کاربرد مدل سازی سری زمانی در پیش بینی شدت تخلیه زهکشی زیرزمینی و نوسانات سطح ایستابی
محل انتشار: فصلنامه حفاظت منابع آب و خاک، دوره: 5، شماره: 1
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 209
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WSRCJ-5-1_001
تاریخ نمایه سازی: 4 آبان 1400
چکیده مقاله:
ویژگی های تصادفی بودن پدیده های زهکشی سبب شده تا بتوان از مفاهیم متغیرهای تصادفی و سری های زمانی در مدل سازی و پیش بینی عملکرد آنها استفاده شود. هدف از پژوهش حاضر بررسی قابلیت مدل های سری زمانی در پیش بینی عملکرد سامانه زهکشی زیرزمینی شبکه ران بهشهر (که زهکش های آن به وسیله باران فعال می شوند) بود. در این مطالعه در ابتدا مدل Drainmod واسنجی و سپس متغیرهای شدت تخلیه زهاب و عمق سطح ایستابی توسط مدل واسنجی شده شبیه سازی شد. سپس این اطلاعات برای توسعه و ارزیابی مدل های مختلف سری زمانی مورد استفاده قرار گرفت. نتایج نشان داد که مدل ARMAXبا متغیرهای برونزای ارزش روزانه، بارش روزهای قبل و متوسط متغیر مورد نظر در دو روز قبل در برآورد شدت تخلیه زهاب و عمق سطح ایستابی کارآمدتر میباشد به طوری که درصد میانگین مطلق خطا برای هر دو متغیر حدودا هشت درصد بود. مقایسه نتایج پیش بینی مدل های برگزیده سری زمانی با نتایج شبیه سازی مدل واسنجی شده Drainmod نشان داد کاربرد مدل های سری زمانی در پیش بینی عملکرد سامانه زهکشی مطلوب و ضریب تعیین برای شدت تخلیه زهاب و عمق سطح ایستابی به ترتیب ۵۱/۰ و ۷۴/۰ و ریشه میانگین مربعات خطا نیز برای این متغیرها به ترتیب ۰۱/۰ سانتی متر بر روز و ۶/۸ سانتی متر بود.
کلیدواژه ها:
نویسندگان
شفیعه وزیرپور
دانش آموخته کارشناسی ارشد؛ گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
فرهاد میرزایی اصل شیرکوهی
دانشیار گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
حامد ابراهیمیان
استادیار گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
حامد رفیعی
استادیار گروه اقتصاد کشاورزی؛ پردیس کشاورزی و منابع طبیعی؛ دانشگاه تهران؛ کرج؛ ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :