علی آذره؛ الهام رفیعی ساردوئی
چکیده
هدف این پژوهش، بررسی تغییرات کاربری اراضی در گذشته و پیش بینی کاربری اراضی در آینده با استفاده از مدلساز تغییر زمین (LCM) در حوزه آبخیز هلیل رود می باشد. آشکارسازی تغییرات کاربری اراضی با بهکارگیری تصاویر ماهواره لندست، سنجندههایTM (تصویر سال 1370)، ETM+ (تصویر سال 1382) و OLI (تصویر سال 1399) انجام گرفت. مدلسازی نیروی انتقال با روش شبکه عصبی ...
بیشتر
هدف این پژوهش، بررسی تغییرات کاربری اراضی در گذشته و پیش بینی کاربری اراضی در آینده با استفاده از مدلساز تغییر زمین (LCM) در حوزه آبخیز هلیل رود می باشد. آشکارسازی تغییرات کاربری اراضی با بهکارگیری تصاویر ماهواره لندست، سنجندههایTM (تصویر سال 1370)، ETM+ (تصویر سال 1382) و OLI (تصویر سال 1399) انجام گرفت. مدلسازی نیروی انتقال با روش شبکه عصبی پرسپترون چند لایه و هشت متغیر ارتفاع، شیب، جهت، فاصله از جاده، فاصله از رودخانه، فاصله از اراضی کشاورزی، فاصله از شهر، شاخص تفاضل پوشش گیاهی (NDVI) انجام گرفت. جهت پیشبینی تغییرات کاربری اراضی در دوره آتی، از زنجیرهی مارکوف استفاده گردید. نتایج ارزیابی دورههای واسنجی با استفاده از آمارهی کاپا نشان داد که دورهی واسنجی 1370 تا 1399 بالاترین صحت را جهت پیشبینی تغییرات کابری اراضی سال 1420 داشت. نتایج تغییرات کاربری اراضی حاکی از آن است که بیشترین افزایش مساحت مربوط به اراضی کشاورزی به میزان 7/293 کیلومتر مربع و بیشترین کاهش مساحت مربوط به اراضی مرتعی به میزان 6/382 کیلومتر مربع بوده است. همچنین مساحت اراضی بایر، باغی و مسکونی افزایش یافته و اراضی سنگلاخی بدون تغییر بودهاند. تخریب اراضی مرتعی بیشتر در راستای تبدیل این اراضی به اراضی کشاورزی، باغی و مسکونی بودهاست. همچنین نتایج حاصل از پیشبینی نقشه کاربری آینده 1420با استفاده از مدلساز تغییر زمین نشان داد که در دورهی زمانی 1420-1399، مساحت اراضی مرتعی به میزان 1/201 کیلومتر مربع کاهش و مساحت اراضی کشاورزی، مسکونی، باغی و بایر به ترتیب به میزان 01/158، 38/22، 2/20 و 53/0 کیلومتر مربع افزایش خواهد یافت.
مجتبی نساجی زواره؛ باقر قرمز چشمه؛ فاطمه رحیم زاده
چکیده
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق بهمنظور بازسازی دبی روزانه ...
بیشتر
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق بهمنظور بازسازی دبی روزانه در یکی از سرشاخههای رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق با استفاده از دادههای دبی روزانه دو ایستگاه بالادست و روشهای شبکه عصبی، فازی-عصبی و رگرسیون دومتغیره دبی روزانه ایستگاه پائیندست بازسازی گردید. در مرحله دوم با گروهبندی مقادیر دبی به سالهای خشک، نرمال و مرطوب دبی روزانه بازسازی شد. نتایج نشان داد روشهای شبکه عصبی و فازی دارای دقت بالاتری نسبت به روش رگرسیون دومتغیره برای بازسازی دبی روزانه بود. بین مدلهای مختلف شبکه عصبی و فازی مدل شبکه عصبی پرسپترون (MLP)دارای قابلیت مناسبتری نسبت به بقیه مدلها است. همچنین گروهبندی دبی به سالهای خشک، نرمال و مرطوب باعث کاهش خطا در بازسازی دبی روزانه گردید. بر اساس شاخص میانگین خطای نسبی (MRE) به ترتیب سالهای نرمال، مرطوب و خشک کمترین خطا در بازسازی دبی روزانه را دارند.
امین ذرتی پور
چکیده
برآورد دقیق میزان رسوب معلق رودخانهها از مسائلی مهم در طراحی مخازن، آلودگی دریاچهها، طراحی کانالها و لایروبی آنها بعد از سیلابها، تعیین خسارتهای ناشی از رسوبگذاری و تعیین تأثیرات مدیریت آبخیز است. روشهای متعددی بهمنظور برآورد بار معلق رودخانهها وجود دارد. یکی از این روشها، که در حل مسائل مختلف هیدرولوژی رسوب ...
بیشتر
برآورد دقیق میزان رسوب معلق رودخانهها از مسائلی مهم در طراحی مخازن، آلودگی دریاچهها، طراحی کانالها و لایروبی آنها بعد از سیلابها، تعیین خسارتهای ناشی از رسوبگذاری و تعیین تأثیرات مدیریت آبخیز است. روشهای متعددی بهمنظور برآورد بار معلق رودخانهها وجود دارد. یکی از این روشها، که در حل مسائل مختلف هیدرولوژی رسوب و پیشبینی آن کاربرد زیادی دارد، روشهای نوروفازی و شبکههای عصبی مصنوعی است. در این مطالعه ارتباط رسوب و دبی لحظهای متناظرش بهطور موفقیتآمیزی با استفاده از این روشها مدلسازی و مورد اعتبارسنجی قرار گرفت. هدف از این تحقیق، کارایی روشهای نوروفازی و شبکه عصبی نسبت به مدلهای آماری در برآورد رسوب معلق روزانه رودخانه طالقانرود حوزه آبخیز طالقان میباشد. نتایج نشان داد، برآوردهای ساختارANFIS ، با میانگین قدرمطلق خطای نسبی، 1006 تن در روز، ضریب همبستگی 77درصد، میانگین مربعات خطا2621 تن در روز و ضریب ناش- ساتکلیف 51/0 نسبت به شبکه عصبی و همچنین برآوردهای شبکه عصبی در مقایسه با مدلهای آماری از دقت بالاتری برخوردارند. بنابراین روش ادغام شبکه عصبی با قوانین فازی توانسته تغییرات بار رسوبی رودخانه را بر اساس دبی روزانه، بهتر از مدلهای دیگر برآورد کند. دیگر مزیت این روش حساس نبودن به وجود تعداد معدودی خطا در دادههای آماری است که همین امر باعث برآورد بهتر مدل شبکه عصبی در مقایسه با مدل آماری شده است. همچنین با بالا رفتن درصد دادههای آموزش نسبت به دادههای امتحان، روش نروفازی جواب مناسبتری میدهد.
مریم خسروی؛ علی سلاجقه؛ محمد مهدوی؛ محسن محسنی ساروی
چکیده
با توجه به کمبود ایستگاههای اندازهگیری در کشور، لزوم استفاده از مدلهای تجربی برآورد دبی حداکثر لحظهای بسیار ضروری است. در این پژوهش از دو مدل شبکه عصبی و رگرسیون چندمتغیره غیرخطی برای پیشبینی دبی اوج در حوزة آبخیز طالقان استفاده گردید. با استفاده از آمار دبیهای متوسط حداکثر روزانه و بارشهای متناظر، یک روز قبل و پنج روز ...
بیشتر
با توجه به کمبود ایستگاههای اندازهگیری در کشور، لزوم استفاده از مدلهای تجربی برآورد دبی حداکثر لحظهای بسیار ضروری است. در این پژوهش از دو مدل شبکه عصبی و رگرسیون چندمتغیره غیرخطی برای پیشبینی دبی اوج در حوزة آبخیز طالقان استفاده گردید. با استفاده از آمار دبیهای متوسط حداکثر روزانه و بارشهای متناظر، یک روز قبل و پنج روز قبل و مجموع بارندگی پنج روزه و همچنین دمای میانگین ماهانه در واحدهای هیدرولوژیک گتهده، مهران، علیزان، جوستان و گلینک (به ترتیب از قسمت سراب به سمت پایاب) استخراج و به عنوان ورودی وارد مدل شبکه عصبی شدند. نوع شبکه مورد استفاده شبکه عصبی پیشخور با یک لایه مخفی با الگوریتم پسانتشار بود که با استفاده از دادهها مذکور، مدل طی سه مرحله آموزش، اعتبارسنجی و آزمون شد. دبیهای اوج مشاهدهای و پیشبینی شده در هر دو مدل بر اساس معیار ارزیابی RMSE و r مورد مقایسه قرار گرفت. نتایج نشان دهندة عملکرد بهتر شبکه عصبی نسبت به رگرسیون چندمتغیره غیرخطی است.
علی سلاجقه؛ علی فتح آبادی؛ محمد مهدوی
دوره 62، شماره 1 ، خرداد 1388
چکیده
یکی از پیچیدهترین فرآیندهای هیدرولوژیکی فرآیند بارش-رواناب است, که از پارامترسهای مختلف فیزیکی و هیدرولوژیکی تاثیر میپذیرد. در این پژوهش با بهرهگیری از روشهای آماری ARMAX, شبکه عصبی, عصبی-فازی (ANFIS با جداسازی خوشهای و شبکهای) و دو مدل بدست آمده از ترکیب آنها به منظور مدلسازی فرآیند بارش-رواناب و پیشبینی جریان رودخانه بهرهگیری ...
بیشتر
یکی از پیچیدهترین فرآیندهای هیدرولوژیکی فرآیند بارش-رواناب است, که از پارامترسهای مختلف فیزیکی و هیدرولوژیکی تاثیر میپذیرد. در این پژوهش با بهرهگیری از روشهای آماری ARMAX, شبکه عصبی, عصبی-فازی (ANFIS با جداسازی خوشهای و شبکهای) و دو مدل بدست آمده از ترکیب آنها به منظور مدلسازی فرآیند بارش-رواناب و پیشبینی جریان رودخانه بهرهگیری شد. به طوری که درآغاز ساختار بهینه هر یک از مدلها تعیین شده و سپس با بهرهگیری از مدل برگزیده اقدام به پیشبینی جریان رودخانه شد. نتایج این پژوهش نشان داد که مدلهای ترکیبی عملکرد بهتری نسبت به دیگر مدلهای مورد آزمون به صورت جداگانه داشته و به علت غیر خطی بودن فرآیند بارش-رواناب عملکرد مدلهای هوش مصنوعی بهتر از مدلهای خطی ARMAX است. شایان بیان است که هر چند عملکرد همه نتایج بدست آمده از این پژوهش نشانگر قابل قبول بودن عملکرد همه مدلهای مورد آزمون بود, اما به دلیل قابلیت مناسب روش ANFIS با جداسازی خوشهای این روش برای پیشبینی جریان رودخانه و مدلسازی فرآیند بارش-رواناب قابل پیشنهاد است.