شبیه‌ سازی بارش - رواناب در زیرحوضه سقز با استفاده از مدل شبکه عصبی مصنوعی

منابع

استقامت‌ اشان، پریسا، و نورمند، بهرضا (1395). مدل بارش-رواناب حوضه آبریز صوفی چای با استفاده از شبکه عصبی مصنوعی. همایش سراسری فناوری و تکنولوژی در مهندسی عمران، برق و مکانیک. https://elmnet.ir/doc/20634488-9191

دهقانی، نوید، وفا‌خواه، مهدی، و بهره‌مند، عبدالرضا (1395). مدل‌‌سازی بارش-رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی-عصبی تطبیقی در حوزه آبخیز کسیلیان. پ‍‍ژوهشنامه مدیریت حوزه آبخیز، 7 (13)، 133 – 128. 10.18869/acadpub.jwmr.7.13.137 doi:

رئوف، مجید، کاظمی، ژیلا، مصطفی‌زاده، رئوف، حسینی، یاسر و میرزایی، سجاد (1403). اثر تغییر شمارة منحنی روی هیدروگراف سیلاب در یک حوزة آبخیز عکس‌العمل سریع (مطالعة موردی: حوزة آبخیز خیاوچای اردبیل). مدل‌سازی و مدیریت آب و خاک. 4(1)،261-248.

doi: 10.22098/mmws.2023.12295.1221

ذرتی‌‌پور، امین، سلاجقه، علی، المعالی، نگار، و عسکری، حسین محمد (1388). بررسی مدل بارش-رواناب با استفاده از روش‌‌های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه مورد در حوزه آبخیز میناب). پژوهش‌های آبخیزداری، 22 (2)، 83-69. https://www.magiran.com/p1059321

سلگی، اباذر، زارعی، حیدر، پورحقی، امیر، و خدا‌بخشی، حمید‌رضا (1395). پیش‌‌بینی بارش ماهانه با مدل ترکیبی شبکه عصبی مصنوعی- موجک و مقایسه با مدل شبکه عصبی مصنوعی. آبیاری و آب ایران، 6 (23)، 33-18. https://www.waterjournal.ir/article_73948.html

شاهانی، محمدحسین، رضاوردی‌نژاد، وحید، و حسینی، سیدعباس (1402). مقایسه مدل‌های شبکه عصبی مصنوعی و یادگیری عمیق در مدل‌سازی بارش-رواناب رودخانه کشف‌رود و پیش‌بینی اثر تغییر اقلیم بر پارامتر‌های هواشناسی و دبی رودخانه. سد و نیروگاه برق آبی ایران، 10(33)، 97-83. dor: 20.1001.1.23225882.1402.0.0.6.7

میرزانیا، احسان، ملک‌احمدی، حسین، شاه‌محمدی، یادگار، و ابراهیم‌زاده، علی (1400). تأثیر موجک بر افزایش دقت مدل‌‌های تضمینی در مدل‌‌سازی بارش-رواناب (مطالعه موردی: حوضه صوفیچای). مدل‌‌سازی و مدیریت آب و خاک، 1 (3) 79-67.. doi: 10.22098/MMWS.2021.9335.1035

میرزایی، سجاد، رئوف، مجید، رسول‌زاده، علی، و پوراسکندر، ساناز (1394). شبیه‌‌سازی هیدروگراف سیلاب رودخانه حوضه آتشگاه استان اردبیل با بهره‌گیری از الگوی بارش بهینه. پژوهش‌های حفاظت از خاک و آب، 22 (5)، 80-63. doi: 20.1001.1.23222069.1394.22.5.4.4

References

Aksoy, S., & Haralick, M. (2001). Feature normalization and likelihood-based similarity measures for image retrieval. Journal Pattern Recognition Letters, 22(5), 563-582. doi: 10.1016/S0167-8655(00)00112-4

Chanklan, R., Kaoungku, N., Suksut, K., Kerdprasop, K., & Kerdprasop, N. (2018). Runoff prediction with a combined artificial neural network and support vector regression. International Journal of Machine Learning and Computing, 8(1), 39-43. doi: 10.18178/ijmlc.2018.8.1.660.

Dehghani, N., Vafakhah, M., & Bahremand, A.A. (2015). Rainfall-Runoff Modeling using Artificial Neural Network and Neuro-Fuzzy Inference System in Kasilian Watershed. Journal of Watershed Management Research. 7 (13), 128-137 .doi: 10.18869/acadpub.jwmr.7.13.137 [In Persian]

Estaghmateshan, P., & Normand, B. (2015). Rainfall-runoff model of Sufi Chai watershed using artificial neural network. National Conference of Technology in Civil, Electrical and Mechanical Engineering.https://elmnet.ir/doc/20634488-9191 [In Persian]

Kashani, M. H., Ghorbani, M.A., Dinpashoh, Y., & Shahmorad, S. (2016). Integration of volterra model with artificial neural networks for rainfallrunoff simulation in forested catchment of northern Iran. Journal of Hydrology, 540, 340-354. doi: 10.1016/j.jhydrol.2016.06.028

Li, S., Yang, J., & Ansell, A. (2021). Discharge prediction for rectangular sharp-crested weirs by machine learning techniques. Flow Measurement and Instrumentation, 79, 101931. doi: 10.1016/j.flowmeasinst.2021.101931 [In Persian]

Mirzaei, S., Raoof, M., Rasoulzadeh, A., & Poreskandar, S. (2015). Simulation Flood Hydrograph of Atashgah Basin River of Ardabil Provice using optimized Rainfall Pattern. Journal of Soil and Water Conservation Research, 22(5), 63-80. doi: 20.1001.1.23222069.1394.22.5.4.4 [In Persian]

Mirzania, A., Malek Ahmadi, H., Shahmohammadi, Y., & Ebrahim Zadeh, A. (2021). Impact of wavelet on accuracy of estimated models in rainfall-runoff modeling (Case study: Sufi Chay). Soil and Water Modeling and Management, 1 (3), 67-79. doi: 10.22098/MMWS.2021.9335.1035 [In Persian]

Nourani, V., & Komasi, M.A. (2013). Geomorphology-based ANFIS model for multi-station modeling of rainfall–runoff process. Journal of Hydrology, 490, 41–55. doi: 10.1016/j.jhydrol.2013.03.024

Nozari, H., & Azadi, S. (2017). Experimental evaluation of artificial neural network for predicting drainage water and groundwater salinity at various drain depths and spacing. Journal of Neural Comput & Applic, 31, 1227–1236. doi: 10.1007/s00521-017-3155-9

Parsaie, A., Haghiabi, A. H., Emamgholizadeh, S., & Azamathulla, H.M. (2019). Prediction of discharge coefficient of combined weir-gate using ANN, ANFIS and SVM. International Journal of Hydrology Science and Technology, 9(4), 412. doi:10.1504/ijhst.2019.102422

Patel, A. B., & Joshi, G.S. (2017). Modeling of rainfall-runoff correlations using artificial neural network-a case study of Dharoi Watershed of a Sabarmati River Basin, India Journal Civil Engineering, 3(2), 78-87. doi: 10.28991/cej-2017-00000074

Phuphong, S., Surussavadee, C., & Member, S. (2013). An artificial neural network based runoff forecasting model in the absence of precipitation data: a case study of Khlong U-Tapao river basin, Songkhla Province, Thailand. 4^th International Conference on Intelligent Systems, Modelling and Simulation. Pp: 73-77, doi: 10.1109/ISMS.2013.51

Raoof, M., Kazemi, J., Mostafazadeh, R., Hoseini, Y., & Mirzaei, S. (2024). Effect of curve number changes on flood hydrograph in a rapid response watershed (Case study: Ardabil Khiavchai Watershed). Water and Soil Management and Modelling, 4(1), 248-261. doi: 10.22098/mmws.2023.12295.1221 [In Persian]

Shahani, M.H., Rezavardinejad, V., & Hosseini, S.A. (2023). Comparison of artificial neural network and deep learning models in rainfall-runoff modeling of Kashafrood river and predicting climate change impact on meteorological parameters and river flow. Scientific Journal of Iranian Hydroelectric Dam and Power Plant, 10)33(, 2023, dor: 20.1001.1.23225882.1402.0.0.6.7 [In Persian]

Solgi, A., Zarei, H., Pourhaghi, A., & Khodabakhshi, H.R. (2015). Forecasting Monthly Precipitation Using a Hybrid Model of Wavelet Artificial Neural Network and Comparison with Artificial Neural Network. Journal of Irrigation and Water Engineering, 6(23), 18-33, https://www.waterjournal.ir/article_73948.html [In Persian]

Zoratipour, A., Salageghe, A., Almaali, N., & Askari, H. (2009). The assessment of precipitation– runoff model by using of artificial neural network and regression methods (Case study: Minab Basin). Whatershed Management Research, 22 (2), 69-83. https://www.magiran.com/p1059321 [In Persian]