محمد انصاری قوجقار؛ مسعود پورغلام آمیجی؛ شهاب عراقی نژاد؛ بنفشه زهرایی؛ سامان رضوی؛ علی سلاجقه
چکیده
به منظور کنترل و مدیریت صحیح طوفانهای گرد و غبار، آگاهی از تغییرات زمانی- مکانی این پدیده و لزوم پیشبینی و مدلسازی آن با هدف شناخت دقیقتر رفتار طوفانهای گرد و غبار نسبت به محرکهای طبیعی و انسانی، امری ضروری است. با توجه به توسعه روز افزون فرامدلها و ترکیب آنها با الگوریتمهای بهینهسازی به منظور مدلسازی ...
بیشتر
به منظور کنترل و مدیریت صحیح طوفانهای گرد و غبار، آگاهی از تغییرات زمانی- مکانی این پدیده و لزوم پیشبینی و مدلسازی آن با هدف شناخت دقیقتر رفتار طوفانهای گرد و غبار نسبت به محرکهای طبیعی و انسانی، امری ضروری است. با توجه به توسعه روز افزون فرامدلها و ترکیب آنها با الگوریتمهای بهینهسازی به منظور مدلسازی و پیشبینی متغیرهای هواشناسی، در این پژوهش چهار الگوریتم بهینهسازی فراکاوشی ازدحام ذرات (PSO)، ژنتیک (GA)، کلونی مورچگان در محیطهای پیوسته (ACOR) و تکاملی تفاضلی (DE) با مدل سیستم استنتاج تطبیقی فازی عصبی (ANFIS) ترکیب شد. عملکرد چهار مدل ترکیبی توسعه دادهشده با مدل ANFISبرای پیشبینی متغیرهای فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) در مقیاس فصلی در استان خوزستان در جنوب غربی ایران ارزیابی شد. بدین منظور از دادههای ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دوره آماری 40 ساله (2019-1980) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. نتایج شاخصهای نیکویی برازش در مرحله آموزش و آزمایش نشان داد که اختلاف معنیداری بین روش ANFIS و سایر مدلهای ترکیبی مورد استفاده وجود ندارد. مقادیر R و RMSE برترین مدل ترکیبی (ANFIS-PSO) به ترتیب از 88/0 تا 97/0 و 10/0 تا 19/0 و در مدل ANFIS به ترتیب از 83/0 تا 94/0 و 11/0 تا 21/0 متغیر بودند. همچنین نتایج نشان داد که ترکیب الگوریتمهای بهینهسازی استفادهشده با مدل ANFIS نتایج مدل را نسبت به مدل انفرادی ANFIS به صورت معنیداری بهبود نمیبخشد.
علی فضل الهی؛ علی سلاجقه؛ سادات فیض نیا؛ حسن احمدی
چکیده
انگشت‌نگاری رسوبات روشی جهت شناسایی منابع رسوب و تعیین سهم مشارکت هر یک از منابع در تولید رسوب است. در این روش از یک یا چندین خصوصیت بیوژئوشیمیایی (ردیاب‌های طبیعی) استفاده می‌شود. در این تحقیق از روش انگشت‌نگاری رسوبات جهت تعیین سهم منابع مختلف رسوب در اراضی لسی بهره گرفته شد. 27 ردیاب در تمامی نمونه‌ها اندازه‌گیری شد. داده‌ها از ...
بیشتر
انگشت‌نگاری رسوبات روشی جهت شناسایی منابع رسوب و تعیین سهم مشارکت هر یک از منابع در تولید رسوب است. در این روش از یک یا چندین خصوصیت بیوژئوشیمیایی (ردیاب‌های طبیعی) استفاده می‌شود. در این تحقیق از روش انگشت‌نگاری رسوبات جهت تعیین سهم منابع مختلف رسوب در اراضی لسی بهره گرفته شد. 27 ردیاب در تمامی نمونه‌ها اندازه‌گیری شد. داده‌ها از لحاظ پرت بودن بررسی شدند. سپس با استفاده از آزمون کراسکال والیس توانایی ردیابها در جدایش منابع مختلف رسوب بررسی شد. تمامی ردیابها توانایی جدایش منابع مختلف رسوب را دارا بودند. سپس با استفاده از تحلیل تشخیص، بهترین ترکیب ردیابها که قادر به تمایز بین منابع مختلف رسوب باشند، شناسایی شدند که شامل 9 ردیاب کربن کل، سدیم، کربن آلی، سرب، کبالت، استرانسیوم، آلومینیوم، نسبت کربن به نیتروژن و روبیدیوم میباشند. سپس سهم هریک از منابع به دو روش معمول و بهینه شده با الگوریتم ژنتیک تعیین شد؛ که در میان شش منبع رسوب، خندق با میزان سهم متوسط 6/37 درصد بیشترین و جنگل طبیعی با میزان سهم متوسط 8/4 درصد کمترین مشارکت را در تولید رسوب در حوضه دارند. بهرهگیری از الگوریتم ژنتیک سبب افزایش دقت برآورد سهم منابع مختلف (نسبت به روش معمول) گردید.
حامد روحانی؛ محسن فراهی مقدم
چکیده
شبیهسازی روابط بارش- رواناب کانون اصلی توجه تحقیقات هیدرولوژی در دهههای گذشته بوده و مدلهای زیادی برای این منظور پیشنهاد شده است. انتخاب مدل به هدف از مدلسازی و اطلاعات در دسترس بستگی دارد. در این مطالعه، عملکرد نسبی دو مدل یکپارچه و مفهومی تانک[1] و SIMHYD مقایسه شد. در هر دو مدل ذکرشده محدودة تغییرات پارامترها زیاد ...
بیشتر
شبیهسازی روابط بارش- رواناب کانون اصلی توجه تحقیقات هیدرولوژی در دهههای گذشته بوده و مدلهای زیادی برای این منظور پیشنهاد شده است. انتخاب مدل به هدف از مدلسازی و اطلاعات در دسترس بستگی دارد. در این مطالعه، عملکرد نسبی دو مدل یکپارچه و مفهومی تانک[1] و SIMHYD مقایسه شد. در هر دو مدل ذکرشده محدودة تغییرات پارامترها زیاد است؛ در نتیجه، استفاده از روش سعی و خطا برای بهینهسازی پارامترها مشکل و وقت‌گیر است. بنابراین، واسنجی این دو مدل به صورت خودکار و با استفاده از الگوریتم ژنتیک[2] در حوزة آبخیز چهل‌چای، از زیرحوزه‌های حوزة آبخیز گرگان‌رود، انجام گرفت. برای واسنجی و اعتبارسنجی خودکار به‌ترتیب از دادههای روزانة دبی در دورة زمانی 1992ـ 1996و دورة زمانی 2002ـ 2005 استفاده شد. نتایج این مطالعه با استفاده از شاخصهای آماری ضریب ناش- ساتکلیف و RMSE[3] تجزیه و تحلیل شد. این ضرایب برای دورة واسنجی مدل تانک به‌ترتیب 599/0 و 821/0 و برای دورة اعتبارسنجی به‌ترتیب 566/0و 522/0است. همچنین، این ضرایب برای دورة واسنجی مدل SIMHYD به‌ترتیب 602/0و 819/0 و برای دورة اعتبارسنجی آن به‌ترتیب 617/0 و 490/0 محاسبه شد. نتایج آماری و گرافیکی دو مدل نشان می‌دهد که کارایی مدل SIMHYD از مدل تانک بهتر است. [1]. Tank [2]. Genetic Algorithm [3] .Root Mean Square Error
روح الله تقی زاده مهرجردی؛ فریدون سرمدیان؛ غلامرضا ثواقبی؛ محمود امید؛ نورایر تومانیان؛ محمد جواد روستا؛ محمدحسن رحیمیان
چکیده
در سال‌های اخیر از روش‌های غیرمستقیم برای برآورد شوری خاک استفاده می‌شود. بدین منظور، در این پژوهش ششصد نمونة جمعآوریشده از منطقة اردکان آزمایش شد و قرائت‌های افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی ـ شامل شاخص اراضی، شاخص خیسی، و انحنای شیب ـ به عنوان ویژگی‌های زودیافت استفاده شد و میزان شوری ...
بیشتر
در سال‌های اخیر از روش‌های غیرمستقیم برای برآورد شوری خاک استفاده می‌شود. بدین منظور، در این پژوهش ششصد نمونة جمعآوریشده از منطقة اردکان آزمایش شد و قرائت‌های افقی -عمودی دستگاه القای الکترومغناطیس و پارامترهای سطح اراضی ـ شامل شاخص اراضی، شاخص خیسی، و انحنای شیب ـ به عنوان ویژگی‌های زودیافت استفاده شد و میزان شوری خاک به صورت وزنی در اعماق 30 و 100 سانتیمتری به عنوان ویژگی‌های دیریافت تخمین زده شد. در این زمینه، داده‌ها به دو سری تقسیم شد: سری آموزشی (80% داده‌ها)؛ سری ارزیابی (20% داده‌ها). به منظور مدلسازی و پیشبینی شوری، از مدلهای نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک، و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدلها ـ بر اساس شاخصهای ریشة مربعات خطا، میانگین خطا، خطای استاندارد نسبی، و ضریب تبیین ـ نشان داد که مدل نروفازی دارایِ بالاترین دقت در پیشبینی ویژگی‌های خاک است، به طوری که این مدل به میزان 17 و 11 درصد دقتِ پیشبینی شوری را، به‌ترتیب، در اعماق 30 و 100 سانتیمتری، نسبت به روش رگرسیون خطی چندگانه، افزایش داده است. پس از این مدل، الگوریتم ژنتیک و شبکههای عصبی مصنوعی، نسبت به معادلات رگرسیونی، کارآیی بهتری داشت.
