آمار

تعداد نشریات26
تعداد شماره‌ها326
تعداد مقالات2,803
تعداد مشاهده مقاله4,228,651
تعداد دریافت فایل اصل مقاله2,881,799
پورمحمدی, سمانه, انوری, صدیقه. (1403). پیش‌بینی رواناب به کمک روش‌های آماری، هوش مصنوعی و مدل‌های هواشناسی (مطالعة موردی: سد امیرکبیر). سامانه مدیریت نشریات علمی, 4(2), 105-120. doi: 10.22098/mmws.2023.12217.1210
سمانه پورمحمدی; صدیقه انوری. "پیش‌بینی رواناب به کمک روش‌های آماری، هوش مصنوعی و مدل‌های هواشناسی (مطالعة موردی: سد امیرکبیر)". سامانه مدیریت نشریات علمی, 4, 2, 1403, 105-120. doi: 10.22098/mmws.2023.12217.1210
پورمحمدی, سمانه, انوری, صدیقه. (1403). 'پیش‌بینی رواناب به کمک روش‌های آماری، هوش مصنوعی و مدل‌های هواشناسی (مطالعة موردی: سد امیرکبیر)', سامانه مدیریت نشریات علمی, 4(2), pp. 105-120. doi: 10.22098/mmws.2023.12217.1210
پورمحمدی, سمانه, انوری, صدیقه. پیش‌بینی رواناب به کمک روش‌های آماری، هوش مصنوعی و مدل‌های هواشناسی (مطالعة موردی: سد امیرکبیر). سامانه مدیریت نشریات علمی, 1403; 4(2): 105-120. doi: 10.22098/mmws.2023.12217.1210

پیش‌بینی رواناب به کمک روش‌های آماری، هوش مصنوعی و مدل‌های هواشناسی (مطالعة موردی: سد امیرکبیر)

مدل سازی و مدیریت آب و خاک
مقاله 13، دوره 4، شماره 2، خرداد 1403، صفحه 105-120    اصل مقاله (1.89 M)
نوع مقاله: مطالعه موردی
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12217.1210
نویسندگان
سمانه پورمحمدی* 1؛ صدیقه انوری2
1دکتری، کارشناس فنی شرکت آب و نیروی ایران، تهران، ایران
2استادیار گروه اکولوژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران
چکیده
پیش‌بینی جریان رودخانه یکی از مهم‌ترین مسائل هیدرولوژیکی است که برای مدیریت سیلاب بسیار مهم است. مقادیر دبی عبوری رودخانه را می‌توان از روشهای متعددی برآورد نمود که هر یک از روش‌ها دارای نقاط ضعف و قوتی هستند. در خصوص مدل‌های بارش-رواناب به‌دلیل عکس‌العمل غیر‌خطی یک حوزة آبخیز به رویداد باران مسأله بسیار پیچیده می‌شود. علاوه‌بر این به‌دلیل تغییرات مکانی بارش در یک حوزة آبخیز این پیچیدگی بیش‌تر نیز می‌شود. در این پژوهش به بررسی مدل بارش-رواناب به کمک روش‌های آماری و رگرسیون چندمتغیره پرداخته شد. هدف پژوهش حاضر، پیش‌بینی جریان ورودی به سد امیرکبیر با استفاده از روش‌های رگرسیون چندمتغیره و روش‌های هوش مصنوعی (AI) شامل مدل شبکة عصبی مصنوعی (ANN) است. بدین‌منظور از آمار هفت سالة جریان رودخانة کرج (1395-1401) به‌صورت روزانه استفاده شد. در همین راستا، تقسیم‌بندی داده‌های بارش در فصول مختلف سال صورت گرفت و به‌منظور بررسی ایستگاه‌های باران‌سنج مناسب از روش تحلیل خوشه‌ای استفاده شد تا ایستگاه‌های مناسب به‌منظور ورود به مدل انتخاب شود. لازم به ذکر است تلفیق روش‌های آماری و مدل شبکة عصبی با مدل‌های پیش‌بینی هواشناسی از نوآوری‌های پژوهش حاضر است. نتایج ارزیابی عملکرد مدل‌ها با شاخص‌هایی هم‌چون ضریب تبیین (R2)، میانگین قدر مطلق خطا (MAE) و ریشة میانگین مربعات خطا (RMSE)، نشان داد که مدل ANN در هر دو مرحلة واسنجی (آموزش) و صحت‌سنجی (آزمایش) عملکرد بهتری نسبت به مدل رگرسیون چندمتغیره داشته است. شاخص‌های دقت مدل برای مرحلة آموزش مدل ANN برابر 77/0=R2 و 27/0=RMSE مترمکعب بر ثانیه بوده است. در حالی‌که این شاخص‌ها برای مرحلة آزمایش برابر با 87/0=R2 و 46/0=RMSE مترمکعب بر ثانیه است که حاکی از عملکرد بهتر مدل ANN بوده است. نتایج نشان داد که مدل واسنجی شده به‌منظور پیش‌بینی رواناب با استفاده از مدل‌های هواشناسی کاربردی بوده و دقت قابل‌قبولی دارد.
کلیدواژه‌ها
پیش‌بینی جریان؛ شبکة عصبی مصنوعی؛ مدل‌های رگرسیون؛ سد امیرکبیر
مراجع
آمار
تعداد مشاهده مقاله: 462
تعداد دریافت فایل اصل مقاله: 88


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب