده

 تحلیل داده های بار رسوب معلق در رودخانه ها اساس شناخت روند فرسایش و رسوب در بحث مدیریت و برنامه ریزی منابع آب و خاک است. به دلیل عدم دسترسی به داده های بار رسوب معلق روزانه با اندازه گیری مستقیم, استفاده از روش هایی برای مدل سازی و برآورد آن در حوزه های آبخیز حائز اهمیت است. یکی از روش های مناسب مورد استفاده در این زمینه, به کارگیری شبکه های عصبی مصنوعی است. برای مدل سازی بار رسوب معلق روزانه, ایستگاه هیدرومتری سیرا در حوزه آبخیز رودخانه کرج مورد مطالعه قرار گرفت. تعداد داده مورد استفاده در این پژوهش, 624 داده با طول دوره آماری 31 سال (از سال 1360 تا1390) است. متغیرهای ورودی به مدل های شبکه عصبی مصنوعی شامل دبی لحظه ای, متوسط دبی روزانه, متوسط دبی روزانه با تاخیر سه روزه, متوسط بارش روزانه و متوسط بارش روزانه با تاخیر سه روزه و متغیر خروجی به مدل ها بار رسوب معلق روزانه است. برای تعیین متغیرهای بهینه و بهترین ترکیب متغیرها برای ورود به مدل از آزمون گاما و الگوریتم ژنتیک استفاده شد. سپس, این ترکیب ها به-همراه برخی از ترکیب متغیرهای حاصل از آزمون و خطا, وارد مدل های شبکه های عصبی مصنوعی شد. از شبکه عصبی نگاشت خودسازمان ده برای خوشه بندی داده ها استفاده و داده ها به سه گروه همگن, شامل 70 درصد برای آموزش, 15 درصد برای اعتبارسنجی و 15 درصدی برای آزمون جدا شد. در ادامه, ترکیب متغیرها وارد مدل های شبکه عصبی با توابع فعال سازی لوگ سیگموئید و تانژانت سیگموئید شد. نتایج نشان داد, در بین تمام ترکیب های ورودی به مدل های شبکه عصبی, مدل با تابع فعال سازی تانژانت سیگموئید با ترکیب متغیرهای ورودی شامل دبی لحظه ای (Q), دبی متوسط روزانه (Qi), دبی متوسط روزانه دو روز قبل (Qi-2), دبی متوسط روزانه سه روز قبل (Qi-3), بارندگی متوسط روزانه (Pi), بارندگی متوسط روزانه دو روز قبل (Pi-2) و بارندگی متوسط روزانه سه روز قبل (Pi-3) مدل مناسب برای برآورد بار رسوب معلق روزانه شد. این مدل کمترین مقدار خطا, بالاترین کارایی مدل و کمترین انحراف استاندارد عمومی را در مقایسه با سایر مدل ها دارد. این مدل, بهترین ترکیب با تاثیرگذارترین متغیرهای ورودی به دست آمده از آزمون گاما و الگوریتم ژنتیک برای برآورد SSL است.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    علی جانپور شلمانی، عادله، واعظی، علی رضا، و طباطبایی، محمودرضا. (1399). ترکیب های بهینه متغیرهای هیدرولوژی برای مدل سازی بار رسوب معلق روزانه در حوزه آبخیز کرج. مهندسی و مدیریت آبخیز، 12(1 )، 228-243. SID. https://sid.ir/paper/234670/fa

    Vancouver: کپی

    علی جانپور شلمانی عادله، واعظی علی رضا، طباطبایی محمودرضا. ترکیب های بهینه متغیرهای هیدرولوژی برای مدل سازی بار رسوب معلق روزانه در حوزه آبخیز کرج. مهندسی و مدیریت آبخیز[Internet]. 1399؛12(1 ):228-243. Available from: https://sid.ir/paper/234670/fa

    IEEE: کپی

    عادله علی جانپور شلمانی، علی رضا واعظی، و محمودرضا طباطبایی، “ترکیب های بهینه متغیرهای هیدرولوژی برای مدل سازی بار رسوب معلق روزانه در حوزه آبخیز کرج،” مهندسی و مدیریت آبخیز، vol. 12، no. 1 ، pp. 228–243، 1399، [Online]. Available: https://sid.ir/paper/234670/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button