مهندسی آبیاری و آب ایران، جلد ۱۲، شماره ۴، صفحات ۲۵۸-۲۷۳
عنوان فارسی ارزیابی رتبه‌ای دو رویکرد مدل‌سازی داده‌مبناء و مفهومی فرآیند بارش- رواناب در مقیاس زمانی ماهانه
چکیده فارسی مقاله مدل‌سازی ماهانه فرآیند بارش- رواناب نقش مهمی در بهر‌ه‌برداری از سدها دارد. در مقاله حاضر کارایی سه مدل داده‌مبناء شبکه عصبی مصنوعی (ANN)، شبکه عصبی رگرسیون تعمیم‌یافته (GRNN) و K نزدیک‌ترین همسایگی (KNN) در مقایسه با مدل مفهومی IHACRES در مدل‌سازی ماهانه بارش- رواناب با داده‌های مشابه و ساختار بهینه مورد ارزیابی قرار گرفت. شبیه‌سازی جریان ماهانه ورودی به سد کرخه به عنوان مطالعه موردی انتخاب و از داده‌های مشاهده‌ای 32 ساله (1393-1361) دما و بارش ماهانه و جریان ماهانه ورودی به سد استفاده شد. با توجه به متفاوت بودن الگوهای بارش-رواناب در ماه‌های مختلف، دو نوع ارزیابی کلی و ماهانه از کارایی مدل‌ها با استفاده از روش رتبه‌دهی و بر مبنای سه شاخص ارزیابی نش- ساتکلیف (NSE)، جذر میانگین مربعات خطا (RMSE) و ضریب همبستگی (R) انجام شد. نتایج نشان داد که از هر دو روش ارزیابی مدل‌ها در مرحله صحت‌سنجی، دو مدل ANN و KNN به ترتیب دارای بیشترین و کم‌ترین کارایی در تخمین جریان ماهانه بودند. بر اساس ارزیابی کلی رتبه‌ای مدل‌ها، کارایی دو مدل ANN(749/0 NSE= و 868/0R=) و IHACRES (699/0 NSE=و 842/0R=) با کسب 8 امتیاز مشابه بود و دو مدل GRNN (618/0 NSE=و 793/0R=) و KNN (601/0 NSE=و 777/0R=) با کارایی مشابه (5 امتیاز) در رتبه دوم قرار گرفتند. در حالیکه بر اساس روش ارزیابی رتبه‌ای ماهانه، دو مدل IHACRES و GRNN با کسب مجموع 38 امتیاز مساوی از سه شاخص ارزیابی خطا دارای کارایی مشابه بوده و کارایی آنها پس از مدل ANN با 48 امتیاز در مقام دوم قرار گرفت.
کلیدواژه‌های فارسی مقاله رتبه‌بندی مدل‌ها، شبکه‌‌های عصبی، کرخه، مدل KNN، مدل IHACRES،
عنوان انگلیسی Ranking Evaluation of Data-driven and Conceptual Modelling of Rainfall-Runoff Process in Monthly Time Scale
چکیده انگلیسی مقاله Rainfall-runoff monthly modelling process plays an important role in dams’ operation. Herein the performances of three data-based models including Artificial Neural Network (ANN), Generalized Regression Neural Network (GRNN) and K-Nearest Neighbor (KNN) are compared in tandem with IHACRES conceptual model, while they were applied with similar data, and optimal structures. Simulation of monthly inflow to Karkheh reservoir, Iran, was considered as the case study, and 32-year data (1982-2014) of monthly temperature and precipitation belong to the upper sub-basin of the dam, and monthly inflow to the reservoir were used. With respect to the different rainfall-runoff patterns in different months, the models assessed in a general and monthly manners using a rating method based on performance criteria including: Nash-Sutcliff Efficiency (NSE), Root Mean Square Error (RMSE) and Correlation Coefficient(R). Results showed that both model evaluation procedure in validation phase, ANN and KNN models have the highest and lowest efficiency in monthly streamflow forecasting, respectively. Based on the rating general evaluation the performance of ANN (NSE= 0.749, R= 0.868) and IHACRES (NSE= 0.699, R= 0.842) are similar with a score of 8 while the GRNN (NSE= 0.618, R= 0.793) and KNN (NSE= 0.601, R= 0.777) models with similar performance (score 5) were ranked in the second order. However, in accordance with rating monthly assessment of the models, the performance of GRNN was similar to IHACRES with the total score of 38 based on three criteria while they were ranked in the second order after ANN model with score 48.
کلیدواژه‌های انگلیسی مقاله رتبه‌بندی مدل‌ها, شبکه‌‌های عصبی, کرخه, مدل KNN, مدل IHACRES
نویسندگان مقاله فرشته مدرسی |
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

کیومرث ابراهیمی |
مهندسی آبیاری و آبادانی، پردیس کشاورزی و منابع طبیعی دانشگاه تهران

شهاب عراقی نژاد |
مهندس کنترل منابع آب در هیئت مدیره کنترل منابع آب ایالتی، ساکرامنتو، کالیفرنیا، امریکا،

نشانی اینترنتی https://www.waterjournal.ir/article_150737_bdde412f1494cd17b11f81e878dfaf00.pdf
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