علیرضا سپه وند؛ حسن احمدی؛ علی اکبر نظری سامانی؛ سباستیانو ترویسانی
چکیده
استفاده از شاخصهای ژئومورفومتری در تفکیک ناهمواریهای سطح زمین کاربرد گستردهای را طی دهۀ گذشته در علم ژئومورفولوژی داشته است. در این تحقیق از روش پرسپترون چند لایۀ شبکۀ عصبی مصنوعی برای طبقه‌بندی ناهمواریهای کارستی استفاده شد. ابتدا با استفاده از نقشۀ مدل رقومی ارتفاع، شاخصهای ژئومورفومتری تهیه شد و سپس این شاخصها ...
بیشتر
استفاده از شاخصهای ژئومورفومتری در تفکیک ناهمواریهای سطح زمین کاربرد گستردهای را طی دهۀ گذشته در علم ژئومورفولوژی داشته است. در این تحقیق از روش پرسپترون چند لایۀ شبکۀ عصبی مصنوعی برای طبقه‌بندی ناهمواریهای کارستی استفاده شد. ابتدا با استفاده از نقشۀ مدل رقومی ارتفاع، شاخصهای ژئومورفومتری تهیه شد و سپس این شاخصها بهعنوان نرونهای لایۀ ورودی در شبکۀ عصبی مصنوعی استفاده شد. علاوه بر این از نمودارهای جعبهای برای تحلیل ارتباط ناهمواریهای کارستی همچون دولین، تپه، دشت کارستی، درۀ کارستی و پرتگاه با شاخصهای ژئومورفومتری استفاده شد. نتایج طبقه‌بندی نشان داد که ناهمواریهای منطقۀ مورد مطالعه بهترتیب شامل 34، 9/6، 07/1، 5/48 و 51/9 درصد دره، دشت، دولین، پرتگاه و تپه میباشد. علاوه بر این، نتایج نشان داد که مدل بهینۀ شبکۀ عصبی مصنوعی برای طبقه‌بندی ناهمواریها، مدل 1-9-12 با ضریب یادگیری 1/0 و ضریب تبیین 18/87 درصد بود و دقت روش ابداعی برای طبقه‌بندی ناهمواریهای کارستی 58/90 درصد میباشد. همچنین تحلیلها نماینده این است که تغییرات شاخصهای ژئومورفومتری در ناهمواریهای تپه، پرتگاه و درهکارستی بسیار نمایان بوده ولی در دشت و دولین کمی دارای همپوشانی هستند.
محبوبه معتمدنیا؛ احمد نوحه گر؛ آرش ملکیان؛ مریم صابری اناری
چکیده
یکی از مهمترین محاسبات هیدرولوژیک در یک اکوسیستم، تعیین ارتباط بین بارش و رواناب است. به طوری که بررسی فرایندهای بهوقوع پیوسته در آن و برآورد خروجیهای مهّم حوزه از قبیل سیلاب و رسوب از مهّمترین هدفهای یک پروژۀ آبخیزداری تلقی میشود. به دلیل ویژگیهای متغیر زمانی و مکانی وقایع در چرخۀ آبی، روابط غیر خطی و عدم قطعیت، ...
بیشتر
یکی از مهمترین محاسبات هیدرولوژیک در یک اکوسیستم، تعیین ارتباط بین بارش و رواناب است. به طوری که بررسی فرایندهای بهوقوع پیوسته در آن و برآورد خروجیهای مهّم حوزه از قبیل سیلاب و رسوب از مهّمترین هدفهای یک پروژۀ آبخیزداری تلقی میشود. به دلیل ویژگیهای متغیر زمانی و مکانی وقایع در چرخۀ آبی، روابط غیر خطی و عدم قطعیت، هیچ کدام یک از مدلهای آماری و مفهومی نتوانسته بهعنوان یک مدل برتر و توانا کارگشا باشد. اما امروزه استفاده از شبکههای غیرخطی بهعنوان سامانههای هوشمند در پیشبینی چنین پدیدههای پیچیده و حل بسیاری از مشکلات اکوهیدرولوژی میتواند مفید و مؤثر باشد. به این منظور از دادههای روزانۀ بارندگی، دما، تبخیر و تعرق، رطوبت نسبی و همچنین دبی در مقیاس روزانه و در دورۀ زمانی مشترک 42 ساله و بررسی 62 ساختار پیشنهادی مختلف در حوزۀ آبخیز معرّف امامه استفاده شد. در این راستا و به منظور مقایسه از شبکههای عصبی پرسپترون چندلایه و تابع پایۀ شعاعی استفاده گردید. نتایج نشان داد که از بین بیش از 6000 مدل موجود در تخمین دبی رودخانه، مدل 54 با ساختار 1-8-9-8 و ورودیهای دما، رطوبت نسبی، بارندگی و تأخیر بارندگی و دبی تا دو روز بوده و با روش پرسپترون چندلایه دارای بهترین عملکرد بوده است. میزان خطای مدل مذکور برابر با 03/0، 18/0 و 04/0 در مرحلۀ مدلسازی و آموزش و 02/0، 14/0 و 02/0 در مرحلۀ آزمایش برای معیارهای ارزیابی به ترتیب شامل میانگین مربعات خطا (MSE)، مجذور میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE) بوده است.
