کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل)
تخمین بار معلق در طیف وسیعی از مسائل از قبیل طراحی مخازن سدها، برآورد میزان فرسایش و رسوبگذاری اطراف پایههای پل و مدیریت حوضههای آبخیز بهکار گرفته میشود. در این پژوهش بهمنظور تخمین بار معلق حوضه درهرود، مقادیر دبی و بار معلق در 16 ایستگاه هیدرومتری طی دوره مشترک آماری 15 ساله (94-1380) جمعآو...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Ferdowsi University of Mashhad
2020-10-01
|
| Series: | مجله آب و خاک |
| Subjects: | |
| Online Access: | https://jsw.um.ac.ir/article_39218_006af94f368a5432bf0fac204582c052.pdf |
| _version_ | 1818734242819997696 |
|---|---|
| author | یاسمن عطایی محمد رضا نیک پور امین کانونی یاسر حسینی |
| author_facet | یاسمن عطایی محمد رضا نیک پور امین کانونی یاسر حسینی |
| author_sort | یاسمن عطایی |
| collection | DOAJ |
| description | تخمین بار معلق در طیف وسیعی از مسائل از قبیل طراحی مخازن سدها، برآورد میزان فرسایش و رسوبگذاری اطراف پایههای پل و مدیریت حوضههای آبخیز بهکار گرفته میشود. در این پژوهش بهمنظور تخمین بار معلق حوضه درهرود، مقادیر دبی و بار معلق در 16 ایستگاه هیدرومتری طی دوره مشترک آماری 15 ساله (94-1380) جمعآوری گردید. پنج الگوی مختلف بر اساس میزان تأثیرگذاری متغیرهای دبی و خصوصیات فیزیوگرافی زیرحوضهها شامل مساحت، شیب، ضریب شکل و شماره منحنی بر بار معلق حوضه تعریف شد. ضمناً با در نظر گرفتن پارامترهای مساحت و شیب، زیرحوضهها به دو گروه اول و دوم تقسیمبندی شدند. عملکرد مدلهای شبکه عصبی مصنوعی (ANN)، سامانه استنتاجی فازی- عصبی تطبیقی (ANFIS) و برنامهریزی بیان ژن (GEP) در پیشبینی بار معلق مورد بررسی قرار گرفت. نتایج نشان داد تخمین بار معلق با بهکارگیری الگوی ترکیبی شامل کلیه خصوصیات فیزیوگرافی و دبی با بیشترین دقت همراه بود. در بین مدلهای هوشمند بهترین عملکرد متعلق به مدل GEP بود. در گروه اول، این مدل بیشترین ضریب تعیین (68/0=R2)، کمترین مقدار ریشه میانگین مربعات خطا ( ton/day69/7=RMSE) و بیشترین ضریب نش-ساتکلیف (55/0=NS) را در مقایسه با سایر مدلها به خود اختصاص داد. در خصوص گروه دوم نیز مدل GEP با دارا بودن مقادیر R2، RMSE و NS بهترتیب برابر با 72/0، 26/975 و 43/0 برتری محسوسی داشت. با استفاده از مدل GEP برای گروههای اول و دوم مدلهای منطقهای رسوب استخراج شد. طبق نتایج، طی سالهای 94-1380 سالانه بهطور میانگین 33/6 میلیون تن رسوبات معلق توسط شبکه آبراههها در کل حوضه درهرود جابهجا شده و بهطور متوسط سهم هر کیلومتر مربع حوضه، حدود 1000 تن بوده است. |
| first_indexed | 2024-12-18T00:02:15Z |
| format | Article |
| id | doaj.art-8033250908fa43cba3a1b2423d6d1baf |
| institution | Directory Open Access Journal |
| issn | 2008-4757 2423-396X |
| language | fas |
| last_indexed | 2024-12-18T00:02:15Z |
| publishDate | 2020-10-01 |
| publisher | Ferdowsi University of Mashhad |
| record_format | Article |
| series | مجله آب و خاک |
| spelling | doaj.art-8033250908fa43cba3a1b2423d6d1baf2022-12-21T21:27:55ZfasFerdowsi University of Mashhadمجله آب و خاک2008-47572423-396X2020-10-0134482784510.22067/jsw.v34i4.8625139218کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل)یاسمن عطایی0محمد رضا نیک پور1امین کانونی2یاسر حسینی3دانشگاه محقق اردبیلیدانشگاه محقق اردبیلیدانشگاه محقق اردبیلیدانشگاه محقق اردبیلیتخمین بار معلق در طیف وسیعی از مسائل از قبیل طراحی مخازن سدها، برآورد میزان فرسایش و رسوبگذاری اطراف پایههای پل و مدیریت حوضههای آبخیز بهکار گرفته میشود. در این پژوهش بهمنظور تخمین بار معلق حوضه درهرود، مقادیر دبی و بار معلق در 16 ایستگاه هیدرومتری طی دوره مشترک آماری 15 ساله (94-1380) جمعآوری گردید. پنج الگوی مختلف بر اساس میزان تأثیرگذاری متغیرهای دبی و خصوصیات فیزیوگرافی زیرحوضهها شامل مساحت، شیب، ضریب شکل و شماره منحنی بر بار معلق حوضه تعریف شد. ضمناً با در نظر گرفتن پارامترهای مساحت و شیب، زیرحوضهها به دو گروه اول و دوم تقسیمبندی شدند. عملکرد مدلهای شبکه عصبی مصنوعی (ANN)، سامانه استنتاجی فازی- عصبی تطبیقی (ANFIS) و برنامهریزی بیان ژن (GEP) در پیشبینی بار معلق مورد بررسی قرار گرفت. نتایج نشان داد تخمین بار معلق با بهکارگیری الگوی ترکیبی شامل کلیه خصوصیات فیزیوگرافی و دبی با بیشترین دقت همراه بود. در بین مدلهای هوشمند بهترین عملکرد متعلق به مدل GEP بود. در گروه اول، این مدل بیشترین ضریب تعیین (68/0=R2)، کمترین مقدار ریشه میانگین مربعات خطا ( ton/day69/7=RMSE) و بیشترین ضریب نش-ساتکلیف (55/0=NS) را در مقایسه با سایر مدلها به خود اختصاص داد. در خصوص گروه دوم نیز مدل GEP با دارا بودن مقادیر R2، RMSE و NS بهترتیب برابر با 72/0، 26/975 و 43/0 برتری محسوسی داشت. با استفاده از مدل GEP برای گروههای اول و دوم مدلهای منطقهای رسوب استخراج شد. طبق نتایج، طی سالهای 94-1380 سالانه بهطور میانگین 33/6 میلیون تن رسوبات معلق توسط شبکه آبراههها در کل حوضه درهرود جابهجا شده و بهطور متوسط سهم هر کیلومتر مربع حوضه، حدود 1000 تن بوده است.https://jsw.um.ac.ir/article_39218_006af94f368a5432bf0fac204582c052.pdfبار معلقحوضه دره رودخصوصیات فیزیوگرافیدبی ویژه رسوبمدل های هوشمند |
| spellingShingle | یاسمن عطایی محمد رضا نیک پور امین کانونی یاسر حسینی کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل) مجله آب و خاک بار معلق حوضه دره رود خصوصیات فیزیوگرافی دبی ویژه رسوب مدل های هوشمند |
| title | کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل) |
| title_full | کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل) |
| title_fullStr | کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل) |
| title_full_unstemmed | کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل) |
| title_short | کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز (مطالعه موردی: حوضه آبخیز درهرود، استان اردبیل) |
| title_sort | کاربرد سه مدل هوشمند در برآورد بار معلق حوضههای آبخیز مطالعه موردی حوضه آبخیز درهرود، استان اردبیل |
| topic | بار معلق حوضه دره رود خصوصیات فیزیوگرافی دبی ویژه رسوب مدل های هوشمند |
| url | https://jsw.um.ac.ir/article_39218_006af94f368a5432bf0fac204582c052.pdf |
| work_keys_str_mv | AT yạsmnʿṭạyy ḵạrbrdshmdlhwsẖmnddrbrậwrdbạrmʿlqḥwḍhhạyậbkẖyzmṭạlʿhmwrdyḥwḍhậbkẖyzdrhrwdạstạnạrdbyl AT mḥmdrḍạnyḵpwr ḵạrbrdshmdlhwsẖmnddrbrậwrdbạrmʿlqḥwḍhhạyậbkẖyzmṭạlʿhmwrdyḥwḍhậbkẖyzdrhrwdạstạnạrdbyl AT ạmynḵạnwny ḵạrbrdshmdlhwsẖmnddrbrậwrdbạrmʿlqḥwḍhhạyậbkẖyzmṭạlʿhmwrdyḥwḍhậbkẖyzdrhrwdạstạnạrdbyl AT yạsrḥsyny ḵạrbrdshmdlhwsẖmnddrbrậwrdbạrmʿlqḥwḍhhạyậbkẖyzmṭạlʿhmwrdyḥwḍhậbkẖyzdrhrwdạstạnạrdbyl |