پیش بینی مقدار آبدهی رودخانه در شرایط کم آبی و پرآبی با استفاده از یک مدل استوکستیک و هوش مصنوعی
عنوان مقاله: پیش بینی مقدار آبدهی رودخانه در شرایط کم آبی و پرآبی با استفاده از یک مدل استوکستیک و هوش مصنوعی
شناسه ملی مقاله: JR_IDJ-8-3_009
منتشر شده در در سال 1393
شناسه ملی مقاله: JR_IDJ-8-3_009
منتشر شده در در سال 1393
مشخصات نویسندگان مقاله:
حسین شریفان - دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
فائقه پژوهش - دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
امیراحمد دهقانی - دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی منابع طبیعی گرگان، گرگان، ایران
خلاصه مقاله:
حسین شریفان - دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
فائقه پژوهش - دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
امیراحمد دهقانی - دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی منابع طبیعی گرگان، گرگان، ایران
با توجه به برنامهریزی منابع آب، بهخصوص در مناطقی که منابع آب سطحی به عنوان اصلیترین منبع در امور شرب و کشاورزی بهحساب میآیند، برآورد میزان آب رودخانهها در دورههای کم آبی و پرآبی اهمیت پیدا میکند. در این تحقیق با استفاده از یک مدلسازی سری زمانی، میزان و زمان وقوع کمآبی و پرآبی رودخانه گرگانرود، بر اساس مدل سری زمانی متداول میانگین متحرک تجمعی خود بازگشت(ARIMA) برآورد شده است و در ادامه از شبکه عصبی، بهعنوان مدلی از خانواده هوش مصنوعی، در برآورد میزان و زمان وقوع کمآبی و پرآبی رودخانه، استفاده شده است. مقدار کمآبی و پرآبی هر ماه، با استفاده از مقدار میانگین متحرک یک، سه، پنج و هفت روزهی دبی جریان در هر ماه، در نظر گرفته شده است. در پایان، این نتیجه حاصل شد که سریهایزمانی کمآبی، نسبت به سریزمانی پرآبی، در استفاده از مدل استوکستیک و شبکه عصبی نتایج بهتری ارائه میدهند، همچنین با توجه به آماره میانگین خطای مطلق(MAE) و در سریزمانی کمآبی۱و۷ روزه، مدل استوکستیکARIMA ، نسبت به مدل شبکه عصبی نتیجه بهتری ارائه میدهد، شبکه عصبی نیز در سریزمانی کمآبی، ۳و۵ روزه، نتایج بهتری را ارائه میدهد و با توجه به آماره میانگین خطای مطلق(MAE) در پرآبیها، مدل ARIMAدر سری زمانی یک روزه و ANN در سری زمانی ۳ و ۵ و ۷ روزه نتایج مناسبتری ارائه داده است.
کلمات کلیدی: آبدهی ماهانه, کم آبی, پرآبی, مدل سازی سری زمانی, ARIMA, شبکه عصبی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1210704/