پیوندهای مفید
آمار
| تعداد نشریات | 26 |
| تعداد شماره‌ها | 390 |
| تعداد مقالات | 3,402 |
| تعداد مشاهده مقاله | 5,238,296 |
| تعداد دریافت فایل اصل مقاله | 3,579,533 |
شبیه سازی بارش - رواناب در زیرحوضه سقز با استفاده از مدل شبکه عصبی مصنوعی | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 26 فروردین 1404 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2025.16468.1535 | ||
| نویسندگان | ||
| سعید آزادی1؛ امین ترنجیان* 2؛ سامان مصطفایی3 | ||
| 1گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران | ||
| 2گروه علوم و مهندسی آب و خاک، دانشکده کشاورزی، دانشگاه ملایر، ملایر، ایران | ||
| 3گروه علوم و مهندسی آب و خاک ، دانشکده کشاورزی، دانشگاه ملایر، ملایر، ایران | ||
| چکیده | ||
| برنامه‌‌ریزی و بهره‌‌برداری بهینه از رواناب یکی از مسائل ضروری در حوضه‌‌های آبریز می‌‌باشد. بنابراین آگاهی از ظرفیت طبیعی تولید رواناب و شبیه‌‌سازی بارش- رواناب دارای اهمیت زیادی است. هوش مصنوعی و استفاده از مدلهای شبکه عصبی یکی از روش‌‌های پیش‌‌بینی بارش- رواناب است. هدف از این تحقیق ارزیابی عملکرد مدل شبکه عصبی مصنوعی برای شبیه‌‌سازی بارش- رواناب در زیرحوضه سقز می‌‌باشد. به منظور انجام این تحقیق، داده‌‌های روزانه هواشناسی و آب‌‌سنجی منطقه شامل بارش، دما و تبخیر و دبی در دوره آماری 18 ساله (1397-1380) تهیه و مورد بررسی قرار گرفت. ارزیابی عملکرد مدل، با استفاده از شش سناریوی ترکیبی و چهار معیار آماری ضریب همبستگی (R)، میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و شاخص نش- ساتکلیف (NSE) انجام شد. متغیرهای ورودی در سناریوی اول بارش، در سناریو دوم بارش و تبخیر، در سناریوی سوم بارش و دمای میانگین، در سناریوی چهارم، بارش و متغیر دبی با یک روز تاخیر، در سناریوی پنجم، بارش، دمای میانگین، بیشینه دما و کمینه و در سناریوی ششم، بارش، تبخیر و دمای میانگین و بیشینه و کمینه دما می‌باشند. در تمامی سناریوها نیز دبی به عنوان متغیر خروجی در نظر گرفته شد. پس از بررسی تمامی سناریوها، نهایتا مدل پیشنهادی شبکه عصبی مصنوعی در سناریوی چهار که متغیر-های ورودی شامل بارش و دبی همراه با یک روز تأخیر بود، با مقادیر ضریب همبستگی 92/0، میانگین مربعات خطا 65/6، میانگین خطای مطلق 04/2 و شاخص نش- ساتکلیف 84/0 در بخش آموزش به ترتیب با مقادیر 91/0، 34/5، 57/1 و 82/0 در بخش آزمون عملکرد بهتری نسبت به سایر مدلهای توسعه یافته شده، از خود نشان داد. نتایج نشان داد استفاده از مدل شبکه عصبی مصنوعی به عنوان یکی از مدلهای هوش مصنوعی برای شبیه‌‌سازی بارش- رواناب در مقیاس روزانه مناسب و دارای دقت بالا و خطای کم برای منطقه مطالعاتی بوده و می‌‌تواند به عنوان ابزاری مفید و رویکردی قابل اعتماد در اختیار مدیران منابع آب قرار گیرد. | ||
| کلیدواژه‌ها | ||
| هوش مصنوعی؛ مدل سازی؛ دبی؛ مدیریت منابع آب | ||
|
آمار تعداد مشاهده مقاله: 19 |
||