
تعداد نشریات | 30 |
تعداد شمارهها | 415 |
تعداد مقالات | 3,656 |
تعداد مشاهده مقاله | 5,775,145 |
تعداد دریافت فایل اصل مقاله | 3,953,865 |
شبیه سازی بارش - رواناب در زیرحوضه سقز با استفاده از مدل شبکه عصبی مصنوعی | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 5، دوره 5، شماره 3، مهر 1404، صفحه 74-87 اصل مقاله (2.42 M) | ||
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 | ||
مراجع | ||
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. 4th 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] | ||
آمار تعداد مشاهده مقاله: 209 تعداد دریافت فایل اصل مقاله: 36 |