مدل سازی جریان روزانه رودخانه با استفاده از برنامه ریزی ژنتیک و شبکه عصبی (مطالعه موردی: حوضه آبخیز معرف امامه)

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 245

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JPHGR-48-3_003

تاریخ نمایه سازی: 5 آبان 1400

چکیده مقاله:

فرایند بارش- رواناب پیچیده و غیرخطی است و مدلسازی آن به دلیل عدم قطعیتهای زیاد یکی از مهمترین دغدغههای پژوهشگران در حیطه مسائل منابع آب به شمار می رود. از بین روشهای مورد استفاده، مدلهای هوشمند در پیشبینی چنین فرایندهایی مفید و موثرند. بنابراین، به منظور مدلسازی جریان رودخانه از روشهای شبکه عصبی مصنوعی و همچنین برنامهریزی ژنتیک به منزله روشی صریح که جزو الگوریتمهای تکاملی به شمار می رود در حوضه آبخیز معرف امامه و در دوره آماری ۱۳۴۹ - ۱۳۵۰ تا ۱۳۹۰ - ۱۳۹۱ (۴۲ ساله) استفاده شد. بدین منظور، از دادههای هواشناسی و آبسنجی در مقیاس روزانه و در قالب ۶۲ مدل پیشنهادی استفاده شد. نتایج نشان داد برنامهریزی ژنتیکی، از میان مدلهای فراوان، خطای کمتری داشت. خطای مدلها نیز وقتی که فقط از عملگرهای اصلی ریاضی و توان استفاده شد به مراتب کمتر بود. سرانجام، با توجه به معیارهای ارزیابی مورد استفاده در این تحقیق، ساختار پیشنهادی با ورودیهای (مدل ۵۴) دما، باران، و تاخیرهای باران تا دو روز، رطوبت نسبی و تبخیر و تعرق و تاخیر جریان تا دو روز به عنوان بهترین مدل با خطای ۰۰۱/۰، ۰۳۱/۰، و ۰۰۹/۰ در مرحله آموزش و ۰۰۱/۰، ۰۳۲/۰، و ۰۰۹/۰ در مرحله آزمایش به دست آمد.

کلیدواژه ها:

بارش- رواناب ، برنامهریزی ژنتیک ، شبکه عصبی پرسپترون چندلایه ، حوضه آبخیز معرف امامه

نویسندگان

احمد نوحه گر

استاد گروه برنامه ریزی مدیریت و آموزش محیط زیست، دانشکده محیط زیست، دانشگاه تهران، کرج

محبوبه معتمدنیا

دانشجوی دکتری علوم و مهندسی آبخیزداری، گروه کشاورزی و منابع طبیعی، دانشگاه هرمزگان، بندرعباس

آرش ملکیان

دانشیار گروه احیای مناطق خشک و کوهستانی، دانشکده منابع طبیعی، دانشگاه تهران، کرج

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 :
  • سلطانی، ع.؛ قربانی، م.ع.؛ فاخریفرد، ا.؛ دربندی، ص. و فرسادیزاده، ...
  • شریفی، ع.ر.؛ دینپژوه، ی.؛ فاخریفرد، ا. و مقدمنیا، ع.ر. (۱۳۹۲). ...
  • فربودنام، ن.؛ قربانی، م.ع. و اعلمی، م.ت. (۱۳۸۸). پیشبینی جریان ...
  • مسعودی، ا.؛ پارسامهر، پ.؛ سلماسی، ف. و پوراسکندر، س. (۱۳۹۱). ...
  • Aytek, A.; Asce, M. and Alp, M. (۲۰۰۸). An Application ...
  • Chiang, J.L. and Yeh, C.H. (۲۰۱۰). Suspended Sediment Forecasting in ...
  • Dai, X.; Huo, Z. and Wang, H. (۲۰۱۱). Simulation for ...
  • DanandehMehr, A.; Kahya, E. and Olyaie, E. (۲۰۱۳). Streamflow Prediction ...
  • DanandehMehr, A.; Kahya, E. and Yerdelen, C. (۲۰۱۴). Linear Genetic ...
  • Dawson, C.W and Wilby, R.L. (۲۰۰۱). Hydrological modeling using artificial ...
  • Dorado, J.; Rabunal, J.R.; Pazos, A.; Rivero, D.; Santos, A. ...
  • Farboudfam, N.; Ghorbani, M.A. and Alami, M.T. (۲۰۰۹). River Flow ...
  • Gharaei-Manesh, S.; Fathzadeh, A. and Taghizadeh-Mehrjardi, R. (۲۰۱۶). Comparison of ...
  • Ghorbani, M.A.; Khatibi, R.; Aytek, A.; Makarynskyy, O. and Shiri, ...
  • Guven, A. (۲۰۰۹). Linear Genetic Programming for Time-Series Modeling of ...
  • Harun, S.; Ahmat Nor, N.I. and Kassim, A.H.M. (۲۰۰۲). Artificial ...
  • Hosseini, S.M. and Mahjouri, N. (۲۰۱۶). Integrating Support Vector Regression ...
  • Huo, Z.; Feng, S.; Kang, S.; Huang, G.; Wang, F. ...
  • Jayawardena, AW; Muttil, N. and Fernando, T. (۲۰۰۵). Rainfall-Runoff Modelling ...
  • Koza, J.R. (۱۹۹۲). Genetic Programming: On the Programming of Computers ...
  • Masoodi, A.; Parsamehr, P.; Salmasi, F. and Pureskandar, S. (۲۰۱۲). ...
  • Pramanik, N. and Panda, R.K. (۲۰۰۹). Application of Neural Network ...
  • Sarangi, A. and Bhattacharya, A.K. (۲۰۰۵). Comparison of Artificial Neural ...
  • Sharifi, A.R.; Dinpashoh, Y.; Fakheri-Fard, A. and Moghaddamnia, A.R. (۲۰۱۳). ...
  • Sinivasulu, S. and Jain, A. (۲۰۰۶). A comparative analysis of ...
  • Solaimani, K. (۲۰۰۹). Rainfall-Runoff Prediction Based on Artificial Neural Network ...
  • Soltani, A.; Ghorbani, M.A.; Fakherifard, A.; Darbandi, S. and Farsadizadeh, ...
  • Sudheer, P.K.; Gosain, A.K. and Ramasastri, K.S. (۲۰۰۲). A Data ...
  • Tao, W.; Kailin, Y. and Yongxin, G. (۲۰۰۸). Application of ...
  • Wang, W.C.; Chau, K.W.; Cheng, Ch.T. and Qiu, L. (۲۰۰۹). ...
  • Wu, C.L.; Chau, K.W. and Li, Y.S. (۲۰۰۹). Methods to ...
  • نمایش کامل مراجع