سعید خسروبیگی بزچلویی؛ آرش ملکیان؛ علیرضا مقدم نیا؛ شهرام خلیقی سیگارودی
چکیده
سیل یکی از مخرب ترین بلایای طبیعی است که هر ساله باعث تلفات مالی و جانی می شود. تخمین دبی سیلاب یکی از مهمترین عوامل لازم جهت طراحی و اجرای سازههای آبی است. در چنین مواردی یکی از راه حلهای مناسب برای برآورد دبیهای حداکثر لحظهای با دوره بازگشت های مختلف آنالیز منطقهای سیلاب میباشد. به منظور انجام پژوهش حاضر، تعداد 55 ایستگاه ...
بیشتر
سیل یکی از مخرب ترین بلایای طبیعی است که هر ساله باعث تلفات مالی و جانی می شود. تخمین دبی سیلاب یکی از مهمترین عوامل لازم جهت طراحی و اجرای سازههای آبی است. در چنین مواردی یکی از راه حلهای مناسب برای برآورد دبیهای حداکثر لحظهای با دوره بازگشت های مختلف آنالیز منطقهای سیلاب میباشد. به منظور انجام پژوهش حاضر، تعداد 55 ایستگاه آبسنجی با دوره مشترک آماری 20 ساله پس از رفع نواقص آماری برای انجام کار در نظر گرفته شدند. سپس بر اساس توزیع لوگ پیرسون نوع سوم با کمترین میزان خطا و بیشترین تعداد رتبه اول به عنوان مناسب ترین تابع برازش، مقدار دبی در دوره بازگشتهای مختلف برآورد گردید. در ادامه اطلاعات مربوط به انواع متغیرهای فیزیوگرافی، کاربری اراضی، اقلیمی و زمینشناسی جمعآوری شد. پس از جمعآوری اطلاعات مربوط به کلیه متغیرهای مستقل با استفاده از آزمون گاما مهمترین متغیرهای موثر بر دبیهای حداکثر لحظهای شامل مساحت، تراکم زهکشی، حداکثر بارندگی 24 ساعته و محیط حوزه آبخیز انتخاب و مدلسازی با استفاده از روشهای مدلسازی جنگل تصادفی و ماشین بردار پشتیبان در نرمافزار R انجام پذیرفت و میزان کارایی این دو روش بر اساس نمایههای آماری ضریب تبیین (R2)، ریشه میانگین مربعات خطا (RMSE) و ضریب کارایی ناش و ساتکلیف (CE) مشخص شد. با ضریب کارایی 74 تا 83 درصد، خطای 05/3 تا 11/32 متر مکعب و ضریب تبیین 76 تا 91 نسبت به نسبت به مدل جنگل تصادفی از دقت بالاتری برخوردار میباشند.
فاطمه مقصود؛ محمدرضا یزدانی؛ محمد رحیمی؛ آرش ملکیان؛ علی اصغر ذوالفقاری
چکیده
خشکسالی در نگاهی کلی معلول یک دورۀ شرایط خشک غیرعادی است که به اندازۀ کافی دوام داشته و سبب عدم تعادل در وضعیت هیدرولوژیک یک ناحیه همچون افت منابع آب سطحی و زیرزمینی میگردد. هدف از این تحقیق مدلسازی پیشبینی خشکسالی هواشناسی در سه مقیاس زمانی کوتاهمدت، میانمدت و بلندمدت در ایستگاه بارانسنجی واقع در دشت جنوبی استان قزوین، ...
بیشتر
خشکسالی در نگاهی کلی معلول یک دورۀ شرایط خشک غیرعادی است که به اندازۀ کافی دوام داشته و سبب عدم تعادل در وضعیت هیدرولوژیک یک ناحیه همچون افت منابع آب سطحی و زیرزمینی میگردد. هدف از این تحقیق مدلسازی پیشبینی خشکسالی هواشناسی در سه مقیاس زمانی کوتاهمدت، میانمدت و بلندمدت در ایستگاه بارانسنجی واقع در دشت جنوبی استان قزوین، با استفاده از شبکۀ عصبی پرسپترون چندلایه و با در نظر گرفتن پارامترها و سیگنالهای اقلیمی میباشد. بدین منظور سه سناریوی مختلف بهعنوان ورودیهای مدل، مورد آزمون قرار گرفت. پس از تعیین متغیرهای ورودی با روش همبستگی متقاطع اقدام به تعیین ترکیب بهینۀ متغیرها با استفاده از آزمون گاما گردید. نتایج نشان داد که با افزایش مقیاس زمانی از کوتاهمدت به بلندمدت، تأثیر سیگنالهای اقلیمی افزایش و در عوض تأثیر پارامترهای هواشناسی کمتر میشود. همچنین مؤثرترین سیگنال اقلیمی و پارامتر هواشناسی در هر مقیاس، به ترتیب MEI (شاخص چندمتغیرۀ النینو- نوسانات جنوبی) و بارندگی معرفی گردیدند. جهت مدلسازی از شبکۀ عصبی با یک لایۀ مخفی با تعداد کافی نرون، با تابع سیگموئید در لایۀ میانی و تابع خطی در لایۀ خروجی استفاده شد. مناسبترین تعداد نرون در هر سناریو تعیین شد. در نهایت براساس معیارهای ارزیابی، مناسبترین ساختار شبکه در هر مقیاس زمانی و در سه سناریوی مورد بررسی تعیین گردید.
الهام کاکائی لفدانی؛ علیرضا مقدم نیا؛ آزاده احمدی؛ حیدر ابراهیمی
چکیده
هدف از این مطالعه بررسی تأثیر پیش پردازش متغیرهای ورودی به روش آزمون گاما بر عملکرد مدل ماشین بردار پشتیبان جهت پیشبینی حجم رسوبات معلق رودخانه دویرج، واقع در استان ایلام، برای دورة ۱۹۹۴ـ ۲۰۰۵ است. دبی جریان و بارندگی ورودی مدل و دبی رسوب معلقْ خروجی مدل درنظر گرفته شد. همچنین، طول دورة آموزش مدل با استفاده از آزمون گاما (Gamma ...
بیشتر
هدف از این مطالعه بررسی تأثیر پیش پردازش متغیرهای ورودی به روش آزمون گاما بر عملکرد مدل ماشین بردار پشتیبان جهت پیشبینی حجم رسوبات معلق رودخانه دویرج، واقع در استان ایلام، برای دورة ۱۹۹۴ـ ۲۰۰۵ است. دبی جریان و بارندگی ورودی مدل و دبی رسوب معلقْ خروجی مدل درنظر گرفته شد. همچنین، طول دورة آموزش مدل با استفاده از آزمون گاما (Gamma Test (GT)) مشخص شد. سپس، به منظور بررسی تأثیر پیش پردازش متغیرهای ورودی بر عملکرد مدل، رسوب معلق با استفاده از مدل SVM، که هیچگونه پیشپردازشی بر روی متغیرهای ورودی آن صورت نگرفته بود، پیشبینی شد و نتایج با یکدیگر مقایسه گردید. نتایج نشان داد عملکرد مدل GT-SVM در مرحله آزمون با حداقل RMSE برابر با 96/0 تن در روز و حداکثر ضریب R2 برابر با 98/0 بین مقادیر پیشبینیشده و واقعی بهتر از عملکرد مدل SVMاست.