این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
دانش آب و خاک، جلد ۲۳، شماره ۴، صفحات ۵۹-۷۲
عنوان فارسی ترکیب بهینه متغیرها برای شبیه‌سازی رواناب در حوزه آبخیز امامه با استفاده از آزمون گاما
چکیده فارسی مقاله رواناب ناشی از بارش یک فرایند پیچیده و غیرخطی بوده و بنابراین، مدل­سازی آن چندان آسان نیست. هدف این مطالعه کاربرد آزمون گاما برای انتخاب ترکیب بهینه متغیرهای ورودی در مدل­سازی رواناب رودخانه حوزه آبخیز امامه می­باشد. برای تعیین بهینه تعداد داده­های مورد نیاز برای مدل­سازی از آزمون M استفاده شد. داده­های بارندگی P(t) و روانابR(t) در مقیاس روزانه و در طول دوره آماری 1388- 1379 استفاده شد. همچنین هشت متغیر ورودی شامل سری مربوط به جریان با تأخیر یک روزه (R(t-1))، دو روزه (R(t-2))، سه روزه (R(t-3)) و چهار روزه (R(t-4))، سری بارندگی روزانه بدون تأخیر زمانی (P(t)) و با تأخیرهای یک روزه (P(t-1))، دو روزه (P(t-2)) و سه روزه (P(t-3)) استفاده شد. مدل­سازی جریان آب رودخانه با استفاده از تعداد نقاط بهینه متغیرهای منتخب با روش­های شبکه عصبی مصنوعی و رگرسیون خطی محلی انجام شد. نتایج نشان داد که شش متغیر شامل P(t)، P(t-1)، P(t-2)، P(t-3)، R(t-1) و R(t-2) بهینه ترکیب متغیرها در مدل­سازی جریان رودخانه حوزه مذکور می­باشند. همچنین با استفاده از خروجی آزمون M تعداد 1405 داده برای بخش آموزش مدل­سازی مناسب تشخیص داده شد. نتایج حاکی از این واقعیت است که روش رگرسیون خطی محلی LLR)) در قسمت آموزش از دقت بالاتری نسبت به روش شبکه­های عصبی مصنوعی برخوردار است، در حالیکه در مرحله تست مدل، روش شبکه عصبی از دقت بیشتری برخوردار بود. مقدار R2 و RMSE روش LLR در بخش آموزش بترتیب معادل 96/0 و 7/1 بدست آمد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Optimum Combination of Variables for Runoff Simulation in Amameh Watershed using Gamma test
چکیده انگلیسی مقاله Runoff resulting from rainfall is a complex and non-linear process and, therefore, its modeling is not so easy. The aim of this study was the application of the Gamma test to select the optimal combination of input variables for runoff modeling in Amameh watershed. M-test was used to identify the optimal number of required data for modeling. Data of rainfall (P(t)) and runoff (R(t)) in daily time scale were used in the period of 2000 to 2009. Totally, eight input variables namely four variables of daily streamflow: lag-1 (R(t-1)), lag-2 (R(t-2)), lag-3 (R(t-3)) and lag-4 (R(t-4)) as well as four daily rainfall variables: without lag time (P(t)), lag-1 (P(t-1)), lag-2 (P(t-2)) and lag-3 (P(t-3)) were used. Streamflow modeling was performed based on the optimum number of the selected variables using the artificial neural network (ANN) and local linear regression (LLR) methods. The results showed that the six variables of P(t), P(t-1), P(t-2), P(t-3), R(t-1) and R(t-2) belonged to the optimum combination of variables in streamflow modeling of the mentioned watershed. Moreover, based on the M-test output, only 1405 points were found to be adequate for modeling in the training section. Results indicated the fact that the LLR method had greater accuracy in training process compared to ANN. However, the ANN had large amount of accuracy in the model testing process. In training section the R2 and RMSE values were found to be equal to 0.96 and 1.7, respectively.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علیرضا شریفی |
دانشجوی سابق کارشناسی ارشد منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

یعقوب دینپژوه | دینپژوه
دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

احمد فاخریفرد | فاخریفرد
استاد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

علیرضا مقدمنیا | مقدمنیا
دانشیار، گروهاحیایمناطقخشکوکوهستانی،دانشکدهمنابعطبیعی،دانشگاهتهران

نشانی اینترنتی http://water-soil.tabrizu.ac.ir/article_882_190.html
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات