پژوهشنامه مدیریت حوزه آبخیز، جلد ۷، شماره ۱۴، صفحات ۱۱۸-۱۰۶
عنوان فارسی منطقه بندی حوزه های آبخیز با به کارگیری نوعی از شبکه های عصبی مصنوعی به منظور تحلیل فراوانی منطقه ای سیلاب
چکیده فارسی مقاله نگاشت­های خود­سازمانده یکی از انواع شبکه­های عصبی مصنوعی هستند که قابلیت آن­ها در تشخیص الگو و خوشه­بندی داده­ها، آن­ها را به ابزاری قابل توجه در زمینه­ی منطقه­بندی حوزه­های آبخیز به منظور اجرای تحلیل فراوانی منطقه­ای سیلاب تبدیل کرده است. در این مطالعه، توانایی نگاشت­های خودسازمانده در منطقه­بندی حوزه­ی آبخیز سفیدرود به منظور اجرای تحلیل فراوانی منطقه­ای سیلاب با استفاده از الگوریتم گشتاور­های خطی مورد بررسی قرار گرفته است. نتایج به دست آمده بیانگر آن است که نگاشت­های خود­سازمانده می­توانند به عنوان روشی قابل قبول در زمینه­ی خوشه­بندی داده­ها و منطقه­بندی حوزه­های آبخیز به­کار گرفته شوند. بررسی مقادیر شاخص­های صحت خوشه نشان داد که این شاخص­ها به­تنهایی نمی­توانندتعیین­کننده­ی منطقه­بندی مطلوب برای تحلیل فراوانی منطقه­ای باشند، بلکه این وضعیت همگنی مناطق است که عامل اساسی در تعیین منطقه­بندی مطلوب است. بر اساس وضعیت همگنی مناطق و بزرگی مناطق تشکیل شده، حالت­های دو منطقه­ای حاصل از به­کارگیری الگوریتم­های وارد و نگاشت­های خودسازمانده به عنوان حالت­های بهینه به منظور اجرای تحلیل فراوانی منطقه­ای سیلاب برای حوزه­ی آبخیز سفیدرود، انتخاب شدند. افزون بر این، نتایج حاصل از برآورد سیلاب در تحلیل نقطه­ای و دو تحلیل منطقه­ای گویای آن بود که برآوردهای حاصل از دو تحلیل منطقه­ای بسیار به هم نزدیک بوده و اختلاف نسبی آن­ها به­طور میانگین در حدود 1% است. هم­چنین، اختلاف نسبی آن­ها با برآوردهای حاصل از تحلیل نقطه­ای نیز در هیچ­یک از ایستگاه­ها از 17% تجاوز نمی­کند و مقدار میانگین آن تقریباً برابر 8% است.
کلیدواژه‌های فارسی مقاله نگاشت خود سازمانده، منطقه بندی، خوشه بندی، گشتاور های خطی
عنوان انگلیسی Regionalization of Watersheds Using a Type of ANNs to Regional Flood Frequency Analysis
چکیده انگلیسی مقاله Self-Organizing Feature Maps (SOFM) are a variety of artificial neural networks that their applications in the areas of pattern recognition and data clustering makes them noticeable tools to perform regional flood frequency analysis (RFFA). In this study, ability of Self-Organizing Feature Maps for regionalization of Sefidrood watershed in order to perform regional flood frequency analysis using L-moment algorithm is assessed. Results of this study show that SOFMs may be used as an acceptable method for data clustering and regionalization of watersheds. Evaluation of values of cluster validity measures showed that they can’t be a determining factor to identify suitable number of regions for regional flood frequency analysis, but homogeneity of regions is main factor to determine desirable number of regions. According to homogeneity of regions and sizes of formed regions, regionalizations including two regions that formed by Ward’s algorithm and SOFM were chosen as optimum choices to regional flood frequency analysis on Sefidrood watershed. Furthermore, based on results of flood estimation by at-site FFA and two RFFA, regional estimates are very close to each other and their average relative difference is equal to 1% nearly. Also relative difference between regional and at-site estimates doesn’t exceed 17% in any station and its mean value is about 8%.
کلیدواژه‌های انگلیسی مقاله Clustering, L-moments, Regionalization, SOFM
نویسندگان مقاله علی آهنی |


صمد امامقلی زاده |


سیدسعید موسوی ندوشنی | s s mousavi nadoushani


خلیل اژدری |


نشانی اینترنتی http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1-157&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1495/article-1495-317298.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات